[發明專利]一種頻譜預測方法、系統及電子設備

在審

• 申請號: 201711381472.6
• 申請日: 2017-12-20
• 公開（公告）號: CN109951243A
• 公開（公告）日: 2019-06-28
• 發明（設計）人: 王珊珊;黃曉霞
• 申請（專利權）人: 中國科學院深圳先進技術研究院
• 主分類號: H04B17/391
• 分類號: H04B17/391;G06N3/04;G06N3/08
• 代理公司: 深圳市科進知識產權代理事務所(普通合伙) 44316
• 代理人: 趙勍毅

1.一種頻譜預測方法，其特征在于，包括以下步驟：

步驟a：采集原始頻譜數據；

步驟b：基于所述原始頻譜數據，使用極限學習機算法建立單層前饋神經網絡；

步驟c：通過最優裁剪極限學習機算法選取所述單層前饋神經網絡中的最優隱含層節點，并裁剪掉無用或作用很小的隱含層節點，得到頻譜預測模型；

步驟d：通過所述頻譜預測模型輸出頻譜預測結果。

2.根據權利要求1所述的頻譜預測方法，其特征在于，所述步驟a還包括：對所述原始頻譜數據進行預處理；所述預處理包括：利用機器學習方法推理出合理數據對原始頻譜數據中的缺失數據進行填補，并通過去噪方法對原始頻譜數據進行去噪處理。

3.根據權利要求2所述的頻譜預測方法，其特征在于，在所述步驟b中，所述使用極限學習機算法建立單層前饋神經網絡具體為：給定S個學習樣本其中，d1為輸入樣本的維數，d2為輸出樣本的維數，隱含層節點數為L，L≤S，激活函數為g(·)，所述單層前饋神經網絡的數學模型為：

上述公式中，(w_i,b_i)為隱含層節點的參數，β_i為網絡的輸出權值，G代表激活函數g(·)，則所述單層前饋神經網絡的數學模型變為：

Hβ＝T

在上述公式中，H為隱含層輸出矩陣，T代表期望輸出，第i列代表了第i個隱含層節點關于學習樣本x₁,x₂,...,x_S的輸出：

和

在上述公式中，為網絡的最小二乘解；

最小值為：

則神經網絡的最小二乘解計算公式為：

4.根據權利要求3所述的頻譜預測方法，其特征在于，在所述步驟c中，所述通過最優裁剪極限學習機算法選取所述單層前饋神經網絡中的最優隱含層節點，并裁剪掉無用或作用很小的隱含層節點還包括：采用多響應稀疏回歸算法排列單層前饋神經網絡的隱含層節點。

5.根據權利要求4所述的頻譜預測方法，其特征在于，在所述步驟c中，所述通過最優裁剪極限學習機算法選取所述單層前饋神經網絡中的最優隱含層節點，并裁剪掉無用或作用很小的隱含層節點具體為：利用逐一抽取法選擇最優的隱含層節點，并通過預測平方和統計計算法逐一抽取誤差，確定需要剪裁的隱含層節點數目，并裁剪掉無用或作用很小的隱含層節點；所述預測平方和統計計算法為：

上述公式中，P＝(H^TH^-1)^-1。

6.根據權利要求1所述的頻譜預測方法，其特征在于，所述步驟d還包括：通過ARIMA模型對頻譜預測模型輸出的預測結果進行校正處理，得到最終的頻譜預測結果；所述ARIMA模型為：

上述公式中，p為自回歸項數，q為移動平均項數，a_j是自回歸參數，為自回歸過程的系數，b_j是自回歸參數，為移動平均過程的系數。

7.一種頻譜預測系統，其特征在于，包括：

數據采集模塊：用于采集原始頻譜數據；

模型構建模塊：用于基于所述原始頻譜數據，使用極限學習機算法建立單層前饋神經網絡，并通過最優裁剪極限學習機算法選取所述單層前饋神經網絡中的最優隱含層節點，并裁剪掉無用或作用很小的隱含層節點，得到頻譜預測模型，通過所述頻譜預測模型輸出頻譜預測結果。

8.根據權利要求7所述的頻譜預測系統，其特征在于，還包括數據預處理模塊，所述數據預處理模塊用于對所述原始頻譜數據進行預處理；所述預處理包括：利用機器學習方法推理出合理數據對原始頻譜數據中的缺失數據進行填補，并通過去噪方法對原始頻譜數據進行去噪處理。