[發(fā)明專利]基于自聯(lián)想神經(jīng)網(wǎng)絡(luò)的可見光MIMO通信系統(tǒng)顏色檢測方法

在審

• 申請?zhí)枺?/td>: 202010138040.8
• 申請日: 2020-03-03
• 公開（公告）號: CN111458029A
• 公開（公告）日: 2020-07-28
• 發(fā)明（設(shè)計）人: 楊愷;王軍;趙美玲;楊潤豐;朱嘉琪
• 申請（專利權(quán)）人: 東莞職業(yè)技術(shù)學(xué)院
• 主分類號: G01J3/46
• 分類號: G01J3/46;G06N3/08
• 代理公司: 廣州粵高專利商標(biāo)代理有限公司 44102
• 代理人: 陳偉斌

1.一種基于自聯(lián)想神經(jīng)網(wǎng)絡(luò)的可見光MIMO通信系統(tǒng)顏色檢測方法，其特征在于：所述方法包括以下步驟：

S1：采集目標(biāo)區(qū)域的LED圖像數(shù)據(jù)集，將LED圖像數(shù)據(jù)集分為訓(xùn)練集、預(yù)測集；

S2：基于雙三次插值法實現(xiàn)對LED圖像的大小進行調(diào)整，將所有LED圖像的分辨率調(diào)整為相同的大小；

S3：在自聯(lián)想神經(jīng)網(wǎng)絡(luò)中間增加一個瓶頸層，并將自聯(lián)想神經(jīng)網(wǎng)絡(luò)與主成分分析PCA結(jié)合，構(gòu)建提取主成分的自聯(lián)想神經(jīng)網(wǎng)絡(luò)；

S4：在步驟S3的基礎(chǔ)上將自聯(lián)想神經(jīng)網(wǎng)絡(luò)的映射層、瓶頸層和逆映射層分解為多個并行連接的子網(wǎng)絡(luò)，完成構(gòu)建并行自聯(lián)想神經(jīng)網(wǎng)絡(luò)PAANN，實現(xiàn)并行自聯(lián)想神經(jīng)網(wǎng)絡(luò)的非線性主成分分析，；

S5：由于PAANN以神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為基礎(chǔ)，搜索并確定神經(jīng)網(wǎng)絡(luò)的系數(shù)，將LED圖像的訓(xùn)練集輸入步驟S4得到的PAANN中，利用反向傳播算法進行更新迭代訓(xùn)練PAANN，PAANN的輸入為失真的像素強度；

S6：將LED圖像測試集輸入步驟S5的得到的PAANN，完成顏色檢測。

2.根據(jù)權(quán)利要求1基于自聯(lián)想神經(jīng)網(wǎng)絡(luò)的可見光MIMO通信系統(tǒng)顏色檢測方法，其特征在于：步驟S3，所述將自聯(lián)想神經(jīng)網(wǎng)絡(luò)與主成分分析PCA結(jié)合，具體如下：

設(shè)X為一個n×m的矩陣，元素x_ij表示第i個觀察的第j個變量，線性PCA將X轉(zhuǎn)化為線性不相關(guān)的變量，轉(zhuǎn)化的方法為：

T＝XP (1)

式中T為主成分的得分矩陣，P為載荷矩陣；

利用非線性主成分分析將線性PCA的線性載荷向量替換為非線性函數(shù)，定義為下式：

式中G和H分別為映射函數(shù)和逆映射函數(shù)，為重建數(shù)據(jù)；

非線性主成分分析的目標(biāo)是尋找最小化重建誤差的函數(shù)G和函數(shù)H，采用自聯(lián)想神經(jīng)網(wǎng)絡(luò)可解決該問題，自聯(lián)想神經(jīng)網(wǎng)絡(luò)用前兩個變換逼近映射函數(shù)G，前兩個變換定義為：

y_m＝a(xW₁+b₁)，t＝y(tǒng)_mW₂+b₂ (3)

用最后兩個變換逼近逆映射函數(shù)H，最后兩個變換定義為：

式中，x為X的行向量，y_m為維度h的映射向量，t為維度f的主成分向量，y_d為維度h的逆映射向量，為重建數(shù)據(jù)；W和b分別為權(quán)重矩陣和偏差向量，a為非線性激活函數(shù)，所述的自聯(lián)想神經(jīng)網(wǎng)絡(luò)采用Leaky ReLU激活函數(shù)

對自聯(lián)想神經(jīng)網(wǎng)絡(luò)與PCA結(jié)合后的神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，最小化以下的重建誤差：

3.根據(jù)權(quán)利要求2所述的基于自聯(lián)想神經(jīng)網(wǎng)絡(luò)的可見光MIMO通信系統(tǒng)顏色檢測方法，其特征在于：步驟S4，所述將自聯(lián)想神經(jīng)網(wǎng)絡(luò)的映射層、瓶頸層和逆映射層分解為多個并行連接的子網(wǎng)絡(luò)，具體的：

網(wǎng)絡(luò)分解：

若自聯(lián)想神經(jīng)網(wǎng)絡(luò)為5層，假設(shè)共有兩個主成分，假設(shè)h為偶數(shù)，分解為2個相等的平行層，將(3)(4)式分解為以下的方程組：

[y_m,1y_m,2]＝a(x[W_1,1W_1,2]+[b_1,1b_1,2])

網(wǎng)絡(luò)解耦合：

將W_2,12,W_2,21,W_3,12和W_3,21的所有元素設(shè)為0，上述等式解耦為以下兩個方程組，表示PAANN的兩個子網(wǎng)絡(luò)：

[y_m,1]＝a(xW_1,1+b_1,1)，t₁＝y(tǒng)_m,1W_2,11+b_2,1

[y_m,2]＝a(xW_1,2+b_1,2),t₂＝y(tǒng)_m,2W_2,22+b_2,2

PAANN從分離的子網(wǎng)絡(luò)提取主成分，實現(xiàn)并行自聯(lián)想神經(jīng)網(wǎng)絡(luò)的非線性主成分分析。