CN103077267A

CN103077267A - 一种基于改进bp神经网络的参量声源建模方法

Info

Publication number: CN103077267A
Application number: CN2012105794357A
Authority: CN
Inventors: 陈敏; 杨天文; 陈祥; 靳银蕊; 杨亚洲
Original assignee: University of Electronic Science and Technology of China
Current assignee: University of Electronic Science and Technology of China
Priority date: 2012-12-28
Filing date: 2012-12-28
Publication date: 2013-05-01
Anticipated expiration: 2032-12-28
Also published as: CN103077267B

Abstract

针对目前参量声源系统建模困难的问题，本发明提供了一种基于改进BP神经网络的参量声源建模方法。该方法首先采集足够的训练和测试样本数据，对其进行预处理。并建立神经网络模型，对于神经网络模型的结构和参数，采用遗传算法进行优化处理，找到较优的神经网络隐层数、神经元之间的初始权值及阈值，最后用样本数据训练和测试所建的基于改进BP神经网络的参量声源模型。该模型具有可靠、评估精度较高的优点。

Description

一种基于改进BP神经网络的参量声源建模方法

技术领域

一种参量声源的建模方法，尤其涉及一种基于改进BP神经网络的参量声源建模方法。

背景技术

参量声源是一种利用超声波的非线性传播效应产生高指向性音频声波，具有广阔应用前景的新概念声源。然而由于参量扬声器的工作原理是利用空气非线性交互作用，自解调出声音信号必然会有失真的现象，在对可听声进行超声波调制时也必然会增加了非线性失真的因素，虽然现在采用更好的调制算法，使解调出的可听声的失真现象(声音扭曲现象)得到了很大的改善，但在实际的声频定向系统中这种声音失真还是一直存在的，要想有效的解决声音失真难题，传统上的方法就是对调制算法进行改进，虽然很多研究人员在算法上已经做了很多的工作，并且取得了很多成果，但是算法上并没有很多的突破。这是把该技术推向市场的一个很大的技术障碍。同时也是现在的研究热点。

目前参量声源中超声波与自解调信号的解析关系是利用“Berktay远场解”来确定的。但由于“Berktay远场解”考虑非线性效应时只取二阶近似，且没有将散射、吸收等效应考虑进去，因此它只能作为一种定性依据。而Khokhlov-Zabolotskaya-Kuznetsov(KZK)方程虽然充分考虑到了流体、固体中有限幅值声束的非线性、吸收、散射效应等因素，但是目前还难以求取该方程的解析解。基于此，需要建立更为精确的参量阵模型来解决参量声源的信号处理问题。

本发明中提出使用神经网络对参量阵进行建模，同时利用遗传算法对神经网络进行优化。利用神经网络所具有的对非线性映射的任意逼近能力，来模拟参量阵的输入输出关系。而利用神经网络的自学习、自适应能力，可以方便地给出工程上易于实现的学习算法，经过训练得到系统的正向或逆向模型。并用遗传算法对神经网络的权值和结构同时优化，即用遗传算法同时优化隐含层节点数目和初始权值及阈值，最终得到可靠且评估精度较高的参量阵模型。

发明内容

本发明的目的是为了解决参量声源建模困难，提出一种基于改进BP神经网络的参量声源建模方法，利用BP神经网络良好的非线性函数逼近能力，以及遗传算法取优能克服陷于局部极值的特性，建立参量声源非线性系统模型，以提高参量声源模型精度和泛化能力。

本发明具体方法如下：

第1步：分析参量声源的输入输出量，确定影响神经网络建模的因素；

将参量声源模型的输入信号设为PC机产生的音频信号，将参量声源模型的输出设为麦克风接收到的经过空气自解调的信号；

第2步：采集训练和测试参量声源模型的数据样本

数据样本的采集遵循奈奎斯特定理，即为了能够根据采样值完全恢复原来的信号，采样频率应大于信号频率的2倍。本发明中处理信号一般采用低于10kHz的音频信号，因此采样频率选取为44.1kHZ已经足够。

第3步：对所采集的数据样本进行归一化预处理

所述的归一化是将采集到的数据样本映射到[-1，1]区间。其映射关系如下：

其中Y为归一化处理后的数据，X为需要归一化的数据，X_min为需要归一化处理的数据中最小值，X_max为需要归一化处理的数据中最大值。

第4步：建立参量声源系统的神经网络模型

用采集的输入输出样本数据构建BP神经网络：该神经网络输入层和输出层节点均取为1；输入层和隐层神经元采用Sigmoid型激活函数，输出层神经元采用线性激活函数；学习速率取0.1，网络精度取0.01％；

第5步，遗传算法优化参量声源模型

将隐层数目、各神经元之间的初始权值作为遗传算法优化对象，遗传算法个体编码采用实数编码方法，把样本预测输出和期望输出之间的误差绝对值作为个体适应度，选择操作选择轮盘赌法即适应度越大被选择的概率越大，交叉操作采用实数交叉法，变异操作通过随机选择方式选择基因。

第6步，训练和测试所建模型

采用多组经归一化预处理后的数据样本对改进的神经网络进行训练，训练样本的数目的选取一般为4-5个输入信号周期的数目，并用测试数据对该模型进行分析检验，当所述的神经网络在测试样本数据的预测误差低于规定水平即通过测试。

有益效果：

本发明的有益效果是，可有效简单的建立参量声源模型，且操作简单、模型精度较高，克服传统参量声源模型不够精确的问题。具体来说：

1)本发明将参量声源的输入输出作为BP神经网络的样本数据，这样可以使构建的神经网络输入输出得到相应的确定；

2)本发明用遗传算法对所建的神经网络模型进行优化，对于在学术研究中隐层无法用理论进行确认的问题通过与实验结合逐渐获得；

3)本发明针对参量声源，对神经网络中的神经元激活函数、学习速率、网络精度进行数字选取，从而保证神经网络尽可能的逼近参量声源的输入/输出关系，且尽量缩短收敛时间，提高模型准确度。

附图说明

图1为算法流程图。

图2为遗传算法优化前所建神经网络模型的误差。

图3为遗传算法优化后所建神经网络模型的误差。

具体实施方式

下面结合附图对本发明的技术方案进行详细说明：

本发明的思路是利用经过遗传算法改进的人工智能神经网络构建参量声源的模型。下面对该模型的建立过程进行详细说明。

输入、输出变量的选择：

对于神经网络建立的参量声源模型而言，参量声源的输入输出分别对应于所建模型的输入输出，同时为了提高模型的精度，参量声源的输入应尽量选取单频信号，而采集参量声源的输出的麦克风的采样率应满足奈奎斯特采样定理。本发明中采样率为44.1Khz。

样本数据的预处理：

为了保证数据处理的方便，使神经网络运行时收敛加快，需要对采集的输入输出样本进行归一化预处理。归一化映射有多种形式，如将样本数据规整到[0，1]范围内，称为[0，1]区间归一化，其映射关系如下：

而将样本数据规整到[-1，1]范围内，称为[-1，1]区间归一化，其映射关系如下：

本发明中对于样本数据的归一化处理采用[-1，1]区间归一化。

人工神经网络是人工智能技术的一种，具有大规模分布式并行处理、非线性、自组织、自学习、联想记忆等优良特性，它能够实现任意非线性系统的逼近，且具有较强的泛化能力，因此可以作为一种建模的手段。BP算法是训练人工神经网络的基本方法，其基本思想是最小二乘算法。它采用梯度搜索技术，以期使网络的实际输出值与期望输出值的误差均方值为最小。x₁，x₂，...，x_k为BP神经网络的输入变量，d₁，d₂，...，d_n为BP神经网络的预测值，w_ij为输入层与隐支的权值，...，w_jk为隐层与输出层的权值。输入节点为n，输出节点为m，隐层节点1需要通过遗传算法优化后确定。其训练的具体步骤如下：

(1)BP神经网络初始化：根据模型确定输入层节点数、输出层节点数、给定学习速率和神经元激励函数；

(2)遗传算法对隐层数l、初始权值w_ij及w_jk，隐层阀值a、输出层阀值b的确定：

1)选取遗传算法种群数为N，个体编码方法为实数编码，每个个体均为一个实数串，由隐层节点数、输入层与隐层连接权值、隐层阈值、隐层与输出层连接权值及输出层阈值。个体包含了神经网络的结构及全部权值和阈值，在这种情况下就可以构成一个结构、权值、阈值确定的神经网络。

2)适应度函数的选取。根据个体得到BP神经网络的隐层节点数、初始权值和阈值，用训练数据训练BP神经网络后预测系统输出，将预测输出和期望输出之间的误差绝对值和E作为个体适应度值F，计算公式为

式中，m为网络输出节点数；y_i为BP神经网络第i个节点的期望输出；o_i为第i个节点的预测输出；k为系数。

3)选择操作。遗传算法选择操作有轮盘赌法、锦标赛法等多种方法，本发明选择轮盘赌法，即基于适应度比例的选择策略，每个个体i的选择概率p_i为f_i＝k/F_i

式中，F_i为个体i的适应度值；k为系数；N为种群个体数目。

4)交叉操作。由于个体采用实数编码，因此交叉操作由两个个体的实数编码的线性组合来产生出两个新个体的方法。其计算公式如下所示：

A′＝aA+(1-a)B B′＝aB+(1-a)A

式中，A，B分别为两个父代个体；A′，B′分别为产生的两个新个体

5)变异操作。选取第i个个体的第j个基因a_ij进行变异，变异操作方法如下：

a_ij＝a_ij+(a_ij-a_min)*f(g)r＞＝0.5

a_ij＝a_ij+(a_max-a_ij)*f(g)r＜0.5

式中，a_max为基因a_ij的上界；a_min为基因a_ij的下界；f(g)＝r2(1-g/G_max)；r2为一个随机数；g为当前迭代次数；G_max是最大进化次数；r为[0，1]间的随机数。

(3)隐层输出计算：根据输入向量，通过遗传算法确定的输入层和隐层连接权值w_ij以及隐层阈值a，计算隐层输出H：

H = f (Σ_{i = 1}^{k} w_{ij} x_{i} - a_{j})

j＝1，2，...，l

式中，l为隐层节点数；f为隐层激励函数，本发明选的函数为：

f (x) = \frac{1}{1 + e^{- x}};

(4)输出层输出计算：根据隐层输出H，连接权值w_jk和阈值b，计算BP神经网络预测输出O：

O_{k} = Σ_{j = 1}^{m} H_{j} w_{jk} - b_{k}

k＝1，2，...，m

(5)权值更新：根据网络预测误差e更新网络连接权值w_ij和w_jk：

w_{ij} = w_{ij} + η H_{j} (1 - H_{j}) \times (i) Σ_{k = 1}^{m} w_{jk} e_{k}

i＝1，2，...，n；j＝1，2，...，1

w_jk＝w_jk+ηH_je_k j＝1，2，...，l；k＝1，2，...，m

式中：η为学习速率，0＜＝η＜＝1；

(6)阈值更新：根据网络预测误差e更新网络节点阈值a，b：

a_{j} = a_{j} + η H_{j} (1 - H_{j}) Σ_{k = 1}^{m} w_{jk} e_{k}

j＝1，2，...，l；

b_k＝b_k+e_k k＝1，2，...，m

(7)判断算法迭代是否结束，若没有结束，返回步骤(3)。

算法迭代完成后，即得到所建的参量声源系统的模型。训练完成后，用测试测试样本对所建模型进行验证，验证该模型的准确性。实验证明该模型具有评估精度较高。

Claims

1.一种基于改进BP神经网络的参量声源建模方法，其特征在于将神经网络与遗传算法用于参量声源建模，包括如下步骤：

(1)将PC机输出的音频信号作为参量声源模型的输入样本，在参量声源输出端连接麦克风采集对应的输出，并将其作为参量声源模型的输出样本。采集足够的参量声源输入输出样本作为要建立神经网络模型的训练和测试样本，采样频率选为44.1kHZ；

(2)对采集到的样本数据进行预处理，依次为：归一化处理，训练数据和测试样本数目的选取。本方法所述的归一化处理采用[-1，1]归一化处理，即将样本数据映射到[-1，1]区间内，训练数据则取4至5个周期的输入信号的数目。

(3)遗传算法优化所建立的参量声源系统模型的结构和参数

所述的参量声源模型的结构包括输入层节点数、隐含层节点数、输出层节点数。由于参量声源是单输入单输出，所以所设计的神经网络输入节点数为1，输出节点数为1；

所述的神经网络参数包括学习速率、神经元激励函数、神经元之间的权值、隐含层阈值及输出层阈值。对于学习速率和神经元激励函数，可根据实际要求选取；

对于参量声源模型中待定的隐含层节点数和神经元初始权值及阈值，普通神经网络是随机取定或根据经验值获得，而本方法采用遗传算法对神经网络的结构和参数进行优化，即通过遗传算法同时进化神经网络的隐层数和初始各神经元之间的权值及阈值，从而得到最佳的隐层数和初始权值及阈值。

2.如权利要求1所述基于改进的BP神经网络的参量声源建模方法，其特征在于，步骤(3)所述对神经网络参量声源模型的结构和参数进行优化包括如下步骤：

(A)确立优化算法停止目标；

(B)对隐含层数目和初始权值及阈值进行实数编码；

(C)将BP神经网络得到误差作为适应度值；

(D)依次经过选择操作、交叉操作、变异操作及适应度值的计算

(E)循环步骤(D)，直至达到迭代停止条件，得到优化后的神经网络隐含层数目和初始权值及阈值。