[發明專利]一種基于多目標微粒群算法優化的深度學習方法及系統

有效

• 申請號: 201810169310.4
• 申請日: 2018-02-28
• 公開（公告）號: CN108319928B
• 公開（公告）日: 2022-04-19
• 發明（設計）人: 高忠科;李彥里;楊宇軒;王新民
• 申請（專利權）人: 天津大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/08
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 杜文茹

1.一種基于多目標微粒群算法優化的深度學習方法，其特征在于，包括如下步驟：

1)采集腦電信號，對采集的腦電信號進行預處理，得到信號為二維的p通道腦電信數據樣本集x(t)；

2)將步驟1)中的p維腦電信數據x(t)樣本歸一化后作為深度學習模型即卷積神經網絡的一個數據輸入，將對應想象的指令類別作為卷積神經網絡末層的輸出；

3)建立初步的卷積神經網絡；

4)使用多目標微粒群優化算法優化調整初步的卷積神經網絡，得到深度學習模型；包括：

(1)初始化初步卷積神經網絡的參數群體和目標參數集，所述的初步卷積神經網絡參數群體包括結構和相應的各個超參數；

(2)進行微粒群運動獲得新的目標參數集；

(3)將得出的新的目標參數集作為新的卷積神經網絡的參數輸入，代入腦電數據樣本集x(t)進行人工檢驗，驗證新的卷積神經網絡的準確性和效率，驗證后卷積神經網絡，作為最終的卷積神經網絡，構成深度學習模型；

5)使用多目標微粒群優化算法實現多目標運動輔助。

2.根據權利要求1所述的一種基于多目標微粒群算法優化的深度學習方法，其特征在于，步驟1)是使用國際10-20系統定義的32通道電極帽采集腦電信號，所述的腦電信號是基于運動想象的腦電信號，所采集內容為固定的肢體運動想象動作。

3.根據權利要求1所述的一種基于多目標微粒群算法優化的深度學習方法，其特征在于，步驟1)所述的對采集的腦電信號進行預處理，包括：帶通濾波、樣本歸一化和剔除有畸型的腦電信號，其中，所述的帶通濾波的范圍是根據運動想象相關任務的特性選取對應的腦電波頻段。

4.根據權利要求1所述的一種基于多目標微粒群算法優化的深度學習方法，其特征在于，步驟3)包括：

(1)從腦電數據樣本集x(t)中選取一個樣本進入卷積神經網絡；

(2)計算所述樣本進入卷積神經網絡得到的實際輸出，在這個階段，信息從輸入層經過逐級的變換，傳送到輸出層，這個過程也是網絡完成訓練之后的正常流程；

(3)計算實際輸出與相應樣本的理想輸出的差值；

(4)按照極小化誤差的方法進行權值調整，得到初步卷積神經網絡。

5.根據權利要求1所述的一種基于多目標微粒群算法優化的深度學習方法，其特征在于，第(1)步包括給參數群體隨機賦予一個初始值，生成初始的卷積神經網絡參數群體P1，將初始的卷積神經網絡參數群體P1中的最好的解存入目標參數集作為最初的最佳位置存檔集A1。