CN115049006B 基于自适应前馈神经网络的通信信号识别方法和系统 （四川九洲电器集团有限责任公司）

高卫峰白利霞谢晋所有限公司11386GO6F18/214(2023.0(56)对比文件extremelearningmachineaensembleclassifieroffeedforwardnetworks.《ExpertSystemsWithApplications》.2024,1-15.张楚.抽水蓄能机组调节系统非线性辨识与优化控制研究.《中国博士学位论文全文数据库工程科技Ⅱ辑》.2019,(第5期),第5章.类.《计算机工程与应用》.2017,第53卷(第8期),第2.1节.基于自适应前馈神经网络的通信信号识别果。实现了准确的信号识别。(57)摘要本发明涉及一种基于自适应前馈神经网络网络随机生成二进制类型的各隐层神经元激活状态、实数类型的各隐层输入权值和隐层偏置，为父代种群；以均方根误差和网络复杂度作为目根误差从帕累托最优种群中获取多个网络个体传入基分类器中集成学习，对输出的结果加权求2基于单隐层前馈神经网络，随机生成二进制类型的各隐层神经元激活状态、实数类型以初始的多个网络个体作为父代种群，以均方根误差和网络复杂度作为目标函数，基根据均方根误差，从帕累托最优种群中获取多个网络个体作所述单隐层前馈神经网络的隐层神经元数量K最大为2N+1,其中N的各隐层输入权值和隐层偏置的范围为[-1,1]。第i个网络个体的第j个隐层神经元激活状态，表示第i个网络个体度作为待优化的两个互相冲突的目标，其中网络复杂度通过网络中S121:对当前迭代的种群P₆进行二进制和实数的混合交叉和混合变异，生成子代种群S122:合成新种群R₆=P₆UQc,将预处理后的信号样本3目标函数值向量；S123:对种群R进行非支配排序，基于参考点的选择机制，根据每个网络个体的目标函S124:判断循环是否达到最大迭代次数，如果未达到，则返回S121,将种群PG+1作为新的7.根据权利要求6所述的基于自适应前馈神经网络的通信信号识别方法，其特征在于，所述二进制和实数的混合交叉包括：用于K维二进制向量的二进制交叉，以及，用于(N+1)×K维实数向量的实数交叉；通过下式进行所述二进制交叉：通过下式进行所述实数交叉：其中，α;∈{0,1}是一个随机选择的二进制参数；β是一个连续参数，在[0,1]中随机选择；D是网络个体混合编码的总长度，D=(N+2)×K;xp,和x,;分别是当前迭代种群P₆中的第p个和第q个网络个体中第j个编码值，yp,和y。分别是生成的子代种群Q₆中的第p个和第q个网络个体中第j个编码值。8.根据权利要求6所述的基于自适应前馈神经网络的通信信号识别方法，其特征在于，所述二进制和实数的混合变异包括：反转随机分配的二进制变异，以及，增加正态分布随机数的实数变异；通过下式进行所述二进制变异：通过下式进行所述实数变异：其中，rand(0,1)是(0,1)中的一个随机数，μ是预置的控制参数，N(0,σ)表示一个均值为0且方差为o的正态分布随机数，xt,;是当前迭代种群P₆中的第t个网络个体中第j个编码值，yt,是生成的子代种群Q₆中的第t个网络个体中第j个编码值。9.一种基于自适应前馈神经网络的通信信号识别系统，其特征在于，包括：信号预处理模块，用于对历史通信信号进行预处理，得到信号样本集，以及对实时采集的通信信号进行预处理；所述信号样本集是对历史通信信号预处理后的集合，包括：通过宽带信号采集器，采集来源于多种目标的通信信号；对采集的通信信号通过聚类分析得到所关注的频点；根据所关注的频点提取对应的通信信号的时域和频域的特征，其中，时域特征矩和频率对称度；4网络初始化模块，用于基于单隐层前馈神经网络，随机生成二进制类型的各隐层神经元激活状态、实数类型的各隐层输入权值和隐层偏置，通过混合编码形式组成初始的多个网络个体；网络优化模块，用于以初始的多个网络个体作为父代种群，以均方根误差和网络复杂度作为目标函数，基于数据预处理模块输出的信号样本集，采用改进的NSGA-III算法进行信号识别模块，用于根据均方根误差，从优化网络模块中得到的帕累托最优种群中获取多个网络个体作为基分类器，将数据预处理模块输出的实时采集的通信信号传入基分类器中进行集成学习，对输出的结果加权求和后，取最大值对应的类别作为通信信号识别结果；所述根据均方根误差，从优化网络模块中得到的帕累托最优种群中获取多个网络个体作为基分类器，是按照均方根误差由小到大排序，根据数量阈值，选择前几个网络个体作为基分类器，并分别设置由大到小的权值，用于对输出结果的加权求和中。5技术领域[0001]本发明涉及信号识别技术领域，尤其涉及一种基于自适应前馈神经网络的通信信号识别方法和系统。背景技术[0002]数据分类和识别是机器学习中的一项重要任务，通常需要处理生物信息、多媒体、统计学等领域的数据集。在信号识别领域，通过对信号特征的提取和分析，逐步识别出发射信号的目标类别，以及具体的目标个体。[0003]现有机器学习中多采用神经网络相关算法，但同时寻找连接权值和隐层神经元数量的最优值是困难的，使得想要使用神经网络来解决实际问题时，存在搭建基本模型的困难；使用基于梯度的方法训练前馈神经网络，可能陷入局部最小值，收敛缓慢和依赖于初始解，造成使用该神经网络模型求解实际问题时误差较大。[0004]极限学习机(ELM)是一种常用的训练前馈神经网络SLFN的机器学习方法，应用于逆计算输出权值，并使用无调参的参数学习方法来提高训练速度。然而，随机分配的网络参数可能会导致网络性能的不稳定。[0005]同时，当信号样本的目标类别不平衡，或者样本数据量小时，容易导致分类器准确性的评估变得没有意义，无法识别出信号发射目标的正确类别，在识别时单目标优化在一次运行中只确定一个最优解，要得到多个解需要重新求解。发明内容[0006]鉴于上述的分析，本发明实施例旨在提供一种基于自适应前馈神经网络的通信信号识别方法和系统，用以解决现有小样本信号识别不准确和模型参数调整困难的问题。[0007]一方面，本发明实施例提供了一种基于自适应前馈神经网络的通信信号识别方[0008]基于单隐层前馈神经网络，随机生成二进制类型的各隐层神经元激活状态、实数类型的各隐层输入权值和隐层偏置，通过混合编码形式组成初始的多个网络个体；[0009]以初始的多个网络个体作为父代种群，以均方根误差和网络复杂度作为目标函数，基于预处理后的信号样本集，采用改进的NSGA-III算法进行多目标优化，得到帕累托最优种群；[0010]根据均方根误差，从帕累托最优种群中获取多个网络个体作为基分类器，对实时采集的通信信号预处理后传入基分类器中进行集成学习，对输出的结果加权求和后，取最大值对应的类别作为通信信号识别结果。[0011]基于上述方法的进一步改进，单隐层前馈神经网络的隐层神经元数量K最大为2N+1,其中N表示输入神经元的数量。[0012]基于上述方法的进一步改进，二进制类型的各隐层神经元激活状态包括：当该隐6小的均方根误差和最小的网络复杂度作为待优化的[0018]S121:对当前迭代的种群P₆进行二进制和实数的混合交叉和混合变异，生成子代[0019]S122:合成新种群R₆=PGUQG,将预处理后的信号样本集传入种群R₆中每个网络个第q个网络个体中第j个编码值。7[0029]通过下式进行二进制变异：[0031]通过下式进行实数变异：[0034]表示一个均值为0且方差为o的正态分布随机数，xt,;是当前迭代种群P₆中的第t个网络个体中第j个编码值，yt,;是生成的子代种群Q₆中的第t个网络个体中第j个编码值。[0035]基于上述方法的进一步改进，根据均方根误差，从帕累托最优种群中获取多个网络个体作为基分类器，是按照均方根误差由小到大排序，根据数量阈值，选择前几个网络个体作为基分类器，并分别设置由大到小的权值，用于对输出结果的加权求和中。[0036]另一方面，本发明实施例提供了一种基于自适应前馈神经网络的通信信号识别系[0037]信号预处理模块，用于对历史通信信号进行预处理，得到信号样本集，以及对实时采集的通信信号进行预处理；[0038]网络初始化模块，用于基于单隐层前馈神经网络，随机生成二进制类型的各隐层神经元激活状态、实数类型的各隐层输入权值和隐层偏置，通过混合编码形式组成初始的多个网络个体；[0039]网络优化模块，用于以初始的多个网络个体作为父代种群，以均方根误差和网络复杂度作为目标函数，基于数据预处理模块输出的信号样本集，采用改进的NSGA-III算法进行多目标优化，得到帕累托最优种群；[0040]信号识别模块，用于根据均方根误差，从优化网络模块中得到的帕累托最优种群中获取多个网络个体作为基分类器，将数据预处理模块输出的实时采集的通信信号传入基分类器中进行集成学习，对输出的结果加权求和后，取最大值对应的类别作为通信信号识别结果。[0041]与现有技术相比，本发明至少可实现如下有益效果之一：[0042]1、在单隐层前馈神经网络学习中同时考虑训练误差和网络复杂度这两个存在矛盾的因素，建立了一个多目标学习模型，并提出了一种与极限学习机集成的混合编码多目标学习方法，提升了通信信号识别网络的泛化能力和学习速度；[0043]2、改进了非支配排序遗传方法III(NSGA-III),用于处理具有混合变量的多目标模型，使其适用于连续和离散的决策变量，其中二进制编码用于结构学习，实数编码用于优化输入权值和隐层偏置，通过求解帕累托最优解，直接得到训练好的网络模型，克服了模型构建的困难，达到了训练误差和网络复杂度之间的平衡；[0044]3、从帕累托最优解中选取多个网络进行集成学习，提高了通信信号样本数量小或样本类别不平衡时的识别准确性。[0045]本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而8附图说明[0049]图3为本发明实施例1中信号样本集的使用流程图；下生成的帕累托前沿图。g(x)采用sigmoid函数，@是连接输入神经元和隐神经元的输入权值，b是成。示为：9[0074]S121:对当前迭代的种群P₆进行二进制和实数的混合交叉和混合变异，生成子代二进制向量的二进制交叉，以及，用于(N+1)×K维实数向量的实数交叉。[0079]通过下式进行实数交叉：[0081]其中，aα₃∈{0,1}是一个随机选择的二进制参数；β,是一个连续参数，在[0,1]中随的第p个和第q个网络个体中第j个编码值，yp,和y。分别是生成的子代种群Q₆中的第p个和第q个网络个体中第j个编码值。[0082]二进制和实数的混合变异包括：反转随机分配的二进制变异，以及，增加正态分布随机数的实数变异；[0083]通过下式进行二进制变异：[0085]通过下式进行实数变异：均值为0且方差为o的正态分布随机数，xt,;是当前迭代种群P₆中的第t个网络个体中第j个编码值，yt,;是生成的子代种群Q₆中的第t个网络个体中第j个编码值。[0088]优选地，μ=0.02,σ=0.2。[0089]种群规模是N,在每次循环中，混合交叉执行Nn×P次，混合变异执行No×P次，其中P为交叉概率，0.7≤P≤0.9,P为变异概率，0.1≤P≤0.3,生成N个网络个体作为子代种群Q[0090]S122:合成新种群R₆=P₆UQ₆,将预处理后的信号样本集传入种群R₆中每个网络个体中，通过极限学习机计算出对应的输出权值后，计算出每个网络个体的两个目标函数值，得到目标函数值向量；[0091]需要说明的是，将当前迭代的种群P₆和子代种群Q₆合并得到新种群R₆,其中网络个体数量为2No。[0092]信号样本集是对历史通信信号预处理后的集合，包括训练集和测试集。运输机、加油机和直升机；对采集的通信信号通过聚类分析，得到所关注的频点；再通过傅[0094]将每条通信信号数据的每个特征采用下式归一化到[-1,1]区间：Cb,ma为特征c待归一化的值中的最小值和最大值。[0097]优选地，采用分层10折交叉验证(10-CV)技术，将预处理后的信号样本集按目标类别比平均划分为10份，选取其中的9份作为训练集，其余的作为测试集。[0098]如图3所示，基于训练集，根据各隐层输入权值和隐层偏置，在极限学习机中使用广义逆(M-P,Moore-Penrose),通过求解线性系统的最小二乘解计算出每个网络个体对应的输出权值。[0099]与现有技术相比，本实施例中输入权值和隐藏偏置只有第一次迭代时是随机生成的值，在后续迭代中，都是根据改进的NSGA-III算法筛选得到的值，在使用极限学习机时，极大地提高了网络的稳定性，减少了网络误差。[0100]根据输出权值，得到训练数据在每个网络个体中对应的网络输出值，代入式(3)得到每个网络个体的第一目标函数值；根据每个网络个体混合编码中的二进制编码，代入式(4)得到每个网络个体的第二目标函数值。由第一目标函数值和第二目标函数值形成每个网络个体的目标函数值向量。[0101]S123:对种群R₆进行非支配排序，基于参考点的选择机制，根据每个网络个体的目[0103]①对种群R₆进行非支配排序，得到多个不同优先级的非支配层集合(F₁,F₂,F₃,...),每个非支配层包含多个网络个体；[0104]②构建一个新种群S,从优先级最高的非支配层开始，依次加入到新种群S₆中，直到首次出现S₆中网络个体的数量大于或等于Npop,此时最后加入的非支配层记为F₁,S₆=U=F₁;[0105]③如果新种群S₆中网络个体的数量等于NF₃,..F₁-1)放入种群Pc+1中，然后再从F₁中基于参考点的选择机制选取其余数量的网络个体[0109]根据新种群S₆中的所有网络个体在每一维目标上的最小目标函数值，构成新种群Sg的理想点，根据理想点标准化S₆中各网络个体的目标函数值向量；计算每个网络个体到每条参考线的垂直距离，根据最短距离，确定每个网络个体所关联的参考点，同时也获取到每个参考点所关联的网络个体的数量，即每个参考点的小生镜数。实时采集的通信信号预处理后传入基分类器中进行集成学习，对输出的结果加权求和后，在单隐层前馈神经网络学习中同时考虑训练误差和网络复杂度这两个存在矛盾的因素，建立了一个多目标学习模型，并提出了一种与极限学习机集成的混合编码多目标学习方法，提升了通信信号识别网络的泛化能力和学习速度；改进了非支配排序遗传方法III(NSGA-III),用于处理具有混合变量的多目标模型，使其适用于连续和离散的决策变量，其中二进制编码用于结构学习，实数编码用于优化输入输入权值和隐层偏置，通过求解帕累托最优解，直接得到训练好的网络模型，克服了模型构建的困难，达到了训练误差和网络复杂度之间的平衡；从帕累托最优解中选取多个网络进行集成学习，提高了信号样本数量小或样本类别不平衡时的识别准确性。[0125]实施例2[0126]本发明的另一个实施例，公开了一种基于自适应前馈神经网络的通信信号识别系统，从而实现实施例1中信号识别方法。各模块的具体实现方式参照实施例1中的相应描述。包括：[0127]信号预处理模块，用于对历史通信信号进行预处理，得到信号样本集，以及对实时采集的通信信号进行预处理；[0128]网络初始化模块，用于基于单隐层前馈神经网络，随机生成二进制类型的各隐层神经元激活状态、实数类型的各隐层输入权值和隐层偏置，通过混合编码形式组成初始的多个网络个体；[0129]网络优化模块，用于以初始的多个网络个体作为父代种群，以均方根误差和网络复杂度作为目标函数，基于数据预处理模块输出的信号样本集，采用改进的NSGA-III算法进行多目标优化，得到帕累托最优种群；[0130]信号识别模块，用于根据均方根误差，从优化网络模块中得到的帕累托最优种群中获取多个网络个体作为基分类器，将数据预处理