[发明专利]混沌背景中基于改进教学优化算法的检测回声状态网络微弱信号的方法

说明书

技术领域

一种检测方法，特别是检测回声状态网络微弱信号的方法。

背景技术

混沌现象是由非线性确定系统产生的一种不规则运动,广泛存在于气象、水文、通信及经济等众多领域。混沌具有内随机性、整体稳定局部不稳定、短期可预测而长期不可预测性等特征。近年来,随着混沌理论研究的不断深入及其在信号处理、自动控制、电力及金融短期预测等领域中的广泛应用,混沌时间序列的建模和预测已成为混沌领域的一个非常重要的研究方向。

随着人工智能方法的出现，越来越多的研究者将其应用到时间序列预测中。在众多的人工智能方法中，神经网络因其具有较强的非线性映射逼近能力等优势而其备受研究者的青睐。回声状态网络(ESN)是一种新型递归神经网络，它将隐含层中的神经元随机布置稀疏连接，初始化后不再受训练的影响，始终固定不变，这种结构成为储备池。由于储备池中的状态变量与目标输出是线性关系，且输出权值是唯一需要调整的部分，使得训练过程比较简单，大大降低了训练的计算，算法本身属于凸优化，避免了陷入局部极小值的问题，且ESN具有很强的记忆能力，使得预测精度得到保证。然而，回声状态网络模型参数选取大多采用不断尝试的方法或根据人为经验来设置参数，不能考虑到数据的独特性，容易受主观因素的影响，大大的降低了工作效率，严重影响了回声状态网络在实际预测中的应用。市场需要一种能够克服回声状态网络模型参数选取困难的缺点的检测方法。

发明内容

为解决现有技术的不足，本发明的目的在于提供一种混沌背景中基于改进教学优化算法的检测回声状态网络微弱信号的方法，本方法利用改进优化教学算法(ITLBO)来优化回声状态网络模型参数的方法，从而检测出混沌背景中微弱信号，克服了回声状态网络模型参数选取困难的缺点，提高了工作效率。

为了实现上述目标，本发明采用如下的技术方案：

混沌背景中基于改进教学优化算法的检测回声状态网络微弱信号的方法，包括如下步骤：

步骤一，确定优化参数的个数，先确定储备池规模N和稀疏度SD的值，设置回声状态网络初始化参数；设教学次数g＝0，最大教学次数为G；

步骤二，在设定的参数范围内进行实数编码，产生M个种群；

步骤三，将混沌时间序列的重构延迟坐标向量作为回声状态网络模型的输入，利用相应参数对回声状态网络进行训练与预测；

步骤四，计算每个回声状态网络个体的适应度值；

步骤五，种群经过教授、学习和反馈阶段后得到新的种群，g＝g+1；

步骤六，判断教学次数g是否达到G，若达到则进入下一步，否则，重复步骤三到步骤五的操作，直到符合设定的条件为止，输出回声状态网络模型最优参数；

步骤七，利用得到的回声状态网络模型优化参数进行建模、训练并完成预测；

步骤八，通过模型仿真得到预测误差幅值图形，分析预测误差幅值，并从中判断是否存在微弱目标信号，完成混沌背景下微弱信号的检测。

前述的混沌背景中基于改进教学优化算法的检测回声状态网络微弱信号的方法，在步骤一中，设置回声状态网络的初始化参数包括：内部连接矩阵的谱半径SR，输入单元尺度IS，输入单元位移ISH，教师信号尺度TS，教师信号位移TSH的参数范围。

前述的混沌背景中基于改进教学优化算法的检测回声状态网络微弱信号的方法，在步骤二中，对五个参数进行编码的方式为x＝[x1，x2，x3，x4，x5]，其中，x1表示内部连接矩阵的谱半径SR，x2表示输入单元尺度IS，x3表示输入单元位移ISH，x4表示教师信号尺度TS，x5表示教师信号位移TSH。

前述的混沌背景中基于改进教学优化算法的检测回声状态网络微弱信号的方法，在步骤二中，需要优化的参数个数与编码生成的个体的维数相等，个体中每一维变量对应相应的待优化的参数。