[发明专利]自组织神经网络的近邻函数核参数确定方法及训练方法

权利要求书

1.一种对自组织神经网络进行训练的方法，其特征在于，包括：

接收用于对自组织神经网络进行训练的观测样本；

确定自组织神经网络的核参数集合中的多个核参数相对于所述观测样本的条件概率，其中所述核参数为用于所述自组织神经网络的近邻函数的核参数；

从所述核参数集合中选取条件概率值最大的核参数作为所述近邻函数的核参数，并且确定与所述观测样本对应的近邻函数；以及

利用所确定的近邻函数以及所述观测样本对所述自组织神经网络进行训练。

2.根据权利要求1所述的方法，其特征在于，还包括通过以下操作确定所述多个核参数相对于所述观测样本的条件概率：

确定所述多个核参数的先验概率；

确定所述观测样本相对于所述多个核参数的条件概率；以及

根据所述先验概率以及所述观测样本相对于所述多个核参数的条件概率，确定所述多个核参数相对于所述观测样本的条件概率。

3.根据权利要求2所述的方法，其特征在于，确定所述多个核参数的先验概率的操作，包括：

根据所述观测样本的置信度1-α生成置信度区间作为样本方差En²的不确定性空间，其中，N_En为样本方差空间中样本的个数；

根据所确定的不确定性空间En′，确定与所述样本方差En²相关的超熵He；

根据所述观测样本，通过迭代的方式，确定最优核参数

根据所述最优核参数确定所述观测样本的标准差σ；

根据由所述标准差σ和最优核参数限定的正态分布En～N(σ，He²)，计算所述多个核参数，以及与所述多个核参数对应的先验概率。

4.根据权利要求3所述的方法，其特征在于，根据所述观测样本，通过迭代的方式，确定最优核参数的操作，包括根据观测样本y＝(y_i)_i＝1:m，通过以下步骤，确定最优核参数

步骤S11：令初始迭代值和迭代次数j＝1；

步骤S12：令样本序数i＝1，根据下式分别计算在y_i-h^j、y_i和y_i+h^j处信息扩散估计值：

其中为观测样本概率密度p(y)的信息扩散估计，h为核参数，以及扩散函数的形式为

步骤S13：通过下式计算

步骤S14：令i＝i+1，如果i≤m，则返回步骤S2，否则前往步骤S5；

步骤S15：利用下式估计h^j+1:

步骤S16：计算并且在θ＜ε(ε≤10^-5)的情况下，确定最优核参数否则j＝j+1，并返回步骤S12。

5.根据权利要求3所述的方法，其特征在于，确定所述观测样本相对于所述多个核参数的条件概率的操作，包括：

步骤S21：确定核参数的不确定性区间

步骤S22：计算p(y_j|h_u)并令u＝1；

步骤S23：以及

步骤S24：u＝u+1，在u＞N_En的情况下终止，否则返回步骤S22。

6.一种对自组织神经网络进行训练的方法，其特征在于，包括：

根据预定海域的海面高度的历史数据，提取用于对自组织神经网络进行训练的观测样本，所述观测样本描述了在同一时间，所述预定海域在多个格点处的海面高度异常值，并且所述自组织神经网络用于根据所述多个格点处的海面高度异常值，确定相应的海面高度差异模态；以及

根据所述观测样本，利用权利要求1～5中任意一项所述的方法，对所述自组织神经网络进行训练。

7.一种确定自组织神经网络的近邻函数的核参数的方法，其特征在于，包括：

接收用于对自组织神经网络进行训练的观测样本；

确定自组织神经网络的核参数集合中的多个核参数相对于所述观测样本的条件概率；以及

从所述核参数集合中选取条件概率值最大的核参数作为所述近邻函数的核参数。