[發(fā)明專利]一種基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的欠定混疊矩陣估計(jì)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201710717176.2
• 申請(qǐng)日: 2017-08-21
• 公開（公告）號(hào): CN107506723A
• 公開（公告）日: 2017-12-22
• 發(fā)明（設(shè)計(jì)）人: 魏爽;彭劍;陶春貴;蔣德富;王峰
• 申請(qǐng)（專利權(quán)）人: 河海大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06N3/00;G06N3/08;G06F17/16
• 代理公司: 南京縱橫知識(shí)產(chǎn)權(quán)代理有限公司32224
• 代理人: 董建林

1.一種基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的欠定混疊矩陣估計(jì)方法，其特征在于：包括，

對(duì)觀測(cè)信號(hào)進(jìn)行短時(shí)傅立葉變換；

計(jì)算變換后的觀測(cè)信號(hào)每個(gè)時(shí)刻的正切值；

構(gòu)建競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)，以正切值作為輸入，對(duì)輸入的正切值進(jìn)行初步聚類；

采用遺傳算法對(duì)初步聚類結(jié)果進(jìn)行優(yōu)化；

根據(jù)優(yōu)化后的聚類結(jié)果，通過(guò)反正切求出混疊矩陣的估計(jì)值。

2.根據(jù)權(quán)利要求1所述的一種基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的欠定混疊矩陣估計(jì)方法，其特征在于：競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)的輸入層設(shè)置為一個(gè)神經(jīng)元，輸出層的神經(jīng)元個(gè)數(shù)與混疊矩陣的列數(shù)一致。

3.根據(jù)權(quán)利要求2所述的一種基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的欠定混疊矩陣估計(jì)方法，其特征在于：對(duì)輸入的正切值進(jìn)行初步聚類的過(guò)程為，

11)初始化數(shù)據(jù)：x＝[x₁,x₂,…,x_n]作為一維輸入，n為正切值個(gè)數(shù)，權(quán)值矩陣weight＝[W₁ W₂ … W_I]^T，訓(xùn)練迭代次數(shù)初始化為F，每次訓(xùn)練迭代的權(quán)值調(diào)整步長(zhǎng)初始化為iter，I為權(quán)值的個(gè)數(shù)，并且與輸出層的神經(jīng)元相等；

12)從x＝[x₁,x₂,…,x_n]中隨機(jī)選取一個(gè)x_h作為輸入，h＝1,2,...,n；

13)計(jì)算競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)輸出層神經(jīng)元輸出值y＝weight×x；

14)從當(dāng)前迭代的輸出值y中選取最大的值作為競(jìng)爭(zhēng)勝出的神經(jīng)元；

15)調(diào)整權(quán)值矩陣，即在前一次迭代的權(quán)值矩陣的基礎(chǔ)上加上一個(gè)調(diào)整值，返回步驟12，直到迭代次數(shù)達(dá)到設(shè)置次數(shù)；

調(diào)整值由輸入與競(jìng)爭(zhēng)勝出的神經(jīng)元對(duì)應(yīng)的權(quán)值矩陣中的元素的差再乘以權(quán)值調(diào)整步長(zhǎng)，計(jì)算式為：weight＝weight+dw，其中dw＝iter×(x_h-W_i′)，i′∈[1,I]。

4.根據(jù)權(quán)利要求1所述的一種基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的欠定混疊矩陣估計(jì)方法，其特征在于：初步聚類完成后，對(duì)初步聚類結(jié)果進(jìn)行統(tǒng)計(jì)，將每一類的正切值總和除以正切值個(gè)數(shù)作為該類的聚類中心，即：其中c_i為第i類聚類中心，z_i為第i類中正切值的個(gè)數(shù)，x_ij為第i類中第j個(gè)正切值。

5.根據(jù)權(quán)利要求1所述的一種基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的欠定混疊矩陣估計(jì)方法，其特征在于：遺傳算法優(yōu)化目標(biāo)是每個(gè)正切值與其所在的聚類中心的距離之和最小。

6.根據(jù)權(quán)利要求5所述的一種基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的欠定混疊矩陣估計(jì)方法，其特征在于：遺傳算法對(duì)初步聚類結(jié)果進(jìn)行優(yōu)化的過(guò)程為，

21)參數(shù)的初始化設(shè)置；

定義種群規(guī)模popSize，最大迭代次數(shù)MaxIter，交叉概率Pc，變異概率Pm；

22)將所有聚類中心C_NN＝[c_NN1,c_NN2,...,c_NNT]設(shè)為遺傳算法的初始種群個(gè)體，初始值采用聚類中心浮點(diǎn)編碼的方式進(jìn)行基因編碼pop(k).gene＝[C₁ C₂ … C_P]，其中c_NNi為第i個(gè)聚類中心，i∈[1,T]，T表示聚類中心的個(gè)數(shù)，pop(k)為種群中第k個(gè)個(gè)體，P為每一代種群的個(gè)體總數(shù)，每一個(gè)基因編碼為T個(gè)浮點(diǎn)數(shù)，分別對(duì)應(yīng)T個(gè)聚類中心的值；

23)計(jì)算評(píng)估值value，對(duì)于每個(gè)正切值分別計(jì)算出其到每個(gè)聚類中心的距離，距離最小的值對(duì)應(yīng)的聚類中心便是該正切值的聚類中心，計(jì)算式為：

根據(jù)value的值對(duì)種群個(gè)體進(jìn)行由小到大進(jìn)行標(biāo)號(hào)，每個(gè)個(gè)體的標(biāo)號(hào)記為pop(k).index；

24)適應(yīng)度值fitness的計(jì)算式為：pop(k).fitness＝a(1-a)^{pop(k).index-1}，其中a為參數(shù)；

25)在選擇與復(fù)制操作中，根據(jù)計(jì)算得出的個(gè)體的適應(yīng)度值pop(k).fitness，建立一個(gè)選擇數(shù)組cFitness[popSize]；

計(jì)算式為：

cFitness[k]=Σk′=1kpop(k′).fitnessS]]>

其中：cFitness[k]是指第1到第k個(gè)個(gè)體的適應(yīng)度值累加和占總的適應(yīng)度值之和的比例；

26)在開區(qū)間(0，1)上循環(huán)產(chǎn)生一個(gè)隨機(jī)數(shù)，記為rand；

當(dāng)rand＜cFitness(k)，則將第k個(gè)個(gè)體復(fù)制到下一代的種群中，此循環(huán)執(zhí)行到復(fù)制popSize個(gè)個(gè)體為止；

當(dāng)rand小于交叉概率Pc時(shí)，從種群中隨機(jī)選出兩個(gè)個(gè)體pop(k₁)和pop(k₂)，對(duì)個(gè)體進(jìn)行交叉操作；在交叉之前，分別對(duì)兩個(gè)個(gè)體的基因進(jìn)行由小到大的排序，計(jì)算新的個(gè)體基因?yàn)閜op(k_new).gene＝a₁×pop(k₁).gene+a₂×pop(k₂).gene，在新的種群中直接保留pop(k₁)，用新個(gè)體pop(k_new)代替pop(k₂)，被選擇過(guò)的個(gè)體不再參與后續(xù)的交叉，當(dāng)所有的個(gè)體都被選擇過(guò)時(shí)交叉結(jié)束，a₁,a₂為交叉系數(shù)；

當(dāng)rand小于變異概率Pm時(shí)，對(duì)個(gè)體進(jìn)行變異操作，選擇種群中的所有個(gè)體的每一位基因，在基因位上隨機(jī)加上一個(gè)浮點(diǎn)數(shù)。