[發(fā)明專利]一種基于DGRU神經(jīng)網(wǎng)絡的UUV集群行為識別方法

在審

• 申請?zhí)枺?/td>: 201811028694.4
• 申請日: 2018-09-01
• 公開（公告）號: CN109492516A
• 公開（公告）日: 2019-03-19
• 發(fā)明（設計）人: 王磊;任龍;王鑫;張玲玲;關智允;徐東;孟宇龍;張子迎;李賢;宮思遠
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于DGRU神經(jīng)網(wǎng)絡的UUV集群行為識別方法，包括數(shù)據(jù)預處理階段、模型訓練階段和模型預測階段，具體包括如下步驟：

(1)數(shù)據(jù)預處理階段：對UUV集群行為數(shù)據(jù)集進行數(shù)據(jù)清洗，處理數(shù)據(jù)不平衡問題和缺失值問題；

(2)模型訓練階段：利用數(shù)據(jù)預處理后的數(shù)據(jù)集訓練DGRU神經(jīng)網(wǎng)絡，建立UUV集群行為識別模型；

(3)模型預測階段：獲取當前軟件失效數(shù)據(jù)并采用(1)中同樣的方法進行數(shù)據(jù)歸一化處理，然后輸入(2)所獲得的預測模型進行UUV的集群行為識別，得到識別結果。

2.根據(jù)權利要求1所述的一種基于DGRU神經(jīng)網(wǎng)絡的UUV集群行為識別方法，其特征在于，所述的步驟(1)具體包括：

(1.1)處理數(shù)據(jù)不平衡問題：首先分析正負樣本比例，其次根據(jù)數(shù)據(jù)集的大小采用不同的采樣方法處理，若數(shù)據(jù)量較充足，采取欠采樣的方法，通過減少樣本數(shù)據(jù)較多的類的數(shù)量來平衡數(shù)據(jù)集；若數(shù)據(jù)量較少，采取過采樣的方法，通過增加數(shù)量較少的類的數(shù)量來平衡數(shù)據(jù)集；

(1.2)處理數(shù)據(jù)缺失值問題：首先分析缺失值的占比，其次根據(jù)缺失值的占比采取不同的方式處理，若特征的缺失值占比較高，則刪除該特征；若缺失值占比適中，則將缺失值作為一個新類別，原特征替換為類別特征；若缺失值占比較低，則采用均值或中位數(shù)的方式替換。

3.根據(jù)權利要求1所述的一種基于DGRU神經(jīng)網(wǎng)絡的UUV集群行為識別方法，其特征在于，所述的步驟(2)具體包括：

(2.1)將歸一化處理后的數(shù)據(jù)按照序列的時間順序分為兩組，時間順序靠前的一組作為訓練數(shù)據(jù)集、時間順序靠后的一組作為驗證數(shù)據(jù)集；

(2.2)設定DGRU神經(jīng)網(wǎng)絡的輸入層神經(jīng)元個數(shù)為5和輸出層神經(jīng)元個數(shù)為1，設定DGRU神經(jīng)網(wǎng)絡隱含層的神經(jīng)元個數(shù)為D，隱含層共3層，D＝1,2,3...,D_Max，其中D_Max為預設值；

(2.3)依次在D的每個取值所對應的DGRU神經(jīng)網(wǎng)絡結構上，利用訓練集數(shù)據(jù)迭代地訓練神經(jīng)網(wǎng)絡中的參數(shù)，并利用驗證集數(shù)據(jù)對每次訓練后的網(wǎng)絡進行評估，更新并保存D的每個取值下性能最優(yōu)的DGRU神經(jīng)網(wǎng)絡，選取性能最優(yōu)的DGRU神經(jīng)網(wǎng)絡結構作為預測模型；

(2.3.1)進行外循環(huán)初始化，設定D＝1；進行設定誤差值的設置；

(2.3.2)進行內循環(huán)初始化，設定迭代次數(shù)＝1，設定當前最小誤差為無窮大，設定最大迭代次數(shù)；

(2.3.3)基于結構風險最小化原理，利用訓練集數(shù)據(jù)進行DGRU神經(jīng)網(wǎng)絡的訓練；

(2.3.4)將驗證集數(shù)據(jù)輸入(2.3.3)訓練好的DGRU神經(jīng)網(wǎng)絡，利用經(jīng)驗風險函數(shù)進行驗證集誤差的計算；

(2.3.5)若驗證集誤差大于或等于當前最小誤差，則直接迭代次數(shù)加1；若驗證集誤差小于當前最小誤差，則將驗證集誤差的值賦予當前最小誤差，則把當前DGRU神經(jīng)網(wǎng)絡作為最優(yōu)網(wǎng)絡，更新并存儲最優(yōu)網(wǎng)絡的參數(shù)和驗證集誤差，然后進行如下判斷：

若驗證集誤差小于設定誤差，則讀取DGRU神經(jīng)網(wǎng)絡的參數(shù)，并執(zhí)行(2.3.8)；若驗證集誤差大于或等于設定誤差則迭代次數(shù)加1；

(2.3.6)若迭代次數(shù)小于或等于最大迭代次數(shù)，則執(zhí)行(2.3.3)；若迭代次數(shù)大于最大迭代次數(shù)則D＝D+1，然后進行如下判斷：

若D＞D_Max則執(zhí)行(2.3.7)；若D≤D_Max則執(zhí)行(2.3.2)；

(2.3.7)對比不同D值時最后網(wǎng)絡的驗證集誤差，選取驗證集誤差最小的最優(yōu)網(wǎng)絡，并讀取所對應的DGRU神經(jīng)網(wǎng)絡的參數(shù)；

(2.3.8)依據(jù)所選擇的網(wǎng)絡參數(shù)確定DGRU神經(jīng)網(wǎng)絡結構的軟件可靠性的預測模型。

4.根據(jù)權利要求1所述的一種基于DGRU神經(jīng)網(wǎng)絡的UUV集群行為識別方法，其特征在于，所述的步驟(3)具體包括：

(3.1)獲取軟件的最近一次的UUV集群行為數(shù)據(jù)C_t，以及最近一次時間以前的失效時間數(shù)據(jù)C_t-1,C_t-2,...,C_t-N；

(3.2)利用步驟A1中方法，對C_t,C_t-1,C_t-2,...,C_t-N進行數(shù)據(jù)的歸一化處理；

(3.3)將經(jīng)過歸一化處理過的C_t,C_t-1,C_t-2,...,C_t-N數(shù)據(jù)輸入到步驟A2所獲得的預測模型，得到預測結果進行反歸一化后，得到下一次的UUV集群行為識別；

反歸一化如如下：

其中，為下一次UUV集群行為數(shù)據(jù)，為下一次輸入DGRU神經(jīng)網(wǎng)絡的數(shù)據(jù)。