[发明专利]一种基于粒子群优化深度学习特征选择的一维像识别方法

权利要求书

1.一种基于粒子群优化深度学习特征选择的一维像识别方法，其特征在于，包括以下步骤：

S1、采用深度信念网络DBN提取雷达一维距离像的特征，获得高维特征数据；具体方法为：设输入数据为320维的飞机一维距离像，将其作为可视层的神经元，令DBN各隐藏层的神经元个数分别为300,400,200，则DBN的实现包括基于RBM的无监督预训练和精调，具体为S11、基于RBM的无监督预训练：

a1.采用CD-K算法初始化权值{W,a,b}，其中W表示层间的权重向量，a表示可视层的偏置向量，b表示隐藏层的偏置向量，将他们都初始化为较小的数值或者为0：

其中，X为输入的一维距离像数据，M为可视层神经元个数，即320维的输入数据维数，N为隐藏层神经元个数，W用来自于正态分布N(0,0.01)的随机数来初始化，a_i利用公式：

初始化，其中p_i表示为训练集中第i个样本数据处于激活状态的样本所占的比例，i≤M，b初始化为零矩阵；隐藏层单元和可视层单元的计算为：

b1.将X赋给可视层v⁽⁰⁾，计算输入数据能够使隐藏层神经元被激活的概率：

其中σ表示为sigmoid函数；

c1.根据步骤b1得到的概率分布进行一次Gibbs采样，采样得到h⁽⁰⁾,h⁽⁰⁾为隐藏层中的每个单元从{0,1}中抽取得到的值；

d1.用采样得到的h⁽⁰⁾计算概率密度用概率密度再进行一次Gibbs采样，得到重构的可视层v⁽¹⁾；

e1.再次用重构后的可视层v⁽¹⁾计算隐藏层神经元被开启的概率

f1.更新权重和偏置：

W←W+λ[p(h⁽⁰⁾＝1|v⁽⁰⁾)v^(0)T-p(h⁽¹⁾＝1|v⁽¹⁾)v^(1)T]

b←b+λ[p(h⁽⁰⁾＝1|v⁽⁰⁾)-p(h⁽¹⁾＝1|v⁽¹⁾)]

a←a+λ[v⁽⁰⁾-v⁽¹⁾]

其中，λ＝0.05为学习率；

S12、精调，包括：

a2.使用预训练好的W,b计算相应隐藏层神经元是否激励；

b2.逐层的向上传播，计算各层的每个神经元的激励值，使用sigmoid函数完成标准化；

c2.计算输出层的激励值和输出；

d2.反向传播微调整个网络，采用最小均方误差准则来更新整个网络的参数，代价函数E为：

和X_i分别表示输出层的输出和理想输出，i为样本索引；

e2.采用梯度下降法，来更新网络的权重和偏置，每5个数据将更新一次权值和偏置；

S13、DBN经过多次迭代后网络的权值和偏置更新完毕，得到的第三层隐藏层的输出h⁽³⁾，作为一维距离像数据提取到的高维特征数据，该特征数据维数为200维；

S2、基于粒子群优化算法，对获得的高维特征数据进行优化，具体为：

S21、初始化粒子群：将DBN提取的高维特征数据的优化空间作为粒子群优化PSO的搜索空间，种群数量设置为10，即随机初始化10个粒子，每个粒子为一个DBN特征数据的子集，大小为N,且每个粒子互不相同，初始化每个粒子的位置和速度；

S22、计算粒子的适应度值：将每一个粒子带入BP神经网络中，以测试集来测试粒子的分类正确率，用分类正确率作为粒子的适应度值；

S23、对每个粒子，用它的适应度值和个体极值比较，如果适应度值个体极值，则用适应度值代替个体极值，个体极值为粒子在最优位置对应的适应度值；

S24、对每个粒子，用它的适应度值和全局极值比较，如果适应度值全局极值，则用适应度值代替全局极值，全局极值为个体极值中的最优解；

S25、采用惯性权重与惯性速度来更新粒子的速度与位置

V_id＝ωV_id+C₁random(0,1)(P_id-X_id)+C₂random(0,1)(P_gd-X_id)

X_id＝X_id+V_id

其中，ω为惯性因子，C₁和C₂为加速常数，下标i和d分别表示粒子和维度的序号；V_id和X_id分别表示粒子i在d维上的速度和位置；P_id表示粒子i个体极值的第d维；P_gd表示全局最优解的第d维；random(0,1)为在区间(0,1)之间的一个随机数；

S26、终止条件为达到预先设置的迭代最大次数，否则返回步骤S22。