为了提高多输入输出动态系统中的反馈神经网络信号处理速度,本发明专利技术提供了一种反馈神经网络的信号放大方法,包括:构造检测信号接收矩阵;对检测信号接收矩阵进行奇异值分解;根据奇异值分解结果构造反馈信号矩阵;利用反馈信号矩阵对接收矩阵信号进行反馈和放大。本发明专利技术根据反馈神经网络算法,利用待输入到多输入输出动态系统的输入信号的相位稳定性进行信号筛选,剔除掉不能体现出相位集中区域的信号,从而降低了多输入输出动态系统建模过程中运算的离散度,提高了建模的收敛速度。
【技术实现步骤摘要】
本专利技术涉及多输入输出动态系统信号处理
,更具体地,涉及一种反馈神经网络的信号放大方法。
技术介绍
神经网络是用机器模拟人脑智能活动的杰出代表。它巧妙地将生物神经网络的结构和工作方式角数学形式模拟出来,用于解决实际问题,已在众多领域获得成功应用。例如,根据疾病危险因素预测疾病发生风险,反馈神经网络在流行病学资料分析中占有相当比重。它属于非线性模拟系统,其特有的设计及工作原理使其对被分析的资料特性几乎没有任何要求,无论被研究资料是连续型还是离散型的,采用神经网络方法不必经过繁琐的变量特征分析过程即可直接使用并行处理的方式又使它对残缺资料以及干扰错误信号具有一定的处理能力神经网络还具有自动学习、识别变量间关系的能力,可以识别变量间的任何关系而不需要人脑的参与,其效果往往也优于传统分析方法。但是,传统的反馈神经网络算法在建模时收敛速度慢,限制了其在多输入输出动态系统中。
技术实现思路
为了提高多输入输出动态系统中的反馈神经网络信号处理速度,本专利技术通过借助于相位处理的方式使反馈神经网络的信号得以适当放大,提高了建模时的收敛速度。具体地,本专利技术提供了一种反馈神经网络的信号放大方法,包括:(1)构造检测信号接收矩阵;(2)对检测信号接收矩阵进行奇异值分解;(3)根据奇异值分解结果构造反馈信号矩阵;(4)利用反馈信号矩阵对接收矩阵信号进行反馈和放大。进一步地,所述步骤(1)包括:(11)接收多个待输入到多输入输出系统的待处理信号Si(t),i=1,2,…N,N为正整数;(12)计算各待处理信号Si(t)之间的对数比例,获得它们彼此之间的比例系数:K1:K2:K3:...:KN=|lg(||S1(t)||)|:|lg(||S2(t)||)|:|lg(||S3(t)||)|:...:|lg(||SN(t)||)|(13)构造检测信号接收矩阵A:A=K1K1×K2......KN-1×KNK2×K1K2....................................KN-2×KN-1KN×K1KN×K2......KN.]]>进一步地,所述步骤(2)包括:对检测信号接收矩阵进行奇异值分解:A=UDVH,其中U为A的行奇异向量,D为A的对角阵,VH为A的列奇异向量。进一步地,所述步骤(3)包括:(31)获得各待处理信号Si(t)的相位信息矩阵P:其中Pi为与之对应的待处理信号Si(t)的相位
信息,i=1,2,…N,N为正整数;(32)对检测信号接收矩阵进行奇异值分解,获得其广义逆矩阵A′:(33)计算广义逆矩阵A′的秩α;(34)对相位信息矩阵P进行筛选:去掉相位信息矩阵P中Pi小于预设阈值的值,得到矩阵P^;(35)计算相位信息矩阵P^的秩β;(36)计算各待处理信号Si(t)的相位信息的比例:L1:L2:L3:...:LN=||P1||:||P2||:||P3||:...:||PN||;(37)构造相位信息归一化对角矩阵I:其中ci表示相位信息矩阵P中Pi小于预设阈值的值的情况,且当相位信息矩阵P中Pi小于预设阈值的值时,ci=0,否则ci=||D||;(38)确定矩阵I的重特征值T,进而计算Li与T之间的标准差Gi并以此标准差构造反馈比例矩阵G;(39)构造反馈信号矩阵F:F=lg(α×β||A||2)×(A′·G).]]>进一步地,所述步骤(4)包括:(41)根据反馈信号矩阵对接收矩阵信号进行反馈,得到待放大矩阵E:E=A-F(42)确定信号放大比例m;(43)对待放大矩阵E进行放大,得到供输入给多输入输出动态系统的经过放大的信号矩阵R':R'=m×E;(44)对矩阵R'进行反对数运算,得到供输入给多输入输出动态系统的信号矩阵Ri(t)。进一步地,所述lg处理函数可以替换为ln处理函数,且反对数运算相应地替换为幂指数函数的反对数计算。进一步地,所述幂指数函数的反对数计算采用ex形式的函数进行。本专利技术的有益效果是:根据反馈神经网络算法,利用待输入到多输入输出动态系统的输入信号的相位稳定性进行信号筛选,剔除掉不能体现出相位集中区域的信号,从而降低了多输入输出动态系统建模过程中运算的离散度,提高了建模的收敛速度。附图说明图1示出了根据本专利技术的反馈神经网络的信号放大方法的流程框图。具体实施方式如图1所示,根据本专利技术的优选实施例,本专利技术提供了一种反馈神经网络的信号放大方法,包括:(1)构造检测信号接收矩阵;(2)对检测信号接收矩阵进行奇异值分解;(3)根据奇异值分解结果构造反馈信号矩阵;(4)利用反馈信号矩阵对接收矩阵信号进行反馈和放大。优选地,所述步骤(1)包括:(11)接收多个待输入到多输入输出系统的待处理信号Si(t),i=1,2,…N,N为正整数;(12)计算各待处理信号Si(t)之间的对数比例,获得它们彼此之间的比例系数:K1:K2:K3:...:KN=|lg(||S1(t)||)|:|lg(||S2(t)||)|:|lg(||S3(t)||)|:...:|lg(||SN(t)||)|(13)构造检测信号接收矩阵A:A=K1K1×K2......KN-1×KNK2×K1K2....................................KN-2×KN-1KN×K1KN×K2......KN.]]>优选地,所述步骤(2)包括:对检测信号接收矩阵进行奇异值分解:A=UDVH,其中U为A的行奇异向量,D为A的对角阵,VH为A的列奇异向量。优选地,所述步骤(3)包括:(31)获得各待处理信号Si(t)的相位信息矩阵P:其中Pi为与之对应的待处理信号Si(t)的相位信息,i=1,2,…N,N为正整数;(32)对检测信号接收矩阵进行奇异值分解,获得其广义逆矩阵A′:(33)计算广义逆矩阵A′的秩α;(34)对相位信息矩阵P进行筛选:去掉相位信息矩阵P中Pi小于预设阈值的值,得到矩阵P^;(35)计算相位信息矩阵P^的秩β;(36)计算各待处理信号Si(t)的相位信息的比例:L1:L2:L3:...:LN=||P1||:||P2||:||P3||:...:||PN||;(37)构造相位信息归一化对角矩阵I:其中ci表示相位信息矩阵P中Pi小于预设阈值的值的情况,且当相位信息矩阵P中Pi小于预设阈值的值时,ci=0,否则ci=||D||;(38)确定矩阵I的重特征值T,进而计算Li与T之间的标准差Gi并以此标准差构造反馈比例矩阵G;(39)构造反馈信号矩阵F:F=lg(α×β||A||2)×(A′·G).]]>优选地,所述步骤(4)包括:(41)根据反馈信号矩阵对接收矩阵信号进行反馈,得到待放大矩阵E:E=A-F(42)确定信号放大比例m;(43)对待放大矩阵E进行放大,得到供输入给多输入输出动态系统的经过
放大的信号矩阵R':R'=m×E;(44)对矩阵R'进行反对数运算,得到供输本文档来自技高网...
【技术保护点】
一种反馈神经网络的信号放大方法,包括:(1)构造检测信号接收矩阵;(2)对检测信号接收矩阵进行奇异值分解;(3)根据奇异值分解结果构造反馈信号矩阵;(4)利用反馈信号矩阵对接收矩阵信号进行反馈和放大。
【技术特征摘要】
1.一种反馈神经网络的信号放大方法,包括:(1)构造检测信号接收矩阵;(2)对检测信号接收矩阵进行奇异值分解;(3)根据奇异值分解结果构造反馈信号矩阵;(4)利用反馈信号矩阵对接收矩阵信号进行反馈和放大。2.根据权利要求1所述的反馈神经网络的信号放大方法,其特征在于,所述步骤(1)包括:(11)接收多个待输入到多输入输出系统的待处理信号Si(t),i=1,2,…N,N为正整数;(12)计算各待处理信号Si(t)之间的对数比例,获得它们彼此之间的比例系数:K1:K2:K3:...:KN=|lg(||S1(t)||)|:|lg(||S2(t)||)|:|lg(||S3(t)||)|:...:|lg(||SN(t)||)|(13)构造检测信号接收矩阵A:A=K1K1×K2......KN-1×KNK2×K1K2....................................KN-2×KN-1KN×K1KN×K2......KN.]]>3.根据权利要求2所述的反馈神经网络的信号放大方法,其特征在于,所述步骤(2)包括:对检测信号接收矩阵进行奇异值分解:A=UDVH,其中U为A的行奇异向量,D为A的对角阵,VH为A的列奇异向量。4.根据权利要求3所述的反馈神经网络的信号放大方法,其特征在于,所述步骤(3)包括:(31)获得各待处理信号Si(t)的相位信息矩阵P:其中Pi为与之对应的待处理信号Si(t)的相位信息,i=1,2,…N,N为正整数;(32)对检测信号接收矩阵进行奇异值分解,获得其广义逆矩阵A′:(33)计算广义逆矩...
【专利技术属性】
技术研发人员:周琳,陈林瑞,
申请(专利权)人:四川东鼎里智信息技术有限责任公司,
类型:发明
国别省市:四川;51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。