动态认知神经功能重建中的输入输出信号处理方法
【专利摘要】为了提高动态认知神经网络中节点信号的处理速度，本发明提供了一种动态认知神经功能重建中的输入输出信号处理方法，包括：根据动态认知神经网络的状态构造检测信号接收矩阵；对当前时刻的检测信号接收矩阵进行奇异值分解；根据下一时刻的检测信号接收矩阵以及所述奇异值分解结果构造反馈信号矩阵；对信号进行放大处理并对动态认知神经网络进行迭代。本发明基于节点在不同时刻信号特征之间的比例进行变换，并利用待输入到多输入输出动态系统的输入信号的相位稳定性进行信号筛选，提高了建模的收敛速度，进而提高了对各节点输入输出信号的处理速度。
【专利说明】
动态认知神经功能重建中的输入输出信号处理方法
技术领域
[0001] 本发明涉及多输入输出动态系统信号处理技术领域，更具体地，涉及一种动态认 知神经功能重建中的输入输出信号处理方法。
【背景技术】
[0002] 由于人工神经网络具有极强的函数逼近能力，它能以任意精度充分逼近任意连续 非线性函数，对复杂不确定问题具有自适应和自学习能力，神经网络的出现为医疗手术过 程中的路径规划、生物图像辨识、机电设备设计、优化计算等领域提供了一种新的高效数据 处理方式。
[0003] 然而，对于具有动态认知神经网络的系统，通常使用的是逼近和递归方式(例如， 现有技术中包括的前馈神经逼近网络），目前尚无收敛速度较快的输入输出信号处理方法 (参见Carvalho J P.Rule Based Fuzzy Cognitive Maps-Qualitative Dy-namics[0L] ? http://www.google, com)。经验证：典型的Elman动态网络仅具有积分特性，改进Elman网 络则具有比例积分特性。
【发明内容】
[0004] 为了提高动态认知神经网络中节点信号的处理速度，本发明提供了一种动态认知 神经功能重建中的输入输出信号处理方法，包括：
[0005] (1)根据动态认知神经网络的状态构造检测信号接收矩阵；
[0006] (2)对当前时刻的检测信号接收矩阵进行奇异值分解；
[0007] (3)根据下一时刻的检测信号接收矩阵以及所述奇异值分解结果构造反馈信号矩 阵；
[0008] (4)对信号进行放大处理并对动态认知神经网络进行迭代。
[0009] 进一步地，所述步骤(1)包括：
[0010] (11)根据动态认知神经网络的状态，在t时刻的状态，获得t时刻要输入到节点Ni 的有效信号Si (t)以及t+1时刻输入到节点Ni的有效信号S' i (t+1)，所述有效信号表示在动 态认知神经网络中的符合预定条件的信号传输路径中传输的信号，i = l，2, μ·Ν，Ν为正整 数；
[0011] (12)计算各待处理信号Si⑴之间的对数比例，获得它们彼此之间的比例系数：
[0012] Κι:Κ2:Κ3: · · · :Kn= | lg( 11 Si(t) | |) |: | lg( 11 S2(t) | |) |: | lg( | |S3(t) | |) |: · · ·: ig(||sN(t)||)
[0013] (13)构造 t时刻的检测信号接收矩阵A:
[0017] 其中 K'r.K '2：K .,:...: K\
[0018] , , , , 。
[0019] 进一步地，所述步骤(2)包括：
[0020] 对检测信号接收矩阵进行奇异值分解：
[0021] A = UDVH，其中U为A的行奇异向量，D为A的对角阵，VH为A的列奇异向量。
[0022]进一步地，所述步骤(3)包括：
[0023] (31)获得各待处理信号SKt)的相位信息矩阵P:
[0024]
，其中Pi为与之对应的待处理信号Si(t)的相位 信息，? = 1，2，···Ν，Ν为正整数；
[0025] (32)对(t+Ι)时刻的检测信号接收矩阵Α进行奇异值分解，获得其广义逆矩阵A'， 对(t+1)时刻的检测信号接收矩阵B进行奇异值分解，获得其广义逆矩阵B' ：
[0026] (33)计算广义逆矩阵B'的秩α;
[0027] (34)对相位信息矩阵Ρ进行筛选：
[0028] 去掉相位信息矩阵ΡψΡ,小于预设阈值的值，得到矩阵Ρ~ ;
[0029] (35)计算相位信息矩阵Ρ~的秩β;
[0030] (36)计算各待处理信号SKt)的相位信息的比例：
[0031 ] Li: L2: L3: · · ·: Ln= 11 Pi 11:11P211:11P311: · · ·: 11 Pn 11;
[0032] (37)构造相位信息归一化对角矩阵I:
[0033]
，其中Ci表示相位信息矩阵P中Pi小 于预设阈值的值的情况，且当相位信息矩阵小于预设阈值的值时，Cl=0,否则Cl= | |D I;
[0034] (38)确定矩阵I的重特征值T，进而计算U与T之间的标准差Gi并以此标准差构造反 馈比例矩阵G;
[0035] (39)构造反馈信号矩阵F:
[0037]进一步地，所述步骤(4)包括：
[0038] (41)根据反馈信号矩阵对接收矩阵信号进行反馈，得到待放大矩阵E:
[0039] E=A_F
[0040] (42)确定信号放大比例m;
[0041] (43)对待放大矩阵E进行放大，构造矩阵R' ：
[0042] R'=mXE;
[0043] (44)对矩阵R'进行反对数运算，得到供输入给多输入输出动态系统的信号矩阵心 ⑴
[0044] (45)构造迭代函数f:
[0046] 进一步地，所述lg处理函数可以替换为In处理函数，且反对数运算相应地替换为 幂指数函数的反对数计算。
[0047] 进一步地，所述步骤（11)中的预定条件为：与节点K连接的路径的使用概率大于 预设阈值，该使用概率
其中w为对节点&的已监测周期，yk(S Nl(t))表示
路径k是否被授权使用，当其被使用时丫1{(5附(〇) = 1，否则yk(SNl(t))=0 表示节点化在已监测周期w内存在信号的次数。
[0048] 进一步地，所述幂指数函数的反对数计算采用ex形式的函数进行。
[0049] 本发明的有益效果是：本发明基于节点在不同时刻信号特征之间的比例进行变 换，并利用待输入到多输入输出动态系统的输入信号的相位稳定性进行信号筛选，剔除掉 不能体现出相位集中区域的信号，从而降低了多输入输出动态系统在动态认知神经网络重 建过程中运算的离散度，提高了建模的收敛速度，进而提高了对各节点输入输出信号的处 理速度。
【附图说明】
[0050] 图1示出了根据本发明的动态认知神经功能重建中的输入输出信号处理方法的流 程框图。
【具体实施方式】
[0051] 如图1所示，根据本发明的优选实施例，本发明提供了一种动态认知神经功能重建 中的输入输出信号处理方法，包括：
[0052] (1)根据动态认知神经网络的状态构造检测信号接收矩阵；
[0053] (2)对当前时刻的检测信号接收矩阵进行奇异值分解；
[0054] (3)根据下一时刻的检测信号接收矩阵以及所述奇异值分解结果构造反馈信号矩 阵；
[0055] (4)对信号进行放大处理并对动态认知神经网络进行迭代。
[0056] 优选地，所述步骤(1)包括：
[0057] (11)根据动态认知神经网络的状态，在t时刻的状态，获得t时刻要输入到节点Ni 的有效信号Si (t)以及t+1时刻输入到节点Ni的有效信号S' i (t+1)，所述有效信号表示在动 态认知神经网络中的符合预定条件的信号传输路径中传输的信号，i = l，2, μ·Ν，Ν为正整 数；
[0058] (12)计算各待处理信号Si⑴之间的对数比例，获得它们彼此之间的比例系数：
[0059] Κι?: · · · :Kn= | lg( 11 Si(t) | |) |: | lg( 11 S2(t) | |) |: | lg( | |S3(t) | |) |: · · ·: lg(11SN(t)11) I
[0064] 其中
[0065] ., , , , 〇 = ^(115-r(i+i)ii)|：|ig(ii^2a+i)||)|：：|ig(y
[0066] 优选地，所述步骤(2)包括：
[0067] 对检测信号接收矩阵进行奇异值分解：
[0068] A = UDVH，其中U为A的行奇异向量，D为A的对角阵，VH为A的列奇异向量。
[0069]优选地，所述步骤(3)包括：
[0070] (31)获得各待处理信号SKt)的相位信息矩阵P:
[0071]
，其中Pi为与之对应的待处理信号Si(t)的相位 信息，? = 1，2，···Ν，Ν为正整数；
[0072] (32)对(t+Ι)时刻的检测信号接收矩阵Α进行奇异值分解，获得其广义逆矩阵Α'， 对(t+Ι)时刻的检测信号接收矩阵B进行奇异值分解，获得其广义逆矩阵B'：
[0073] (33)计算广义逆矩阵B'的秩α;
[0074] (34)对相位信息矩阵Ρ进行筛选：
[0075] 去掉相位信息矩阵ΡψΡ1小于预设阈值的值，得到矩阵Ρ~ ;
[0076] (35)计算相位信息矩阵Ρ~的秩β;
[0077] (36)计算各待处理信号SKt)的相位信息的比例：
[0078] Li: L2: L3: · · ·: Ln= 11 Pi 11:11P211:11P311: · · ·: 11 Pn 11;
[0079] (37)构造相位信息归一化对角矩阵I:
[0080]
，其中Ci表示相位信息矩阵P中Pi小 于预设阈值的值的情况，且当相位信息矩阵小于预设阈值的值时，Cl=0,否则Cl= | |D I;
[0081 ] (38)确定矩阵I的重特征值T，进而计算U与T之间的标准差Gi并以此标准差构造反 馈比例矩阵G;
[0082] (39)构造反馈信号矩阵F:
[0084]优选地，所述步骤(4)包括：
[0085] (41)根据反馈信号矩阵对接收矩阵信号进行反馈，得到待放大矩阵E:
[0086] E=A_F
[0087] (42)确定信号放大比例m;
[0088] (43)对待放大矩阵E进行放大，构造矩阵R' ：
[0089] R' =mXE；
[0090] (44)对矩阵R'进行反对数运算，得到供输入给多输入输出动态系统的信号矩阵心 ⑴
[0091] (45)构造迭代函数f:
[0093] 优选地，所述lg处理函数可以替换为In处理函数，且反对数运算相应地替换为幂 指数函数的反对数计算。
[0094] 优选地，所述步骤（11)中的预定条件为：与节点化连接的路径的使用概率大于预 设阈值，该使用概率
其中w为对节点&的已监测周期，yk(S Nl(t))表示路
径k是否被授权使用，当其被使用时丫1{以1(〇) = 1，否则^以1(〇) = 0 示节点K在已监测周期w内存在信号的次数。
[0095] 优选地，所述幂指数函数的反对数计算采用ex形式的函数进行。
[0096] 以上对于本发明的较佳实施例所作的叙述是为阐明的目的，而无意限定本发明精 确地为所揭露的形式，基于以上的教导或从本发明的实施例学习而作修改或变化是可能 的，实施例是为解说本发明的原理以及让所属领域的技术人员以各种实施例利用本发明在 实际应用上而选择及叙述，本发明的技术思想企图由权利要求及其均等来决定。
【主权项】
1. 一种动态认知神经功能重建中的输入输出信号处理方法，包括： (1) 根据动态认知神经网络的状态构造检测信号接收矩阵； (2) 对当前时刻的检测信号接收矩阵进行奇异值分解； (3) 根据下一时刻的检测信号接收矩阵W及所述奇异值分解结果构造反馈信号矩阵； (4) 对信号进行放大处理并对动态认知神经网络进行迭代。2. 根据权利要求1所述的动态认知神经功能重建中的输入输出信号处理方法，其特征 在于，所述步骤(1)包括： (11) 根据动态认知神经网络的状态，在t时刻的状态，获得t时刻要输入到节点Ni的有效 信号Si(t)W及t+1时刻输入到节点Ni的有效信号^i(t+l)，所述有效信号表示在动态认知 神经网络中的符合预定条件的信号传输路径中传输的信号，i = l，2,…N，N为正整数； (12) 计算各待处理信号Si(t)之间的对数比例，获得它们彼此之间的比例系数:Κι:Κ2: Κ3：... ：Κν= I ig( 11Si(t) 11) I ： I ig( 1182(t) 11) I: I ig( 11S3(t) 11) I:...: I ig( 118ν(?) 11) (13) 构造 t时刻的检测信号接收矩阵A:其中 K'r.K =1视I S'々+1) 11)1 :| 喊 II 於(化 1) [1)1 和3. 根据权利要求2所述的动态认知神经功能重建中的输入输出信号处理方法，其特征 在于，所述步骤(2)包括： 对检测信号接收矩阵进行奇异值分解： A = UDVH，其中U为A的行奇异向量，D为A的对角阵，yH为A的列奇异向量。4. 根据权利要求3所述的动态认知神经功能重建中的输入输出信号处理方法，其特征 在于，所述步骤(3)包括： (31)获得各待处理信号Si(t)的相位信息矩阵P:χ([/ν%..，Λ])'巧中Pi为与之对应的待处理信号Si(t)的相位信息， i = l，2，...N，N为正整数； (32) 对(t+1)时刻的检测信号接收矩阵A进行奇异值分解，获得其广义逆矩阵A'，对(t+ 1)时刻的检测信号接收矩阵B进行奇异值分解，获得其广义逆矩阵B'： (33) 计算广义逆矩阵B'的秩α; (34) 对相位信息矩阵Ρ进行筛选： 去掉相位信息矩阵Ρ中Pi小于预设阔值的值，得到矩阵Ρ~; (35) 计算相位信息矩阵Ρ~的秩β; (36) 计算各待处理信号Si(t)的相位信息的比例： Li：L2：L3： ... ：Ln= I |Pi| I ： IIP2II ： IIP3II ：... ： I |Pn| | ； (37) 构造相位信息归一化对角矩阵I:，其中ci表示相位信息矩阵Ρ中Pi小于预设 阔值的值的情况，且当相位信息矩阵P中Pi小于预设阔值的值时，Ci = 0,否则Ci= IlDll ; (38) 确定矩阵I的重特征值Τ，进而计算以与!'之间的标准差Gi并W此标准差构造反馈比 例矩阵G; (39) 构造反馈信号矩阵F:5. 根据权利要求4所述的动态认知神经功能重建中的输入输出信号处理方法，其特征 在于，所述步骤(4)包括： (41) 根据反馈信号矩阵对接收矩阵信号进行反馈，得到待放大矩阵E: E=A-F (42) 确定信号放大比例m; (43) 对待放大矩阵E进行放大，构造矩阵R' ： R' 二mXE; (44) 对矩阵R'进行反对数运算，得到供输入给多输入输出动态系统的信号矩阵Ri(t) (45) 构造迭代函数f: 八=K…十-巧W，其中「·?表示取上整数。6. 根据权利要求2所述的动态认知神经功能重建中的输入输出信号处理方法，其特征 在于，所述Ig处理函数可W替换为In处理函数，且反对数运算相应地替换为幕指数函数的 反对数计算。7. 根据权利要求2所述的动态认知神经功能重建中的输入输出信号处理方法，其特征 在于，所述步骤(11)中的预定条件为:与节点Ni连接的路径的使用概率大于预设阔值，该使 用概率其中W为对节点Ni的已监测周期，丫 k(SNi(t))表示路径k是否被授 权使用，当其被使用时丫 k(SNi(t)) = l，否则丫 k(SNi(t))=0,印衰示节点Ni在已 监测周期W内存在信号的次数。8. 根据权利要求7所述的动态认知神经功能重建中的输入输出信号处理方法，其特征 在于，所述幕指数函数的反对数计算采用eX形式的函数进行。
【文档编号】G06N3/06GK106096725SQ201610382422
【公开日】2016年11月9日
【申请日】2016年6月1日 公开号201610382422.9, CN 106096725 A, CN 106096725A, CN 201610382422, CN-A-106096725, CN106096725 A, CN106096725A, CN201610382422, CN201610382422.9
【发明人】周琳, 陈林瑞
【申请人】四川东鼎里智信息技术有限责任公司