[發(fā)明專利]基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的短波通信頻率選擇方法

有效

• 申請?zhí)枺?/td>: 201710408092.0
• 申請日: 2017-06-02
• 公開（公告）號: CN107180260B
• 公開（公告）日: 2019-10-25
• 發(fā)明（設(shè)計）人: 朱曉明;彭地;周亞橋;王德豐
• 申請（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06F17/16
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 韋全生;王品華

1.一種基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的短波通信頻率選擇方法，包括如下步驟：

(1)構(gòu)造訓(xùn)練樣本集：讀取短波通信系統(tǒng)日志文件中的歷史記錄，并對每一條歷史記錄HR進(jìn)行歸一化，得到訓(xùn)練樣本集DateSet＝{(Xⁿ,Yⁿ)}，其中，n為樣本序號，且n＝1,2,...,N，N為樣本容量，Xⁿ為第n個樣本的輸入向量，且為Xⁿ的第d維分量，Yⁿ為第n個樣本的輸出變量；

(2)設(shè)計進(jìn)化神經(jīng)網(wǎng)絡(luò)頻率質(zhì)量預(yù)測模型：包括一個輸入層、M-1個隱含層和一個輸出層，其中，輸入層的神經(jīng)元個數(shù)為l₀，M-1個隱含層的神經(jīng)元個數(shù)分別為l₁,...,l_m,...,l_M-1，輸出層的神經(jīng)元個數(shù)為l_M，隱含層神經(jīng)元的激活函數(shù)為雙曲正切函數(shù)輸出層神經(jīng)元的激活函數(shù)為線性函數(shù)m為進(jìn)化神經(jīng)網(wǎng)絡(luò)的層序號，且m＝0,1,...,M，M+1為進(jìn)化神經(jīng)網(wǎng)絡(luò)的層數(shù)，為神經(jīng)元激活函數(shù)的自變量；

(3)構(gòu)造進(jìn)化神經(jīng)網(wǎng)絡(luò)的解向量x：對進(jìn)化神經(jīng)網(wǎng)絡(luò)的權(quán)重和閾值按一定次序排列，實(shí)現(xiàn)對進(jìn)化神經(jīng)網(wǎng)絡(luò)權(quán)重和閾值的編碼，得到進(jìn)化神經(jīng)網(wǎng)絡(luò)的解向量x，其中，k_m為進(jìn)化神經(jīng)網(wǎng)絡(luò)第m層神經(jīng)元的序號，且k_m＝1,2,...,l_m；

(4)初始化粒子群算法的迭代次數(shù)t＝0；

(5)根據(jù)進(jìn)化神經(jīng)網(wǎng)絡(luò)的解向量x，對粒子群算法的種群進(jìn)行初始化，得到第t代粒子i的位置向量x_i(t)、速度向量v_i(t)、歷史最優(yōu)位置向量pbest_i(t)和pbest_i(t)的適應(yīng)度fitp_i(t)，以及第t代整個種群的歷史最優(yōu)位置向量gbest(t)和gbest(t)的適應(yīng)度fitg(t)，其中，i為粒子群算法中粒子的序號，且i＝1,2,...,PS，PS為粒子群算法的種群規(guī)模；

(6)獲取粒子群算法第t+1代粒子i的位置向量x_i(t+1)：

(6a)根據(jù)粒子群算法第t代粒子i的位置向量x_i(t)、速度向量v_i(t)、歷史最優(yōu)位置向量pBest_i(t)和第t代整個種群的歷史最優(yōu)位置向量gBest(t)，對第t代粒子i速度向量v_i(t)的每一維分量進(jìn)行更新，得到粒子群算法第t+1代粒子i的速度向量v_i(t+1)；

(6b)根據(jù)粒子群算法第t代粒子i的位置向量x_i(t)和第t+1代粒子i的速度向量v_i(t+1)，對第t代粒子i位置向量x_i(t)的每一維分量進(jìn)行更新，得到粒子群算法第t+1代粒子i的位置向量x_i(t+1)；

(7)評價粒子群算法第t+1代粒子i的位置向量x_i(t+1)，得到第t+1代粒子i位置向量x_i(t+1)的適應(yīng)度fitx_i(t+1)；

(8)獲取粒子群算法第t+1代粒子i的歷史最優(yōu)位置向量pBest_i(t+1)和pBest_i(t+1)的適應(yīng)度fitp_i(t+1)以及第t+1代整個種群的歷史最優(yōu)位置向量gBest(t+1)和gBest(t+1)的適應(yīng)度fitg(t+1)：

(8a)判斷fitx_i(t+1)＞fitp_i(t+1)是否成立，若是，則令pBest_i(t+1)＝x_i(t+1)，fitp_i(t+1)＝fitx_i(t+1)；否則令pBest_i(t+1)＝pBest_i(t)，fitp_i(t+1)＝fitp_i(t)；

(8b)判斷fitx_i(t+1)＞fitg(t+1)是否成立，若是，則令gBest(t+1)＝x_i(t+1)，fitg(t+1)＝fitx_i(t+1)；否則令gBest(t+1)＝gBest(t)，fitg(t+1)＝fitg(t)；

(9)判斷是否執(zhí)行局部搜索算子：判斷mod(t,T)＝0是否成立，若是，則執(zhí)行步驟(10)；否則，執(zhí)行步驟(12)，其中，t為當(dāng)前迭代次數(shù)，T為局部搜索算子的執(zhí)行周期；

(10)執(zhí)行局部搜索算子，得到局部最優(yōu)解lBest和lBest的適應(yīng)度fitl:

(10a)令迭代次數(shù)j＝0，令計數(shù)變量num＝0；

(10b)構(gòu)造局部搜索算子的第j代解s(j)：

其中，p為選擇概率，s^d(j)為第j代解s(j)的第d維分量，gBest^d(t+1)為第t+1代整個種群歷史最優(yōu)位置向量gBest(t+1)的第d維分量，rand₁為服從[0,1]區(qū)間均勻分布的隨機(jī)數(shù)，rand₂為服從[-1,1]區(qū)間均勻分布的隨機(jī)數(shù)；

(10c)評價局部搜索算子的第j代解s(j)，得到s(j)的適應(yīng)度fits(j)；

(10d)根據(jù)局部搜索算子的第j代解s(j)，獲取局部搜索算子的第j+1代解s(j+1)；

(10e)評價局部搜索算子的第j+1代解s(j+1)，得到s(j+1)的適應(yīng)度fits(j+1)；

(10f)若fits(j+1)＞fits(j)，則令num＝0；否則，令num＝num+1；

(10g)若計數(shù)變量num＞Iteration，則得到局部最優(yōu)解lBest，lBest＝s(j+1)，和局部最優(yōu)解lBest的適應(yīng)度fitl，fitl＝fits(j+1)，并停止局部搜索算子的迭代；否則，令迭代次數(shù)j＝j(luò)+1，執(zhí)行步驟(10d)，其中，Iteration是允許最大停滯代數(shù)；

(10h)獲取第t+1代適應(yīng)度fitp_i(t+1)的最低值fitp_b(t+1)及其對應(yīng)的歷史最優(yōu)位置向量pBest_b(t+1)，其中，

(11)比較局部最優(yōu)解lBest的適應(yīng)度fitl與pBest_b(t+1)的適應(yīng)度fitp_b(t+1)的大小，并保留較大的適應(yīng)度及其相應(yīng)的向量：若fitl＞fitp_b(t+1)，則令pBest_b(t+1)＝lbest，fitp_b(t+1)＝fitl；否則pBest_b(t+1)和fitp_b(t+1)保持不變；

(12)判斷粒子群算法是否滿足迭代終止條件：令t＝t+1，判斷t≥MaxIt是否成立，若是，則粒子群算法的迭代終止，得到粒子群算法的最優(yōu)解opt，opt＝gbest(t)；否則，執(zhí)行步驟(6)，其中，MaxIt是粒子群算法的最大迭代次數(shù)；

(13)獲得最優(yōu)進(jìn)化神經(jīng)網(wǎng)絡(luò)頻率質(zhì)量預(yù)測模型：采用與步驟(3)所述的對進(jìn)化神經(jīng)網(wǎng)絡(luò)權(quán)重和閾值的編碼相對應(yīng)的方式，對粒子群算法的最優(yōu)解opt進(jìn)行解碼，得到進(jìn)化神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)重和最優(yōu)閾值即最優(yōu)進(jìn)化神經(jīng)網(wǎng)絡(luò)頻率質(zhì)量預(yù)測模型；

(14)利用最優(yōu)進(jìn)化神經(jīng)網(wǎng)絡(luò)頻率質(zhì)量預(yù)測模型，預(yù)測短波通信系統(tǒng)預(yù)置頻率表中所有頻率在當(dāng)前通信條件下的通信質(zhì)量，并選出通信質(zhì)量最高的若干個頻率作為探測頻率；

(15)使用選出的若干個探測頻率分別對信道進(jìn)行探測并打分，并將探測分值最高的頻率作為最佳工作頻率。