[發明專利]基于補償型Hopfield神經網絡的綜合水質評價方法

在審

• 申請號: 201610029061.X
• 申請日: 2016-01-17
• 公開（公告）號: CN105654395A
• 公開（公告）日: 2016-06-08
• 發明（設計）人: 喬俊飛;李榮;李文靜;李丁園
• 申請（專利權）人: 北京工業大學
• 主分類號: G06Q50/06
• 分類號: G06Q50/06;G06N3/08;G06N3/04
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 劉萍

1.基于補償型Hopfield神經網絡的綜合水質評價方法，其特征在于，包括以下步驟：

(1)綜合水質評價標準編碼；

將綜合水質評價標準映射到模型中的神經元狀態時對評價標準逐一編碼；編碼規則： 每一類評價標準的指標項逐一編碼，如果屬于該類評價標準設置為+1，否則設置為-1；

假設有m個綜合水質評價標準，按照編碼規則對m個評價標準逐個逐項進行編碼；待m個 評價標準編碼完成后，將編碼后的m個評價標準用矩陣形式來表示，分別為A₁,A₂,…,A_m；并 將A₁,A₂,…,A_m轉化為可視化的圖形模式；

(2)待評價的實測數據編碼；

根據綜合水質評價標準，對待評價的實測數據進行編碼；編碼規則：對每組實測數據逐 項編碼，如果達到某一類評價標準相應的位置設置為+1，否則設置為-1；

假設有p組待評價的實測數據，按照編碼規則對p組實測數據逐組逐項的進行編碼；待p 組實測數據編碼完成后，將編碼后的p組實測數據用矩陣形式來表示，分別為R₁,R₂,…,R_p； 并將R₁,R₂,…,R_p轉化為可視化的圖形模式，使其更加直觀；

(3)設計學習算法；

1)將m個評價標準矩陣A₁,A₂,…,A_m的轉置存儲在矩陣S中，S包含了所有的水質評價標 準，具體表示為：

S＝[A₁^T,A₂^T,......,A_m^T](1)

2)對矩陣S進行奇異值分解，提取S中的重要信息；并產生正交向量，保證評價標準可以 正確存儲；具體分解方法如下：

S＝PVQ^T(2)

其中，P為正交矩陣，P中的向量為S的奇異向量，保留了S中的重要信息；V為正交矩陣；Q 為偽對角矩陣；

3)對于有n個神經元的模型，設計對角矩陣B：

其中，b₁,b₂,…,b_k…,b_n是連接權值矩陣W的n個特征值；第k個特征值b_k滿足以下條件：

bk=g1k=1,2,...,mg2k=m+1,...,n,0≤g1<g2---(4)]]>

其中，g1,g2為學習系數，g₁＝5,g₂＝0.2；

4)最終得到模型的連接權值矩陣W如下：

W＝PBP^T(5)

(4)創建補償型Hopfield神經網絡模型；

1)構建一個具有n個神經元的Hopfield神經網絡模型，每個神經元具有相同的功能；每 個神經元都將其輸出通過連接權值傳遞到其他神經元，同時每個神經元又接收到其他神經 元傳來的信息；；

2)構建的n維Hopfield神經網絡模型是全連接的反饋型神經網絡，網絡結構復雜；；

針對于第i個神經元中的每個連接權值的貢獻率進行評定，貢獻率較小的連接權值將 被刪除；貢獻率是第i個神經元中的某一連接權值的絕對值相對于該神經元的所有連接權 值絕對值之和的大小；第i個神經元中第j個連接權值的貢獻率h_j表示如下：

hj=|wij|Σ|wij|,j=1,2,...,n---(6)]]>

其中，第i個神經元與第j個神經元之間的連接權值用w_ij表示；

將貢獻率h_j與設定的刪除系數d進行對比，貢獻率較小的連接權值將被刪除，保留剩余 連接權值；在刪除連接權值w_ij時，對應位置的連接權值w_ji也需要刪除，具體刪除方法如下：

wij=wji=0ifhj≤dwji,unchangeifhj>d---(7)]]>

刪除系數0<d<1，以0.1為間隔來取值；d＝0.1,0.2,,…,直至不能刪除為止；

3)構建補償模型；；；計算出第i個神經元中丟失的連接權值w_id的總和s_i；并將s_i平均分 配到剩余的l個連接權值上，其中每個連接權值得到的補償量為c_i，具體如下：

ci=η·sil---(8)]]>

其中，η是補償系數，η＝1；

對于正的連接權值加上補償值，對于負的連接權值減去補償值，；對于第i個神經元中， 剩余的連接權值w_ir的具體補償方法如下：

wir′=wir+ciifwir>0wir-ciifwir<0---(9)]]>

按照上述方式依次對n個神經元分別進行刪除和補償；

4)將補償后得到的連接權值重新存儲新的連接權值矩陣W'；

(5)對實測數據進行評價；

將待評價的p組實測數據分別輸入到補償型Hopfield神經網絡模型中，經過模型的不 斷運行最終收斂到相應的評價標準；

對于實測數據R₁，在t時刻將R₁(t)的矩陣形式輸入到補償型模型中；經過網絡的運行， 得到下一時刻網絡的輸出R₁(t+1)，具體如下：

R₁(t+1)＝f(W'R₁(t))(10)

其中，f為符號函數，表示為：

f(x)=1,x≥0-1,x<0---(11)]]>

通過符號函數f對矩陣R₁中的每一項進行轉換；

如果下一時刻的輸出達到相應的評價標準，則停止運行，否則將R₁(t+1)作為輸入，繼續 運行，直至達到相應的評價標準；

完成對R₁的評價之后，再將R₂,R₃,…,R_p依次輸入到補償型Hopfield神經網絡模型中進 行評價，直至完成所有實測數據的評價。