[发明专利]一种基于径向基函数神经网络的非视距误差抑制方法

权利要求书

1.一种基于径向基函数神经网络的非视距误差抑制方法，其特征在于：步骤如下：

步骤1：将原始多径TOA样本数据进行标准化分类预处理，得到标准化分类的多径TOA样本数据；

步骤2：建立径向基函数神经网络，使用量子人工蜂群对径向基函数神经网络进行优化，该径向基函数神经网络由隐层和输出层组成；

步骤3：由所述步骤1中的标准化分类的多径TOA样本数据训练径向基函数神经网络；

(3.1)确定步骤3中所述的径向基函数神经网络的隐层节点的中心向量的数量N_vector；

(3.2)使用量子人工蜂群算法选择所述步骤3.1中的N_vector个中心向量；

(3.3)由所述步骤3.2中的中心向量，计算隐层节点的标准化常数σ；

(3.4)采用最小二乘法，计算径向基函数神经网络中的隐层节点至输出层节点的连接权重为：

其中：w_ki为连接权重，k为输出层节点标识符，i为中心向量标识符，u_i(x)为高斯函数，η为学习速率，u为u_i(x)的向量，t_k表示第k个输出层节点的期望值，y_k表示第k个输出层节点的实际值；

步骤4：使用所述步骤3中的径向基函数神经网络识别并剔除未知多径TOA数据中的非视距误差。

2.根据权利要求1所述的一种基于径向基函数神经网络的非视距误差抑制方法，其特征在于：步骤1中的将原始多径TOA样本数据进行标准化分类预处理的方法，具体包括：

(1.1)读取所述步骤1中的原始多径TOA样本数据；

(1.2)将所述步骤1.1中读取的样本数据，按误差值是否大于门限制th分成两类；

(1.3)将所述步骤1.2中的两类样本数据的数据量统一，其方法是：当第一类样本数据数据量大于第二类样本数据数据量时，在第一类样本数据中随机抽取n₂个个体，将其余个体丢弃，其中n₂为第二类样本数据数据量；当第一类样本数据数据量小于第二类样本数据数据量时，在第二类样本数据中随机抽取n₁个个体，将其余个体丢弃，其中n₁为第一类样本数据数据量；

(1.4)将所述步骤1.3中的两类样本数据归一化处理，得到归一化之后的样本数据个体：

其中：x_in为未经归一化处理的样本数据个体；X为样本数据全体；min(X)为X的函数，作用为取得样本全体X中的最小个体；max(X)为X的函数，作用为取得样本全体X中的最大个体；x_out为归一化后的样本数据个体；

(1.5)将所述步骤1.4中的两类样本数据绑定二进制标签信息。

3.根据权利要求2所述的一种基于径向基函数神经网络的非视距误差抑制方法，其特征在于：步骤3.2中的使用量子人工蜂群算法选择所述步骤3.1中的N_vector个中心向量的方法，具体还包括以下步骤：

(3.2.1)初始化量子种群以及蜂群参数；

(3.2.2)计算初始量子编码的蜜源，蜜源即所述步骤3.2中的中心向量的一组解；

(3.2.3)引领蜂搜索并更新量子编码的蜜源，即搜索并更新所述步骤3.2中的中心向量的一组解，并计算其适应度；并计算其适应度；

其中，i为蜜源标识符，fit_i为标识符为i的蜜源的适应度，function_i为标识符为i的蜜源的目标函数；

(3.2.4)跟随蜂根据所述步骤3.2.3中的引领蜂搜索到的蜜源信息，更新量子编码的蜜源，即所述步骤3.2中的中心向量的一组解；

(3.2.5)侦查蜂利用量子逻辑门更新转移矩阵，搜索并更新量子编码的蜜源，即更新所述步骤3.2中的中心向量的一组解，并计算其适应度；

(3.2.6)记录目前最佳的中心向量的解的信息及其适应度；

(3.2.7)若已经达到最大迭代次数，则输出当前记录的最佳的中心向量的解；否则，重复步骤3.2.3至步骤3.2.7。