[发明专利]基于复杂网络的深度学习模型及在测量信号分析中的应用

摘要

一种基于复杂网络的深度学习模型及在测量信号分析中的应用：设定对于测量信号通过可视图的方法构建复杂网络的原理，建立可视图复杂网络；对于每一通道测量信号采用可视图的方法建立复杂网络，对于每一个网络，提取以下指标：节点聚集系数、节点度、节点介数、节点接近中心度和节点特征向量中心性；建立深度学习模型。采用循环激励电导传感器进行垂直油水两相流实验获取测量信号；固定油相和水相的配比，改变油相和水相的流量进行实验。本发明通过对测量信号构建复杂网络，用复杂网络的大量指标组成样本，作为深度学习模型的输入，通过逐层优化的机制，有监督学习和无监督学习相结合，得到深度学习模型，该模型可用于对未知类别的测量信号的预测与分类。

主权项

1.一种基于复杂网络的深度学习模型，其特征在于，构建基于复杂网络的深度学习模型包括如下步骤：1)设定对于测量信号通过可视图的方法构建复杂网络的原理：对于每一通道测量信号得到的时间序列进行可视化分析，对于时间序列中的任意两个时刻t₁和t₂得到的两个点(t₁,x₁)和(t₂,x₂)，将它们看作可视图复杂网络中的任意两个节点，若两个节点之间有连边，则对于这两个点之间的任意一个点(t₃,x₃)，需要满足：由此，建立可视图复杂网络；2)对于每一通道测量信号采用可视图的方法建立复杂网络，对于每一个网络，提取以下指标：节点聚集系数、节点度、节点介数、节点接近中心度和节点特征向量中心性；3)建立深度学习模型将步骤2)中得到的大量网络指标，即节点聚集系数、节点度、节点介数、节点接近中心度和节点特征向量中心性，作为深度置信网络的输入，对深度置信网络进行训练，包括：(1)使用贪婪的逐层训练算法，对深度置信网络训练得到生成模型的网络参数；(2)以第(1)步得到的网络参数为初始值，用来重置深度神经网络的初始权重，采用有监督的方法对整个网络参数进行全局训练，最终得到用于准确分类的神经网络参数；由此，通过对大量网络指标的无监督学习和有监督学习，得到一个基于复杂网络的包含有深度置信网络和深度神经网络的深度学习模型。