[发明专利]一种基于改进BP神经网络的参量声源建模方法

摘要

针对目前参量声源系统建模困难的问题，本发明提供了一种基于改进BP神经网络的参量声源建模方法。该方法首先采集足够的训练和测试样本数据，对其进行预处理。并建立神经网络模型，对于神经网络模型的结构和参数，采用遗传算法进行优化处理，找到较优的神经网络隐层数、神经元之间的初始权值及阈值，最后用样本数据训练和测试所建的基于改进BP神经网络的参量声源模型。该模型具有可靠、评估精度较高的优点。

主权项

一种基于改进BP神经网络的参量声源建模方法，其特征在于将神经网络与遗传算法用于参量声源建模，包括如下步骤： (1)将PC机输出的音频信号作为参量声源模型的输入样本，在参量声源输出端连接麦克风采集对应的输出，并将其作为参量声源模型的输出样本。采集足够的参量声源输入输出样本作为要建立神经网络模型的训练和测试样本，采样频率选为44.1kHZ； (2)对采集到的样本数据进行预处理，依次为：归一化处理，训练数据和测试样本数目的选取。本方法所述的归一化处理采用[‑1，1]归一化处理，即将样本数据映射到[‑1，1]区间内，训练数据则取4至5个周期的输入信号的数目。 (3)遗传算法优化所建立的参量声源系统模型的结构和参数 所述的参量声源模型的结构包括输入层节点数、隐含层节点数、输出层节点数。由于参量声源是单输入单输出，所以所设计的神经网络输入节点数为1，输出节点数为1； 所述的神经网络参数包括学习速率、神经元激励函数、神经元之间的权值、隐含层阈值及输出层阈值。对于学习速率和神经元激励函数，可根据实际要求选取； 对于参量声源模型中待定的隐含层节点数和神经元初始权值及阈值，普通神经网络是随机取定或根据经验值获得，而本方法采用遗传算法对神经网络的结构和参数进行优化，即通过遗传算法同时进化神经网络的隐层数和初始各神经元之间的权值及阈值，从而得到最佳的隐层数和初始权值及阈值。