CN105897358B - 反馈神经网络的信号放大方法 - Google Patents
反馈神经网络的信号放大方法 Download PDFInfo
- Publication number
- CN105897358B CN105897358B CN201610381531.9A CN201610381531A CN105897358B CN 105897358 B CN105897358 B CN 105897358B CN 201610381531 A CN201610381531 A CN 201610381531A CN 105897358 B CN105897358 B CN 105897358B
- Authority
- CN
- China
- Prior art keywords
- mtd
- matrix
- msub
- mrow
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
- G06N3/105—Shells for specifying net layout
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Electromagnetism (AREA)
- Amplifiers (AREA)
- Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
Abstract
为了提高多输入输出动态系统中的反馈神经网络信号处理速度,本发明提供了一种反馈神经网络的信号放大方法,包括:构造检测信号接收矩阵;对检测信号接收矩阵进行奇异值分解;根据奇异值分解结果构造反馈信号矩阵;利用反馈信号矩阵对接收矩阵信号进行反馈和放大。本发明根据反馈神经网络算法,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建模过程中运算的离散度,提高了建模的收敛速度。
Description
技术领域
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,涉及一种反馈神经网络的信号放大方法。
背景技术
神经网络是用机器模拟人脑智能活动的杰出代表。它巧妙地将生物神经网络的结构和工作方式角数学形式模拟出来,用于解决实际问题,已在众多领域获得成功应用。例如,根据疾病危险因素预测疾病发生风险,反馈神经网络在流行病学资料分析中占有相当比重。它属于非线性模拟系统,其特有的设计及工作原理使其对被分析的资料特性几乎没有任何要求,无论被研究资料是连续型还是离散型的,采用神经网络方法不必经过繁琐的变量特征分析过程即可直接使用并行处理的方式又使它对残缺资料以及干扰错误信号具有一定的处理能力神经网络还具有自动学习、识别变量间关系的能力,可以识别变量间的任何关系而不需要人脑的参与,其效果往往也优于传统分析方法。
但是,传统的反馈神经网络算法在建模时收敛速度慢,限制了其在多输入输出动态系统中。
发明内容
为了提高多输入输出动态系统中的反馈神经网络信号处理速度,本发明通过借助于相位处理的方式使反馈神经网络的信号得以适当放大,提高了建模时的收敛速度。
具体地,本发明提供了一种反馈神经网络的信号放大方法,包括:
(1)构造检测信号接收矩阵;
(2)对检测信号接收矩阵进行奇异值分解;
(3)根据奇异值分解结果构造反馈信号矩阵;
(4)利用反馈信号矩阵对接收矩阵信号进行反馈和放大。
进一步地,所述步骤(1)包括:
(11)接收多个待输入到多输入输出系统的待处理信号Si(t),i=1,2,…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:
K1:K2:K3:...:KN=|lg(||S1(t)||)|:|lg(||S2(t)||)|:|lg(||S3(t)||)|:...:|lg(||SN(t)||)|
(13)构造检测信号接收矩阵A:
进一步地,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,VH为A的列奇异向量。
进一步地,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:
其中Pi为与之对应的待处理信号Si(t)的相位信息,i=1,2,…N,N为正整数;
(32)对检测信号接收矩阵进行奇异值分解,获得其广义逆矩阵A′:
(33)计算广义逆矩阵A′的秩α;
(34)对相位信息矩阵P进行筛选:
去掉相位信息矩阵P中Pi小于预设阈值的值,得到矩阵P^;
(35)计算相位信息矩阵P^的秩β;
(36)计算各待处理信号Si(t)的相位信息的比例:
L1:L2:L3:...:LN=||P1||:||P2||:||P3||:...:||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P中Pi小于预设阈值的值的情况,且当相位信息矩阵P中Pi小于预设阈值的值时,ci=0,否则ci=||D||;
(38)确定矩阵I的重特征值T,进而计算Li与T之间的标准差Gi并以此标准差构造反馈比例矩阵G;
(39)构造反馈信号矩阵F:
进一步地,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,得到供输入给多输入输出动态系统的经过放大的信号矩阵R':
R'=m×E;
(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)。
进一步地,所述lg处理函数可以替换为ln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。
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。
本发明的有益效果是:根据反馈神经网络算法,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建模过程中运算的离散度,提高了建模的收敛速度。
附图说明
图1示出了根据本发明的反馈神经网络的信号放大方法的流程框图。
具体实施方式
如图1所示,根据本发明的优选实施例,本发明提供了一种反馈神经网络的信号放大方法,包括:
(1)构造检测信号接收矩阵;
(2)对检测信号接收矩阵进行奇异值分解;
(3)根据奇异值分解结果构造反馈信号矩阵;
(4)利用反馈信号矩阵对接收矩阵信号进行反馈和放大。
优选地,所述步骤(1)包括:
(11)接收多个待输入到多输入输出系统的待处理信号Si(t),i=1,2,…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:
K1:K2:K3:...:KN=|lg(||S1(t)||)|:|lg(||S2(t)||)|:|lg(||S3(t)||)|:...:|lg(||SN(t)||)|
(13)构造检测信号接收矩阵A:
优选地,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,VH为A的列奇异向量。
优选地,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:
其中Pi为与之对应的待处理信号Si(t)的相位信息,i=1,2,…N,N为正整数;
(32)对检测信号接收矩阵进行奇异值分解,获得其广义逆矩阵A′:
(33)计算广义逆矩阵A′的秩α;
(34)对相位信息矩阵P进行筛选:
去掉相位信息矩阵P中Pi小于预设阈值的值,得到矩阵P^;
(35)计算相位信息矩阵P^的秩β;
(36)计算各待处理信号Si(t)的相位信息的比例:
L1:L2:L3:...:LN=||P1||:||P2||:||P3||:...:||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P中Pi小于预设阈值的值的情况,且当相位信息矩阵P中Pi小于预设阈值的值时,ci=0,否则ci=||D||;
(38)确定矩阵I的重特征值T,进而计算Li与T之间的标准差Gi并以此标准差构造反馈比例矩阵G;
(39)构造反馈信号矩阵F:
优选地,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,得到供输入给多输入输出动态系统的经过放大的信号矩阵R':
R'=m×E;
(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)。
可替换地,所述lg处理函数可以替换为ln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。
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。
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。
Claims (4)
1.一种反馈神经网络的信号放大方法,通过借助于相位处理的方式使反馈神经网络的信号得以放大,提高了建模时的收敛速度,包括:
(1)构造检测信号接收矩阵;
(2)对检测信号接收矩阵进行奇异值分解;
(3)根据奇异值分解结果构造反馈信号矩阵;
(4)利用反馈信号矩阵对接收矩阵信号进行反馈和放大;
所述步骤(1)包括:
(11)接收多个待输入到多输入输出系统的待处理信号Si(t),i=1,2,…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:
K1:K2:K3:...:KN=|lg(||S1(t)||)|:|lg(||S2(t)||)|:|lg(||S3(t)||)|:...:|lg(||SN(t)||)|
(13)构造检测信号接收矩阵A:
<mrow>
<mi>A</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>K</mi>
<mn>1</mn>
</msub>
</mtd>
<mtd>
<msqrt>
<mrow>
<msub>
<mi>K</mi>
<mn>1</mn>
</msub>
<mo>&times;</mo>
<msub>
<mi>K</mi>
<mn>2</mn>
</msub>
</mrow>
</msqrt>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msqrt>
<mrow>
<msub>
<mi>K</mi>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>K</mi>
<mi>N</mi>
</msub>
</mrow>
</msqrt>
</mtd>
</mtr>
<mtr>
<mtd>
<msqrt>
<mrow>
<msub>
<mi>K</mi>
<mn>2</mn>
</msub>
<mo>&times;</mo>
<msub>
<mi>K</mi>
<mn>1</mn>
</msub>
</mrow>
</msqrt>
</mtd>
<mtd>
<msub>
<mi>K</mi>
<mn>2</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msqrt>
<mrow>
<msub>
<mi>K</mi>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mn>2</mn>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>K</mi>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</msqrt>
</mtd>
</mtr>
<mtr>
<mtd>
<msqrt>
<mrow>
<msub>
<mi>K</mi>
<mi>N</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>K</mi>
<mn>1</mn>
</msub>
</mrow>
</msqrt>
</mtd>
<mtd>
<msqrt>
<mrow>
<msub>
<mi>K</mi>
<mi>N</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>K</mi>
<mn>2</mn>
</msub>
</mrow>
</msqrt>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>K</mi>
<mi>N</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
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,VH为A的列奇异向量;
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:
其中Pi为与之对应的待处理信号Si(t)的相位信息,i=1,2,…N,N为正整数;
(32)对检测信号接收矩阵进行奇异值分解,获得其广义逆矩阵A′:
(33)计算广义逆矩阵A′的秩α;
(34)对相位信息矩阵P进行筛选:
去掉相位信息矩阵P中Pi小于预设阈值的值,得到矩阵P^;
(35)计算相位信息矩阵P^的秩β;
(36)计算各待处理信号Si(t)的相位信息的比例:
L1:L2:L3:...:LN=||P1||:||P2||:||P3||:...:||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P中Pi小于预设阈值的值的情况,且当相位信息矩阵P中Pi小于预设阈值的值时,ci=0,否则ci=||D||;
(38)确定矩阵I的重特征值T,进而计算Li与T之间的标准差Gi并以此标准差构造反馈比例矩阵G;
(39)构造反馈信号矩阵F:
<mrow>
<mi>F</mi>
<mo>=</mo>
<mi>l</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>&alpha;</mi>
<mo>&times;</mo>
<mi>&beta;</mi>
</mrow>
<mrow>
<mo>|</mo>
<mo>|</mo>
<mi>A</mi>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<msup>
<mi>A</mi>
<mo>&prime;</mo>
</msup>
<mo>&CenterDot;</mo>
<mi>G</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
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,得到供输入给多输入输出动态系统的经过放大的信号矩阵R':
R'=m×E;
(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)。
2.根据权利要求1所述的反馈神经网络的信号放大方法,其特征在于,所述lg处理函数能够替换为ln处理函数。
3.根据权利要求2所述的反馈神经网络的信号放大方法,其特征在于,反对数运算相应地替换为幂指数函数的反对数计算。
4.根据权利要求3所述的反馈神经网络的信号放大方法,其特征在于,所述幂指数函数的反对数计算采用ex形式的函数进行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610381531.9A CN105897358B (zh) | 2016-06-01 | 2016-06-01 | 反馈神经网络的信号放大方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610381531.9A CN105897358B (zh) | 2016-06-01 | 2016-06-01 | 反馈神经网络的信号放大方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105897358A CN105897358A (zh) | 2016-08-24 |
CN105897358B true CN105897358B (zh) | 2018-03-30 |
Family
ID=56709805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610381531.9A Active CN105897358B (zh) | 2016-06-01 | 2016-06-01 | 反馈神经网络的信号放大方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105897358B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107495958A (zh) * | 2017-08-15 | 2017-12-22 | 上海市奉贤区中心医院 | 一种颈部神经信号记录方法 |
CN111450369A (zh) * | 2020-04-22 | 2020-07-28 | 青岛市妇女儿童医院(青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心) | 具有脱落检测报警的新生儿呼吸传感系统及传感方法 |
CN112702413B (zh) * | 2020-12-21 | 2023-04-07 | 梓昆(杭州)押运安保服务有限公司 | 智能押运款箱系统、控制方法、计算机设备、存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102281221B (zh) * | 2011-06-23 | 2017-03-15 | 中兴通讯股份有限公司 | 非线性系统失真校正装置及方法 |
US20140121554A1 (en) * | 2012-10-29 | 2014-05-01 | The Johns Hopkins University | Seizure detection device and systems |
CN103970964B (zh) * | 2014-05-23 | 2017-05-24 | 哈尔滨工业大学 | 一种挠性卫星模态参数在轨辨识方法 |
-
2016
- 2016-06-01 CN CN201610381531.9A patent/CN105897358B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105897358A (zh) | 2016-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Salam et al. | Internet of things in smart agriculture: Enabling technologies | |
Papageorgiou et al. | Yield prediction in apples using Fuzzy Cognitive Map learning approach | |
CN105897358B (zh) | 反馈神经网络的信号放大方法 | |
Assawinchaichote et al. | Robust H∞ fuzzy filter design for uncertain nonlinear singularly perturbed systems with Markovian jumps: an LMI approach | |
Park et al. | LMI optimization approach on stability for delayed neural networks of neutral-type | |
Yu et al. | Recursive identification for Hammerstein–Wiener systems with dead-zone input nonlinearity | |
Leao et al. | An algorithm for calculating the least limiting water range of soils | |
Apulensis | Analytical treatment of the coupled Higgs equation and the Maccari system via Exp-function method | |
Li et al. | IA-AIS: An improved adaptive artificial immune system applied to complex optimization problems | |
Park et al. | Design of an adaptive fuzzy model based controller for chaotic dynamics in Lorenz systems with uncertainty | |
Yan et al. | A delay-kernel-dependent approach to saturated control of linear systems with mixed delays | |
Lien et al. | Exponential stability and robust H∞ control for uncertain discrete switched systems with interval time-varying delay | |
Chang et al. | H∞ constrained fuzzy control via state observer feedback for discrete-time Takagi–Sugeno fuzzy systems with multiplicative noises | |
Li et al. | Adaptive NN control for a class of stochastic nonlinear systems with unmodeled dynamics using DSC technique | |
Chen et al. | Finite-time dissipative control for stochastic interval systems with time-delay and Markovian switching | |
CN105184400A (zh) | 一种烟田土壤水分预测方法 | |
Detemple et al. | Representation formulas for Malliavin derivatives of diffusion processes | |
Arslan et al. | Decentralized risk-sensitive controller design for strict-feedback systems | |
CN106101035B (zh) | 全反馈神经网络的信号盲检测方法 | |
Carreon-Ortiz et al. | A new mycorrhized tree optimization nature-inspired algorithm | |
Dangerfield et al. | What a difference a stochastic process makes: epidemiological-based real options models of optimal treatment of disease | |
Van Pee et al. | Quality of modelling plant responses for environment control purposes | |
Zribi et al. | H∞-control design for systems with multiple delays | |
Herskowitz et al. | Mathematical model of coffee tree’s rust control using snails as biological agents | |
CN106096725B (zh) | 动态认知神经功能重建中的输入输出信号处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |