[發明專利]一種基于CGBP算法的深度基準面擬合方法

在審

• 申請號: 201810433781.1
• 申請日: 2018-05-08
• 公開（公告）號: CN109754058A
• 公開（公告）日: 2019-05-14
• 發明（設計）人: 張亮;張佳麗;付曉梅;翟京生;常帥
• 申請（專利權）人: 天津大學
• 主分類號: G06N3/02
• 分類號: G06N3/02;G06F17/50
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 劉玥

1.一種基于CGBP算法的深度基準面擬合方法，其特征在于，包括以下步驟：

步驟A，確定網絡結構，確定網絡層數、節點數與傳遞函數；

步驟B，采用基于Fletcher-Reeves共軛梯度算法對網絡進行訓練；

步驟C，對網絡性能進行測試。

2.根據權利要求1所述的一種基于CGBP算法的深度基準面擬合方法，其特征在于，步驟A具體包括：

步驟A1，提取驗潮站的平面坐標(x,y)作為輸入因子，深度基準面值為輸出因子，為了實現基于神經網絡的深度基準面擬合的數學模型表達為：

L＝f(x,y) (1)

神經網絡結構模型的輸入層取兩個神經元，輸出層取一個神經元，則神經網絡結構模型為2×M×1，其中M的經驗取值為：

式中M為隱層節點數；n_i為輸入節點數；n₀為輸出節點數；a為1～10之間的常數；

步驟A2，隱層激活函數采用雙曲正切S型函數作為傳遞函數，傳遞函數的數學表達式為：

式中，net1為隱層神經元的輸入加權和；

輸出層采用線性傳遞函數，線性傳遞函數的數學表達式為：

S₂(net2)＝net2 (4)

式中，net2為輸出層的輸入加權和。

3.根據權利要求1所述的一種基于CGBP算法的深度基準面擬合方法，其特征在于，步驟B具體包括：

步驟B1，正向傳播階段：輸入已知學習樣本，通過步驟A設置的網絡結構和前一次迭代的權值和閾值，從網絡第一層向后計算各神經元的輸出；

步驟B2，反向傳播階段：對權值和閾值進行修改，從最后一層向前計算各權值和閾值對總誤差的影響，據此對各權值和閾值進行修改；

步驟B1的正向傳播過程和步驟B2的反向傳播過程反復交替，直到收斂為止。

4.根據權利要求3所述的一種基于CGBP算法的深度基準面擬合方法，其特征在于，步驟B1具體包括：

步驟B11：初始化網絡，對每個連接的閾值和權值分別賦予區間(-1,1)的隨機數；

步驟B12：輸入學習樣本：

T_i＝L_i (6)

式中，P_2i為各驗潮站的平面坐標，x_i為第i個驗潮站的橫軸坐標；y_i為第i個驗潮站的縱軸坐標；T_i為網絡的期望輸出；L_i為各驗潮站對應的深度基準面值。