[發明專利]一種基于遺傳算法優化BP神經網絡的水聲目標識別方法

在審

• 申請號: 202010025865.9
• 申請日: 2020-01-10
• 公開（公告）號: CN111259750A
• 公開（公告）日: 2020-06-09
• 發明（設計）人: 曾向陽;楊爽;王海濤;喬彥
• 申請（專利權）人: 西北工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;G06N3/00;G06N3/12;G06F30/20
• 代理公司: 西北工業大學專利中心 61204
• 代理人: 金鳳

1.一種基于遺傳算法優化BP神經網絡的水聲目標識別方法，其特征在于包括下述步驟：

步驟1：讀取已知標簽為1、2、3的三種水聲目標樣本，分別提取3種水聲目標樣本的12維水聲信號的MFCC系數，獲得MFCC系數矩陣，在MFCC系數矩陣前加1維類別向量獲得新的矩陣，新的矩陣中第1維為標簽，第2維到13維為系數矩陣，存入mat文件中；

步驟2：提取3種水聲目標的mat文件，將3個文件中的矩陣合成一個數據集矩陣，數據集矩陣中第1維為標簽，第2維到第13維為MFCC系數矩陣，數據集矩陣中的第2維到第13維作為輸入P，根據數據集矩陣第1維標簽設定水聲目標的期望輸出T；標簽為1時，期望輸出向量T為：

標簽為2時，期望輸出向量T為：

標簽為3時，期望輸出向量T為：

步驟3：確定BP神經網絡的拓撲結構；由輸入P和期望輸出T確定BP神經網絡輸入層為12，輸出層為3，隱含層設置為18，所以BP神經網絡的拓撲結構為12-18-3；

步驟4：在用BP神經網絡進行訓練和測試前，使用遺傳算法對神經網絡輸入層到隱含層的連接權值ω_ij、隱含層到輸出層的連接權值ω_jk、隱含層閾值a和輸出層閾值b這4個參數進行優化；待優化變量個數為N：

N＝ω_ij+ω_jk+a+b (4)

使用遺傳算法獲得最優權值和閾值的步驟如下：

(1)隨機初始化種群；種群中有M個個體，M為正整數，每個個體的長度為待優化變量N；

(2)確定目標函數；將初始化的種群中的每一個個體帶入BP神經網絡訓練、測試，獲得每一個個體測試數據預測誤差的范數Error(i)：

Error(i)＝||Y(i)-T_text(i)||i＝1，2，...，M (5)

其中，Error(i)是第i個個體預測誤差的范數，即第i個個體的目標函數，Y(i)是第i個個體測試數據的仿真結果(實際輸出)，T_text(i)是第i個個體測試數據的期望輸出，第i個個體和第i個個體的目標函數一一對應；

將M個Error(i)i＝1，2，...，M組成一個列向量Error，Error作為遺傳算法的目標函數進行優化；目標函數越小，優化效果越好；

(3)計算種群適應度值：由目標函數構造種群適應度值，種群適應度值為目標函數的倒數；

(4)選擇操作，在種群中以一定的概率選擇適應度值高的個體組成子種群；一定的概率是指遺傳算法中設定的代溝參數的取值，在0到1之間；代溝參數為0.95，選擇適應度值高的個體的方法采用遺傳算法選擇操作中常用的輪盤賭法進行選擇；

(5)交叉操作，隨機選擇子種群中的2個個體，2個個體間對應待優化變量進行交換，獲得新的子種群；

(6)變異操作，隨機選擇子種群中的1個個體，再從該個體中隨機選擇一部分待優化變量，待優化變量的數量由遺傳算法中設定的變異概率確定，變異概率的取值在0到1之間，對待優化變量進行隨機突變，獲得最終的子種群；

(7)將子種群中的每一個個體帶入BP神經網絡訓練、測試，獲得子種群中每一個個體測試數據預測誤差的范數Error(i)和子種群的目標函數Error，i是小于M的正整數；

(8)將子種群重插入原始種群中原數據集對應位置，將子種群目標函數重插入原始目標函數，獲得新種群和新目標函數，新種群和新種群目標函數一一對應，將新種群目標函數中的最小值作為第1代最優解，第1代最優解所對應的個體即為第1代最優權值和閾值；

(9)新種群重復步驟(3)到(7)，獲得第2代到第n代最優解；最優解隨著遺傳代數的增加逐漸減小，直到最優解不再減小時，此時的最優解收斂，收斂于一個最小的最優解，遺傳算法結束；最小值對應的個體即為BP神經網絡最佳的權值和閾值；

步驟5：新建BP神經網絡，使用步驟4獲得的最佳的權值和閾值訓練、測試網絡，獲得測試數據的仿真結果Y，Y與T_text都是3維矩陣，列數與測試數據列數相同，將Y與T_text逐列比較，若某列Y＝T_text，判斷正確，否則判斷錯誤；獲得判斷錯誤仿真結果的標簽，即若判斷錯誤仿真結果為：

則對應的標簽為1；

若判斷錯誤仿真結果為：

則對應的標簽為2；

若判斷錯誤仿真結果為：

則對應的標簽為3；

對每個標簽下判斷錯誤仿真結果進行統計，獲得分類算法的識別正確率rightridio：

其中，j為標簽，rightridio(j)為標簽為j的水聲目標的識別正確率，SUM為標簽為j的測試數據的仿真結果的總數，F為標簽j下判斷錯誤的測試數據的仿真結果的總數。