[发明专利]基于Dropout约束下极限学习机对波浪运动波形分析方法

摘要

本发明提出了一种基于极限学习机在Dropout约束下的波浪运动波形分析预测方法及装置，基于在深度学习的基础上加入dropout算法约束用来分析波浪运动的方法，改进了传统的波浪运动分析方法，利用极限学习机在dropout约束的条件下提升信息处理能力抗拟合的特点对于波浪运动进行分析。该方法在波浪运动分析方面更加快速准确，提高对波浪运动的分析能力。先对深度学习程序进行训练，再通过dropout算法进行约束提高训练模型的泛化能力以及运算速度，通过随机隐藏部分节点的方法确保了在数据有限时防止对波浪的分析出现过拟合的情况，缩短了计算时间，确保了分析结果的实时性和准确性。

主权项

1.一种基于Dropout约束下极限学习机对波浪运动波形分析方法，用波浪采集分析处理存储装置实现，所述装置包括：(1)滤波放大模块与控制单元模块，采集模块相连接；(2)采集模块，包含有高速A/D芯片，与滤波放大模块，数据存储模块，控制单元模块相连接；(3)数据存储模块，与采集模块，分析模块，控制单元模块相连接；(4)分析模块，与数据存储模块，控制单元模块相连接；(5)控制单元模块，与所述滤波放大模块、采集模块、数据存储模块以及分析模块相连接；(6)数据存储模块由存储芯片充当，存入和读取数据受控制单元模块支配；(7)供电模块，其与所述滤波放大模块、采集模块、数据存储模块、分析模块以及控制单元模块相连接，用于提供供电电源；(8)转换开关用于实现供电方式的切换；(9)控制单元模块相连的人机交互设备；(10)与控制单元模块相连的人机交互设备，和数据存储模块、控制单元模块、智能分析模块通过数据电缆互相连接；(11)人机交互设备采用包括显示屏、触摸屏、按键在内的输入输出装置；其特征在于所述方法包括以下步骤：步骤一：生成模拟波浪数据；(1)利用matlab程序生成一行50个0～7之间的随机数作为训练样本集，设每个随机生成结果为p，令输出结果等于sin(p)将随机生成的数据转化成正弦曲线上的点，用生成的正弦曲线上的点以模拟在海浪运动过程中传感器所采集到的船只起伏情况的数据点；步骤二：采用无监督学习算法对各层的参数进行训练：(1)通过将随机生成的训练样本进行矩阵排列，矩阵的每行代表数据的特征，每列代表一个样本，确定输出矩阵H；(2)极限学习机会随机生成连接权值及偏置因此直接输入训练数据，设置隐含层神经元个数为三十，网络隐层数为K，网络需要学习的权重参数为W＝{W₁,W₂,...,W_K,W_K+1},X_i表示第i个ELM‑AE的输入；(3)通过最小化重构误差Minimize:获得输入数据的特征表达，并将其作为下一层网络的输入；(4)将网络的输入看做是第1个ELM‑AE的输入和输出，即T＝X₁＝X；步骤三：计算输出权值β(1)由于极限学习机的连接权值及偏置是随机生成的，所以只需计算β，由公式Hβ＝T,可得β＝H^‑1T，由于生成的矩阵为非奇异阵，因此根据公式:算出输出权重β₁；(2)用相同的方法，第30个隐层的网络连接权重均可求得；(3)由自动编码器理论可知，其编码层和解码层的权重互为转置，因此，计算出深度极限学习机第k个隐层之前的网络连接权重为(4)将H_K视为监督层极限学习机的隐层输出，由公式求得H_K的输出权重W_K+1，完成深度极限学习机的训练过程。