[发明专利]基于混沌深度小波网络的数据分类方法

权利要求书

1.一种基于混沌深度小波网络的数据分类方法，其特征在于，包括有如下步骤：

步骤1输入待处理数据，根据该数据建立数据分类所用数据集，包括分别建立训练集U和测试集V；

步骤2构建混沌深度小波网络，设定该网络具有1个输入层和1个输出层，在输入层和输出层之间具有1个小波能量提取层和n个自编码特征抽象层，组成小波能量提取层的是小波元，组成自编码特征抽象层的是自编码元；

步骤3划分该网络的层次，对小波能量提取层和自编码特征抽象层的参数逐层进行分层主动学习，所用训练数据为训练集U中的样本；在逐层主动学习的过程中，用混沌模拟退火算法对网络的参数进行寻优：

3a设定混沌搜索步长C、混沌终止条件Cmin、退火的初始高温T、寻优迭代停止条件设为温度达到最小值Tmin，计算网络的当前能量；

3b设定网络评价标准，即损失函数，作为判定网络是否达到稳定的标志：

L=12||y-hw,b(x)||2]]>

其中，y为有标签数据的类别标签，h_w,b(x)为输入x经过网络后的输出，该式代表的是预测标签h_w,b(x)和类别标签y的差别；

3c判断当前温度T是否达到温度的最小值Tmin，若已达到，则退出循环，执行步骤4；若没有达到，则转入步骤3d；

3d前向运行当前网络，计算损失函数L，记为当前网络的能量E(j)；

3e按照以下条件为标准，判定当前网络的能量改变能否被接受：

若E(j)≤E(i),则接受该状态的改变，将当前的网络的参数记录，作为待应用网络；

若E(j)>E(i)，则状态改变以概率被接受，将当前的网络参数记录，作为待应用网络；

其中E(j)为当前状态网络的能量值，E(i)为前一状态网络的能量值，

K是波尔兹曼常数，T是当前网络的温度；

3f判断当前损失函数是否满足混沌终止条件Cmin，若满足，则将搜索步长更新为较小的步长；若不满足，则根据Logistic映射对搜索空间进行进一步的搜索；转入步骤3d进行迭代运算，直到网络稳定为止；

步骤4将分层主动学习获得的小波能量提取层和自编码特征抽象层的当前最优参数分别赋给混沌深度小波网络的各级对应层，得到初始混沌深度小波网络；

步骤5将训练集U中的样本输入到已得到的初始混沌深度小波网络，再次用混沌模拟退火算法对网络的参数进行学习和训练，得到一个用于分类的混沌深度小波网络；

步骤6将测试集V中的样本输入混沌深度小波网络，得到该测试集V中各样本的分类结果。

2.根据权利要求1所述的基于混沌深度小波网络的数据分类方法，其特征在于，其中步骤1所述的数据集，每个样本的输入向量是原始数据的基本特征构成的M*1维列向量，输出向量为该样本所属的类别标签；所有数据构成测试集V，随机选取有标签数据的3％做为训练集U。

3.根据权利要求1所述的基于混沌深度小波网络的数据分类方法，其特征在于，其中步骤2所述的构建混沌深度小波网络，输入层直接与小波能量提取层连接，通过小波能量提取层的作用得到输入数据在小波域的能量值f0；小波能量提取层直接与自编码特征抽象层的第一层相连，将f0输入到自编码特征抽象层的第一层，得到的是中级特征f1，自编码特征抽象层的2～n层得到的结果记为高级特征f2，f3，…，fn，其中fn记为网络中用于分类的终级特征；自编码特征抽象层的第n层直接与输出层相连，将fn输入到输出层的分类器，经过输出层得到对输入数据的分类结果。