[發明專利]一種基于徑向基函數神經網絡的非視距誤差抑制方法

有效

• 申請號: 202010216383.1
• 申請日: 2020-03-25
• 公開（公告）號: CN111432364B
• 公開（公告）日: 2021-05-11
• 發明（設計）人: 王慧強;高凱旋;呂宏武;馮光升;郭方方;楊帥征
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: H04W4/33
• 分類號: H04W4/33;H04W4/02;G06N3/00;H04W64/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于徑向基函數神經網絡的非視距誤差抑制方法，其特征在于：步驟如下：

步驟1：將原始多徑TOA樣本數據進行標準化分類預處理，得到標準化分類的多徑TOA樣本數據；

步驟2：建立徑向基函數神經網絡，使用量子人工蜂群對徑向基函數神經網絡進行優化，該徑向基函數神經網絡由隱層和輸出層組成；

步驟3：由所述步驟1中的標準化分類的多徑TOA樣本數據訓練徑向基函數神經網絡；

(3.1)確定步驟3中所述的徑向基函數神經網絡的隱層節點的中心向量的數量N_vector；

(3.2)使用量子人工蜂群算法選擇所述步驟3.1中的N_vector個中心向量；

(3.3)由所述步驟3.2中的中心向量，計算隱層節點的標準化常數σ；

(3.4)采用最小二乘法，計算徑向基函數神經網絡中的隱層節點至輸出層節點的連接權重為：

其中：w_ki為連接權重，k為輸出層節點標識符，i為中心向量標識符，u_i(x)為高斯函數，η為學習速率，u為u_i(x)的向量，t_k表示第k個輸出層節點的期望值，y_k表示第k個輸出層節點的實際值；

步驟4：使用所述步驟3中的徑向基函數神經網絡識別并剔除未知多徑TOA數據中的非視距誤差。

2.根據權利要求1所述的一種基于徑向基函數神經網絡的非視距誤差抑制方法，其特征在于：步驟1中的將原始多徑TOA樣本數據進行標準化分類預處理的方法，具體包括：

(1.1)讀取所述步驟1中的原始多徑TOA樣本數據；

(1.2)將所述步驟1.1中讀取的樣本數據，按誤差值是否大于門限制th分成兩類；

(1.3)將所述步驟1.2中的兩類樣本數據的數據量統一，其方法是：當第一類樣本數據數據量大于第二類樣本數據數據量時，在第一類樣本數據中隨機抽取n₂個個體，將其余個體丟棄，其中n₂為第二類樣本數據數據量；當第一類樣本數據數據量小于第二類樣本數據數據量時，在第二類樣本數據中隨機抽取n₁個個體，將其余個體丟棄，其中n₁為第一類樣本數據數據量；

(1.4)將所述步驟1.3中的兩類樣本數據歸一化處理，得到歸一化之后的樣本數據個體：

其中：x_in為未經歸一化處理的樣本數據個體；X為樣本數據全體；min(X)為X的函數，作用為取得樣本全體X中的最小個體；max(X)為X的函數，作用為取得樣本全體X中的最大個體；x_out為歸一化后的樣本數據個體；

(1.5)將所述步驟1.4中的兩類樣本數據綁定二進制標簽信息。

3.根據權利要求2所述的一種基于徑向基函數神經網絡的非視距誤差抑制方法，其特征在于：步驟3.2中的使用量子人工蜂群算法選擇所述步驟3.1中的N_vector個中心向量的方法，具體還包括以下步驟：

(3.2.1)初始化量子種群以及蜂群參數；

(3.2.2)計算初始量子編碼的蜜源，蜜源即所述步驟3.2中的中心向量的一組解；

(3.2.3)引領蜂搜索并更新量子編碼的蜜源，即搜索并更新所述步驟3.2中的中心向量的一組解，并計算其適應度；并計算其適應度；

其中，i為蜜源標識符，fit_i為標識符為i的蜜源的適應度，function_i為標識符為i的蜜源的目標函數；

(3.2.4)跟隨蜂根據所述步驟3.2.3中的引領蜂搜索到的蜜源信息，更新量子編碼的蜜源，即所述步驟3.2中的中心向量的一組解；

(3.2.5)偵查蜂利用量子邏輯門更新轉移矩陣，搜索并更新量子編碼的蜜源，即更新所述步驟3.2中的中心向量的一組解，并計算其適應度；

(3.2.6)記錄目前最佳的中心向量的解的信息及其適應度；

(3.2.7)若已經達到最大迭代次數，則輸出當前記錄的最佳的中心向量的解；否則，重復步驟3.2.3至步驟3.2.7。