[发明专利]一种用于系统辨识的神经网络训练集构造方法

权利要求书

1.一种用于系统辨识的神经网络训练集构造方法，其特征在于，包括以下步骤：

步骤1：获得发射数据x(n)和接收数据y(n)；

步骤2：执行预训练：截取x(n)和y(n)的部分数据作为预训练数据，预训练数据的输入和输出分别记为x_p(n)和y_p(n)；

步骤3：利用x_p(n)进行AR谱估计，然后对估计结果进行z变换，取z变换的倒数，然后进行逆z变换，得到白化滤波器，使用该滤波器对y_p(n)进行滤波计算，然后计算输出的傅里叶变换，记为R(w)；

步骤4：利用x(n)和y(n)计算自相关函数的绝对值aR，计算公式为aR＝abs(conv(y(n),x(L:-1:1)))，其中，L为x(n)的长度，x(L:-1:1)表示将序列x(n)倒序排列，conv(a,b)表示计算信号a和b的卷积，abs(·)表示取绝对值；

步骤5：粗估计M的值：寻找序列aR最大值对应的坐标，记为P，设滤波器的阶数为M，则M数值的粗估计为M＝2(P-L)，其中，L为输入序列x(n)的长度，当P＜L时，说明该组数据不适用本方法，应当转至步骤12；

步骤6：寻找M的精估计值：产生扫描序列Mscan，初值为终值为10*M，步进值为其中，表示取不超过0.1*M的最大整数，此时Mscan序列的长度为100，设定循环变量i为1；

步骤7：设有限冲激响应滤波器阶数为Mscan序列的第i个元素，据此利用x_p(n)和y_p(n)构造训练集，设计神经网络，进行训练，神经网络收敛后，将单位冲激信号输入至该网络，得到网络的输出，并计算其傅里叶变换，记为Y_p(w)；

步骤8：计算误差函数，计算公式为E_i＝||Y_p(w)-R(w)||²，其中，||·||²表示变量的2-范数；

步骤9：判断i是否大于100，若是，则执行步骤10，否则令i←i+1，执行步骤7；

步骤10：寻找最小的E_i的编号记为k，则M的精确估计值为Msan的第k个元素，记为M_opt；

步骤11：构造训练集：从发射信号x(n)第1个点开始，截取个数据，作为训练集的输入特征，然后截取输出信号y(n)的第M_opt个点，作为特征的标签，输入特征和标签构成了一个训练数据，然后，从发射信号的第2个点开始，截取1.1*M_opt个数据，作为训练集的第2个输入特征，然后选取y(n)的第M_opt+1个点作为标签，按此方法直至将全部的信号截取完毕，然后将训练数据集乱序排列，得到最终的训练集；

步骤12：结束。