[发明专利]一种基于小规模电磁数据的神经网络模型处理方法

说明书

本发明公开了一种基于小规模电磁数据的神经网络模型处理方法，包括以下步骤S1、数据预处理：采集小规模电磁数据，将数据统一映射到[0,1]区间上，并采用缺失‑插补法对数据进行扩充，得到训练集；S2、设计全连接网络模型结构；S3、利用训练集数据搜索全连接网络模型结构的超参数，进行模型训练；S4、利用训练得到的全连接网络模型结构对新的电磁数据进行处理。本发明能够在小规模数据集上进行数据扩充，对小规模数据集上的拟合能力较强，使其在面对一些数据采集成本较高的或者本身数据量较小的任务中也能取得较高的精度。

技术领域

本发明属于涉及一种基于小规模电磁数据的神经网络模型处理方法。

背景技术

回归分析法指利用数据统计原理，对大量统计数据进行数学处理，并确定因变量与某些自变量的相关关系，建立一个相关性较好的回归方程(函数表达式)，并加以外推，用于预测今后的因变量的变化的分析方法。根据因变量和自变量的个数分为：一元回归分析和多元回归分析；根据因变量和自变量的函数表达式分为：线性回归分析和非线性回归分析。

在实际问题中，常常会期望从输入的一组数据的信息得到另一组数据，这样的问题可转化为寻找一种函数曲线去拟合这些数据，在解决这类问题的数据处理和误差分析中应用最广泛的是曲线拟合。它不但可以提高数据处理效率，而且还能保证相当的精确度。

目前常用于回归任务的神经网络算法有以下几种：

首先是BP神经网络，BP神经网络的过程主要分为两个阶段，第一阶段是信号的前向传播，从输入层经过隐含层，最后到达输出层；第二阶段是误差的反向传播，从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的权重和偏置，输入层到隐含层的权重和偏置。其中神经元，或称神经单元/神经节点，是神经网络基本的计算单元，其计算函数称为激活函数(activation function)，用于在神经网络中引入非线性因素，可选择的激活函数有：Sigmoid函数、双曲正切函数(tanh)、ReLu函数(Rectified Linear Units)，sofimax等。完成训练之后，一般情况下我们都能得到一个损失比较小的神经网络。

然后是RBF(径向基)神经网络，径向基函数(Radial Basis Function，RBF)神经网络是一种三层网络且性能优良的前馈型神经网络，RBF网络可以任意精度逼近任意的非线性函数，且具有全局逼近能力，从根本上解决了BP网络的局部最优问题，而且拓扑结构紧凑，结构参数可实现分离学习，收敛速度快。但是网络的隐节点采用输入模式与中心向量的距离(如欧式距离)作为函数的自变量，并使用径向基函数(如Gaussian函数)作为激活函数。神经元的输入离径向基函数中心越远，神经元的激活程度就越低(高斯函数)，因此具有局部映射的特性，不太好用于数据参数识别。

再是GRNN神经网络(广义回归神经网络)，广义回归神经网络是径向基神经网络的一种，径向基神经元和线性神经元可以建立广义回归神经网络，它是径RBF网络的一种变化形式，经常用于函数逼近。在某些方面比RBF网络更具优势。GRNN具有很强的非线性映射能力和学习速度，比RBF具有更强的优势，网络最后普遍收敛于样本量集聚较多的优化回归，样本数据少时，预测效果很好，网络还可以处理不稳定数据，其不足之处在于1.计算复杂度高：每个测试样本要与全部的训练样本进行计算。2.空间复杂度高：因为没有模型参数，对于测试样本全部的训练样本都要参与计算，因此需要存储全部的训练样本。

最后是PNN(Probabilistic Neural Network)神经网络(概率神经网络)，PNN也是RBF的一种变化形式，结构简单训练快捷，特别适合于模式分类问题的解决。输入层和隐含层与RBF神经网络一致，不同点是最后的输出环节使用了一个竞争函数。PNN的网络结构类似于RBF神经网络，但不同的是，PNN是一个前向传播的网络，不需要反向传播优化参数。这是因为PNN结合了贝叶斯决策，来判断测试样本的类别，同时也有贝叶斯算法的缺点：如果输入变量是相关的，则会出现性能较差的问题。