混沌背景中基于改进教学优化算法的检测回声状态网络微弱信号的方法与流程

一种检测方法，特别是检测回声状态网络微弱信号的方法。
背景技术：
：混沌现象是由非线性确定系统产生的一种不规则运动,广泛存在于气象、水文、通信及经济等众多领域。混沌具有内随机性、整体稳定局部不稳定、短期可预测而长期不可预测性等特征。近年来,随着混沌理论研究的不断深入及其在信号处理、自动控制、电力及金融短期预测等领域中的广泛应用,混沌时间序列的建模和预测已成为混沌领域的一个非常重要的研究方向。随着人工智能方法的出现，越来越多的研究者将其应用到时间序列预测中。在众多的人工智能方法中，神经网络因其具有较强的非线性映射逼近能力等优势而其备受研究者的青睐。回声状态网络(esn)是一种新型递归神经网络，它将隐含层中的神经元随机布置稀疏连接，初始化后不再受训练的影响，始终固定不变，这种结构成为储备池。由于储备池中的状态变量与目标输出是线性关系，且输出权值是唯一需要调整的部分，使得训练过程比较简单，大大降低了训练的计算，算法本身属于凸优化，避免了陷入局部极小值的问题，且esn具有很强的记忆能力，使得预测精度得到保证。然而，回声状态网络模型参数选取大多采用不断尝试的方法或根据人为经验来设置参数，不能考虑到数据的独特性，容易受主观因素的影响，大大的降低了工作效率，严重影响了回声状态网络在实际预测中的应用。市场需要一种能够克服回声状态网络模型参数选取困难的缺点的检测方法。技术实现要素：为解决现有技术的不足，本发明的目的在于提供一种混沌背景中基于改进教学优化算法的检测回声状态网络微弱信号的方法，本方法利用改进优化教学算法(itlbo)来优化回声状态网络模型参数的方法，从而检测出混沌背景中微弱信号，克服了回声状态网络模型参数选取困难的缺点，提高了工作效率。为了实现上述目标，本发明采用如下的技术方案：混沌背景中基于改进教学优化算法的检测回声状态网络微弱信号的方法，包括如下步骤：步骤一，确定优化参数的个数，先确定储备池规模n和稀疏度sd的值，设置回声状态网络初始化参数；设教学次数g＝0，最大教学次数为g；步骤二，在设定的参数范围内进行实数编码，产生m个种群；步骤三，将混沌时间序列的重构延迟坐标向量作为回声状态网络模型的输入，利用相应参数对回声状态网络进行训练与预测；步骤四，计算每个回声状态网络个体的适应度值；步骤五，种群经过教授、学习和反馈阶段后得到新的种群，g＝g+1；步骤六，判断教学次数g是否达到g，若达到则进入下一步，否则，重复步骤三到步骤五的操作，直到符合设定的条件为止，输出回声状态网络模型最优参数；步骤七，利用得到的回声状态网络模型优化参数进行建模、训练并完成预测；步骤八，通过模型仿真得到预测误差幅值图形，分析预测误差幅值，并从中判断是否存在微弱目标信号，完成混沌背景下微弱信号的检测。前述的混沌背景中基于改进教学优化算法的检测回声状态网络微弱信号的方法，在步骤一中，设置回声状态网络的初始化参数包括：内部连接矩阵的谱半径sr，输入单元尺度is，输入单元位移ish，教师信号尺度ts，教师信号位移tsh的参数范围。前述的混沌背景中基于改进教学优化算法的检测回声状态网络微弱信号的方法，在步骤二中，对五个参数进行编码的方式为x＝[x1，x2，x3，x4，x5]，其中，x1表示内部连接矩阵的谱半径sr，x2表示输入单元尺度is，x3表示输入单元位移ish，x4表示教师信号尺度ts，x5表示教师信号位移tsh。前述的混沌背景中基于改进教学优化算法的检测回声状态网络微弱信号的方法，在步骤二中，需要优化的参数个数与编码生成的个体的维数相等，个体中每一维变量对应相应的待优化的参数。前述的混沌背景中基于改进教学优化算法的检测回声状态网络微弱信号的方法，在步骤三中，将混沌时间序列的重构延迟坐标向量作为回声状态网络模型的输入，利用相应参数对回声状态网络进行训练与预测；具体过程为：现在假设一个回声状态网络，有k个输入层单元，n个隐层单元，l个输出层单元；在时刻n，输入序列为u(n)＝[u1(n),u2(n),…,uk(n)],隐层的状态序列为x(n)＝[x1(n),x2(n),…,xn(n)]，输出序列为y(n)＝[y1(n),y2(n),…,yl(n)]；用表示输出层的连接权值矩阵；wn×n表示储备池内部的连接权值矩阵，通常它的稀疏连接保持在1％-5％，且谱半径一般小于1，因此储备池具备一定的记忆能力和稳定性；表示输出层的连接权值矩阵；表示输出层到隐层的反馈权值矩阵，其中，win、w和wback是在网络建立前随机生成的，并且生成之后就不能改变，只有wout是通过训练计算得到的，而回声状态网络的训练目的就是确定输出权值wout；回声状态网络的基本方程为x(n+1)＝f(winu(n)+wx(n)+wbacky(n))，式中表示输出的偏置项也能表示噪声，一般取为0；f＝[f1,f2,…,fn]表示内部神经元激活函数，通常情况下，fi(i＝1,2,…,n)取作双曲正切函数；表示输出函数。典型情况下，fout(i＝1,2,…,l)取恒等函数，回声状态网络算法通过输入信号激励储备池，然后储备池中会产生连续的状态变量信号，最后通过储备池状态变量与目标输出信号的线性回归算法确定回声状态网络网络输出权值；它的训练过程如下:(1)初始化win、w和wback(2)利用样本和公式(1)求出隐层状态序列x(n)；(3)根据状态序列x(n)、输出样本y(n)，利用基本方程和线性回归法求出wout。前述的混沌背景中基于改进教学优化算法的检测回声状态网络微弱信号的方法，步骤四，计算每个回声状态网络个体的适应度值；计算公式为式中n是混沌时间序列的检验集数目，yi和分别表示真实值和预测值。前述的混沌背景中基于改进教学优化算法的检测回声状态网络微弱信号的方法，步骤五，种群经过教授、学习和反馈阶段后得到新的种群，g＝g+1；具体过程为：(1)教授阶段：假设一个班级由教师t和学生s组成，将目标函数f(s)作为评判准则对每个学生进行评优；其中，si＝[si1,si2,…,sid]t(i＝1,2,…,n)，s＝[s1,s2,…,sn]t，在教师进行教授的过程中，教师t尽最大可能使学生的平均水平sm接近自己的水平，其中，即教师根据t和sm的差异指导学生进行学习，这样会使学生进步更快速。定义教师和学生水平的差异为其中，为[0,1]上的随机数，即学生的学习因子；为教师的教学因子，且当教师进行教授后，学生会进步到一个新的水平，再通过评优准则，判断学生是否进步，然后对每个学生进行更新，(2)学习阶段：学生可在班级中，随机选择两个不同的学生si和sj，且i≠j；根据评优准则，选择学生向哪些同学学习才能进步最快；若学生si优于sj，则snew,i向si靠近，反之，向sj靠近，学习阶段具体实现为其中，为[0,1]上的随机数，即成绩更高的同学对自己的影响因子，通过向水平高的学生进行学习之后，再进行更新；(3)反馈阶段：在班级中,随机选择两个不同的学生si和sj，其中i≠j。根据评优准则，决定哪些学生应与教师进行反馈交流。若学生si优于sj，则选择差生sj与教师进行反馈学习。反之，选择si与教师进行反馈学习，反馈阶段具体实现为其中，为[0,1]上的随机数，即较差学生向教师反馈信息的能力。本发明的有益之处在于：本发明提供一种混沌背景中基于改进教学优化算法的检测回声状态网络微弱信号的方法，本方法采用改进优化教学算法(itlbo)算法来优化回声状态网络模型参数，首先要确定优化参数的个数，储备池规模n和稀疏度sd的值，对其余的参数进行编码；其次通过itlbo的教授阶段、学习阶段、反馈阶段找到最优的回声状态网络模型参数组合并对这些参数进行建模、训练和预测，对单步预测误差进行分析并从中判断混沌背景噪声中是否存在微弱目标信号，用该方法对lorenz混沌背景和实际的海杂波信号进行仿真实验，准确快速地检测出微弱信号；克服了回声状态网络模型参数选取困难的缺点，提高了工作效率。附图说明图1是本发明的一种实施例的流程图；图2是本发明预测误差幅值图形。具体实施方式以下结合附图和具体实施例对本发明作具体的介绍。混沌背景中基于改进教学优化算法的检测回声状态网络微弱信号的方法，包括如下步骤：步骤一，确定优化参数的个数，先确定储备池规模n和稀疏度sd的值，设置回声状态网络初始化参数；设教学次数g＝0，最大教学次数为g；设置回声状态网络的初始化参数包括：内部连接矩阵的谱半径sr，输入单元尺度is，输入单元位移ish，教师信号尺度ts，教师信号位移tsh的参数范围。步骤二，在设定的参数范围内进行实数编码，产生m个种群；对五个参数进行编码的方式为x＝[x1，x2，x3，x4，x5]，其中，x1表示内部连接矩阵的谱半径sr，x2表示输入单元尺度is，x3表示输入单元位移ish，x4表示教师信号尺度ts，x5表示教师信号位移tsh；需要优化的参数个数与编码生成的个体的维数相等，个体中每一维变量对应相应的待优化的参数。步骤三，将混沌时间序列的重构延迟坐标向量作为回声状态网络模型的输入，利用相应参数对回声状态网络进行训练与预测；具体过程为：现在假设一个回声状态网络(回声状态网络)，有k个输入层单元，n个隐层单元，l个输出层单元。在时刻n，输入序列为u(n)＝[u1(n),u2(n),…,uk(n)],隐层的状态序列为x(n)＝[x1(n),x2(n),…,xn(n)]，输出序列为y(n)＝[y1(n),y2(n),…,yl(n)]。用表示输出层的连接权值矩阵；wn×n表示储备池内部的连接权值矩阵，通常它的稀疏连接保持在1％-5％，且谱半径一般小于1，因此储备池具备一定的记忆能力和稳定性；表示输出层的连接权值矩阵；表示输出层到隐层的反馈权值矩阵。其中，win、w和wback是在网络建立前随机生成的，并且生成之后就不能改变，只有wout是通过训练计算得到的，而回声状态网络的训练目的就是确定输出权值wout。回声状态网络的基本方程为x(n+1)＝f(winu(n)+wx(n)+wbacky(n))，式中表示输出的偏置项也能表示噪声，一般取为0；f＝[f1,f2,…,fn]表示内部神经元激活函数，通常情况下，fi(i＝1,2,…,n)取作双曲正切函数；表示输出函数。典型情况下，fout(i＝1,2,…,l)取恒等函数。回声状态网络算法通过输入信号激励储备池，然后储备池中会产生连续的状态变量信号，最后通过储备池状态变量与目标输出信号的线性回归算法确定回声状态网络网络输出权值。它的训练过程如下:(1)初始化win、w和wback(2)利用样本和公式(1)求出隐层状态序列x(n)；(3)根据状态序列x(n)、输出样本y(n)，利用基本方程和线性回归法求出wout。步骤四，计算每个回声状态网络个体的适应度值；计算每个回声状态网络个体的适应度值。计算公式为式中n是混沌时间序列的检验集数目，yi和分别表示真实值和预测值。步骤五，种群经过教授、学习和反馈阶段后得到新的种群，g＝g+1。具体过程为：(1)教授阶段：假设一个班级由教师t和学生s组成，将目标函数f(s)作为评判准则对每个学生进行评优。其中，si＝[si1,si2,…,sid]t(i＝1,2,…,n)，s＝[s1,s2,…,sn]t，在教师进行教授的过程中，教师t尽最大可能使学生的平均水平sm接近自己的水平，其中，即教师根据t和sm的差异指导学生进行学习，这样会使学生进步更快速。定义教师和学生水平的差异为其中，为[0,1]上的随机数，即学生的学习因子；为教师的教学因子，且当教师进行教授后，学生会进步到一个新的水平，再通过评优准则，判断学生是否进步，然后对每个学生进行更新，(2)学习阶段：学生可在班级中，随机选择两个不同的学生si和sj，且i≠j。根据评优准则，选择学生向哪些同学学习才能进步最快；若学生si优于sj，则snew,i向si靠近；反之，向sj靠近。学习阶段具体实现为其中，为[0,1]上的随机数，即成绩更高的同学对自己的影响因子，通过向水平高的学生进行学习之后，再进行更新；(3)反馈阶段：在班级中,随机选择两个不同的学生si和sj，其中i≠j。根据评优准则，决定哪些学生应与教师进行反馈交流。若学生si优于sj，则选择差生sj与教师进行反馈学习；反之，选择si与教师进行反馈学习。反馈阶段具体实现为其中，为[0,1]上的随机数，即较差学生向教师反馈信息的能力。反馈阶段不仅保留了班级多样性，又使差生快速向好学生靠拢。步骤六，判断教学次数g是否达到g，若达到则进入下一步，否则，重复步骤三到步骤五的操作，直到符合设定的条件为止，输出回声状态网络模型最优参数。步骤七，利用得到的回声状态网络模型优化参数进行建模、训练并完成预测。步骤八，通过模型仿真得到预测误差幅值图形，分析预测误差幅值，并从中判断是否存在微弱目标信号，完成混沌背景下微弱信号的检测。利用lorenz系统进行仿真，系统完全进入混沌状态后的5000个数据作为实验数据进行研究，前3000个数据{ct(n)|n＝1,2,…3000}作为训练集，用与建立预测模型，后2000个数据{c(n)|n＝1,2,…2000}作为验证集，用于验证模型的有效性。根据cao方法求得嵌入维数为5，延迟时间为1。为了保证回声状态网络模型的预测精度，在进行建模与预测之前，对样本数据进行归一化处理。先确定储备池规模n和稀疏度sd的值，再通过本专利方法优化其余的参数，本专利中的内部神经元激活函数选用tanh(·)函数，输出激活函数选用线性激活函数，回声状态网络模型参数如表1所示。预测结果均方根误差随n和sd的变化不明显，本发明专利的可行性得到保证。表1回声状态网络模型参数(lorenz序列)回声状态网络模型参数参数值n200sr0.8624sd5％is0.8016ish0.7954ts0.4617tsh-0.0309在验证集的1000-1200点处加入一个微弱瞬态信号s(n)，其幅值为0.00001，观测时间序列d(n)是由s(n)叠加到混沌背景c(n)中构成的，信噪比达-105.8327db，对时间序列d(n)进行归一化处理，根据得到的回声状态网络模型优化参数值进行回声状态网络单步预测，结果进行反归一化处理，rmse为0.0000028038，图2为混沌信号中含有瞬态信号的单步预测误差，可以看出回声状态网络输出的单步预测误差在{err(n)n＝1040－1121}明显偏大，这是相空间重构后，用1200点进行单步预测时，必将引起预测值存在较大的误差。由此可判断在此区域存在瞬态微弱信号。以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。当前第1页12