[发明专利]一种基于改进型神经网络的特征分类预测方法

摘要

一种基于改进型神经网络的特征分类预测方法，属于信号的特征分类技术领域。首先对原始数据进行特征浮点量化，然后参考结果对网络参数进行修正，最后通过FPGA进行网络实现。本发明针对目前神经网络结构复杂的问题，提出了一种改进型的网络拓扑结构，使得训练网络所需的样本数量大幅度减小；针对传统的神经网络局限性较大，并不能很好的处理随机性比较高的信息的问题，提出了对特征进行量度化处理，匹配到神经网络的浮点接入层的方案。本发明提出的特征分类预测方法有效解决了对随机性较大的信号的分类预测，分类预测准确度高，网络拓扑复杂度低。

主权项

1.一种基于改进型神经网络的特征分类预测方法，其特征在于，包括以下步骤：步骤1、特征浮点量化：采集的原始特征数据记为O(1),O(2),…,O(N)，其中，N为原始数据的个数；然后将原始数据进行浮点量化，得到数据集S；当O(i)＜100时，浮点量化的范围为[L,H]，当O(i)≥100时，浮点量化的范围为其中，L＝a×min(O(i))+(1‑a)×max(O(i))，H＝(1‑a)×min(O(i))+a×max(O(i))，i＝1,2,3…,N，a为修正权重因子，0＜a＜1；步骤2、神经网络模型的优化：2.1从步骤1得到的数据集S中随机选取n个数据，作为训练集T＝{T(1),T(2),…,T(n)}；其中，2.2从训练集T中随机选取m个数据输入神经网络模型中进行训练；其中，m＜n，m个数据均携带c种类别标签信息；2.3将步骤2.2输入的数据进行一对一映射处理，得到数据集Y＝{Y(1),Y(2),…,Y(m)}，Y(j)＝p×T(j)+b，j＝1,2,3…,m；其中，p为放缩因子，b为补偿因子；2.4将步骤2.3得到的数据集Y分为数量相同的两部分，然后分别输入两个隐含层，分别经过隐含层、求和层和竞争层后，得到训练集误差E(T)；步骤3、分类预测3.1将步骤2.2中选取的m个数据输入经步骤2优化后的神经网络模型中进行训练，重复步骤2.3至步骤2.4的过程，得到优化后的神经网络模型的训练集误差E(T)′；3.2从步骤1得到的数据集S中随机选取k个数据，作为测试集A＝{A(1),A(2),…,A(k)}；其中，3.3将测试集A的数据输入经步骤2优化后的神经网络模型中，重复步骤2.3至步骤2.4的过程，得到测试集误差E(A)′；然后将E(T)′与E(A)′进行加权平均，得到总参考误差E＝wE(T)′+(1‑w)E(A)′；其中，w＜0.8且w＜0.4a+0.75p；3.4将步骤3.3得到的总参考误差E与预设的误差阈值E_TH进行比较，若E＜E_TH，则停止优化，若E≥E_TH，则进入步骤3.5；3.5从训练集T中随机选取个数据输入神经网络模型中进行训练，t＝1,2,3…，重复步骤2.3至步骤3.4的过程，直到得到的总参考误差满足E＜E_TH，停止优化。