[发明专利]反馈神经网络的信号放大方法

说明书

技术领域

本发明涉及多输入输出动态系统信号处理技术领域，更具体地，涉及一种反馈神经网络的信号放大方法。

背景技术

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。

发明内容

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，本发明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S_i(t)，i＝1，2，…N，N为正整数；

(12)计算各待处理信号S_i(t)之间的对数比例，获得它们彼此之间的比例系数：

K₁:K₂:K₃:...:K_N＝|lg(||S₁(t)||)|:|lg(||S₂(t)||)|:|lg(||S₃(t)||)|:...:|lg(||S_N(t)||)|

(13)构造检测信号接收矩阵A：

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＝UDV^H，其中U为A的行奇异向量，D为A的对角阵，V^H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S_i(t)的相位信息矩阵P：

其中P_i为与之对应的待处理信号S_i(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P_i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S_i(t)的相位信息的比例：

L₁:L₂:L₃:...:L_N＝||P₁||:||P₂||:||P₃||:...:||P_N||；

(37)构造相位信息归一化对角矩阵I：

其中c_i表示相位信息矩阵P中P_i小于预设阈值的值的情况，且当相位信息矩阵P中P_i小于预设阈值的值时，c_i＝0，否则c_i＝||D||；

(38)确定矩阵I的重特征值T，进而计算L_i与T之间的标准差G_i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：

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