[發(fā)明專利]一種基于ADLASSO-SEMPSO-RBF的分布式光纖信號(hào)聽(tīng)覺(jué)信息解耦方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010976279.2
• 申請(qǐng)日: 2020-09-16
• 公開(kāi)（公告）號(hào): CN112052629A
• 公開(kāi)（公告）日: 2020-12-08
• 發(fā)明（設(shè)計(jì)）人: 王松;胡燕祝;康慧兵
• 申請(qǐng)（專利權(quán)）人: 北京郵電大學(xué)
• 主分類號(hào): G06F30/27
• 分類號(hào): G06F30/27;G06N3/04;G06N3/08;G06F119/08;G06F119/14;G06F111/06
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

1.本發(fā)明涉及一種基于ADLASSO-SEMPSO-RBF的分布式光纖信號(hào)聽(tīng)覺(jué)信息解耦方法，其特征在于：確定了布里淵頻移隨溫度和應(yīng)變變化的關(guān)系，確定了Lasso回歸損失函數(shù)，確定了MPSO優(yōu)化模型的慣性權(quán)重，確定了MPSO模型的學(xué)習(xí)因子，確定了MPSO中損失函數(shù)的迭代更新公式，確定了RBF神經(jīng)網(wǎng)絡(luò)隱藏層的輸出，確定了隱藏層到輸出層的權(quán)重矩陣變化量，確定了RBF神經(jīng)網(wǎng)絡(luò)的輸出，具體包括以下八個(gè)步驟；

步驟一：確定布里淵頻移隨溫度和應(yīng)變變化的關(guān)系v_B(ε,T)；

式中，v_B表示布里淵頻移，ε表示應(yīng)變，T表示溫度，k表示泊松比，E表示楊氏模量，ρ表示光纖介質(zhì)的密度，n表示光纖折射率，λ₀表示泵浦光的波長(zhǎng)；

步驟二：確定Lasso回歸損失函數(shù)L(C)；

保持應(yīng)變?chǔ)牛?不變時(shí)，布里淵頻移和溫度關(guān)系為；

保持溫度T＝T₀不變時(shí)，布里淵頻移和應(yīng)變的關(guān)系為；

對(duì)上述式子進(jìn)行級(jí)數(shù)展開(kāi)，分析可知布里淵頻移與溫度和應(yīng)變的變化關(guān)系可表示為；

Δv_B＝C_v,TΔT+C_v,εΔε；

從而確定損失函數(shù)L(C)；

式中，n表示樣本點(diǎn)數(shù)，α表示常數(shù)系數(shù)，|C||₁表示L₁范數(shù)，Δv_B⁽ⁱ⁾表示第i個(gè)布里淵平移變化量，在ADLasso模型中，將各個(gè)變量采用不同的懲罰項(xiàng)，不重要的變量采用較大的權(quán)重懲罰，重要的變量采用較小的權(quán)重懲罰，達(dá)到保留重要的信息，剔除不重要的信息或者干擾信息的效果，提高實(shí)現(xiàn)目標(biāo)的準(zhǔn)確性；

步驟三：確定MPSO優(yōu)化模型的慣性權(quán)重w；

式中，w表示慣性權(quán)重，w_min表示最小慣性權(quán)重值，w_max表示最大慣性權(quán)重值，k表示當(dāng)前迭代次數(shù)，A表示最大迭代次數(shù)，f_i為種群中第i個(gè)粒子的適應(yīng)度，f_avg為種群中所有粒子適應(yīng)度的平均值；

步驟四：確定MPSO模型的學(xué)習(xí)因子c₁、c₂；

式中，c₁、c₂表示學(xué)習(xí)因子，c_1s、c_2s表示學(xué)習(xí)因子初值，c_1e、c_2e表示學(xué)習(xí)因子終值；

步驟五：確定MPSO中損失函數(shù)L(C)的迭代更新公式；

式中，表示Lasso模型中速度為vi的第t+1迭代的溫度系數(shù)C_v,T和應(yīng)變系數(shù)C_v,ε，p_id表示粒子i的最優(yōu)位置，p_gd表示粒子種群最優(yōu)位置，表示粒子i第t迭代的位置，d表示搜索空間維數(shù)，t表示迭代次數(shù)，w表示慣性權(quán)重，c₁表示自身學(xué)習(xí)因子，c₂表示社會(huì)學(xué)習(xí)因子，r₁、r₂表示[0，1]上的隨機(jī)數(shù)，以上，完成BOTDR中溫度應(yīng)變測(cè)量過(guò)程中的熱力耦合問(wèn)題，由于熱力耦合對(duì)分布式光纖信號(hào)的振動(dòng)影響無(wú)法確定，所以構(gòu)建RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行無(wú)限逼近；

步驟六：確定RBF神經(jīng)網(wǎng)絡(luò)隱藏層的輸出

式中，表示高斯基函數(shù)的樣本數(shù)據(jù)中心，σ表示高斯基函數(shù)的樣本方差，表示樣本數(shù)據(jù)距離數(shù)據(jù)中心的距離；

步驟七：確定隱藏層到輸出層的權(quán)重矩陣變化量Δν_jk；

式中，Δν_jk權(quán)重矩陣變化量，η表示學(xué)習(xí)速度，W表示隱藏層到輸出層的權(quán)重矩陣，Φ表示隱藏節(jié)點(diǎn)的向量，l_max表示距離數(shù)據(jù)中心最大的距離；

步驟八：確定RBF神經(jīng)網(wǎng)絡(luò)的輸出V；

式中，ν_jk表示隱藏層到輸出層的連接權(quán)重，j表示第j個(gè)隱藏節(jié)點(diǎn)，J表示隱藏節(jié)點(diǎn)總數(shù)。