[发明专利]一种基于优化型小波神经网络的跳频序列预测方法

权利要求书

1.一种基于优化型小波神经网络的跳频序列预测方法，其特征在于：包括如下步骤：

步骤1：对跳频信号进行时域分析获取当前时刻的跳频序列；

步骤2：将跳频序列进行预处理获取训练样本和测试样本；

步骤3：将训练样本输入初始化后的神经网络依次进行DBSCAN聚类计算和权值优化完成训练；

步骤4：将测试样本输入完成训练的神经网络进行预测，获取下一时刻的跳频序列；

所述步骤3包括如下步骤：

步骤3.1：将训练样本输入初始化后的神经网络进行DBSCAN聚类计算获取隐含层的节点个数和小波平移因子的初始值；

步骤3.2：基于训练样本、隐含层的节点个数和小波平移因子的初始值以及初始化的网络权值计算隐含层输出，计算如下：

其中，h(j)表示隐含层第j个节点输出值，ω_ij表示输入层和隐含层的连接权值，b_j表示小波基函数f_j的平移因子，a_j表示小波基函数f_j的伸缩因子，f_j表示小波基函数；

步骤3.3：基于步骤3.2的结果计算小波神经网络预测输出，计算如下：

其中，ω_ik表示隐含层到输出层权值，h(i)表示第i个隐含层节点的输出，m表示输出层节点数，l为隐含层节点数；

步骤3.4：基于步骤3.3的结果采用梯度下降法进行训练，判断是否达到最大训练次数，若达到，则结束训练并保存隐含层到输出层权值和小波平移因子；若未达到，则继续训练。

2.根据权利要求1所述的一种基于优化型小波神经网络的跳频序列预测方法，其特征在于：所述步骤3.1包括如下步骤：

步骤3.1.1：基于训练样本确定DBSCAN聚类算法的初始参数，初始参数包括ε邻域和密度，并在训练样本中标记核心点、边界点和噪音点；

步骤3.1.2：将训练样本作为数据集合X，生成标记数组m_i(i＝1,2,…,N)，计算如下：

其中，j表示类的序号，x⁽ⁱ⁾表示第i个训练样本；

步骤3.1.3：删除噪音点，计算中互异的非负数的个数，记为K，将核心点分为K类；

步骤3.1.4：将每个边界点匹配到与之关联的核心点形成的类中，完成数据集合X的分类；

步骤3.1.5：基于步骤3.1.4获取类个数和从每类中随机选取一点获取长度为K'的频点序列k_j(j＝1,2,…K')(K'＝K)，将类个数作为神经网络中隐含层节点的个数，将频点序列作为小波平移因子的初始值。

3.根据权利要求1所述的一种基于优化型小波神经网络的跳频序列预测方法，其特征在于：所述步骤3.4中梯度下降法具体包括如下步骤：

步骤3.4.1：计算网络预测误差，计算如下：

其中，y(k)为小波神经网络期望输出，为小波神经网络预测输出；

步骤3.4.2：基于网络预测误差对小波神经网络的权值和小波基函数系数进行初步修正，初步修正计算公式如下：

其中，为权值修正量，和为小波因子修正量，和根据网络预测误差计算得到；η表示学习速率；

步骤3.4.3：基于步骤3.4.2在初步修正公式中添加动量项进行最后修正，最后修正的计算公式如下：

其中，α为动量因子，α∈[0,1]。

4.根据权利要求1所述的一种基于优化型小波神经网络的跳频序列预测方法，其特征在于：所述步骤1中时域分析采用组合谱图法。

5.根据权利要求1所述的一种基于优化型小波神经网络的跳频序列预测方法，其特征在于：所述步骤2中预处理包括采用留出法对跳频序列进行划分。