CN108536955A - 一种水声信号的混合预测方法 - Google Patents
一种水声信号的混合预测方法 Download PDFInfo
- Publication number
- CN108536955A CN108536955A CN201810307252.7A CN201810307252A CN108536955A CN 108536955 A CN108536955 A CN 108536955A CN 201810307252 A CN201810307252 A CN 201810307252A CN 108536955 A CN108536955 A CN 108536955A
- Authority
- CN
- China
- Prior art keywords
- sound signal
- data
- underwater sound
- training data
- neural network
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开一种水声信号的混合预测方法,属于水声信号处理技术领域,通过对训练数据进行归一化处理,根据训练数据,构造小波神经网络,初始化果蝇优化算法的种群数量和迭代次数,初始化果蝇群体的位置、个体搜索的随机方向和个体搜索的距离;通过果蝇优化算法迭代计算最优权值和阈值;将优化后的权值和阈值代入小波神经网络进行训练,通过训练后的小波神经网络预测水声信号,得到预测结果。预测结果和实际数据吻合度高,预测值的均方根误差和平均绝对误差小,预测精度高。
Description
技术领域
本发明涉及水声信号处理技术领域,具体为一种水声信号的混合预测方法。
背景技术
文献“基于PSO和RBF神经网络的水声信号建模与预测,计算机工程,2008,Vol.34(23),p208-209,213”公开了一种水声信号的预测方法,在自增加聚类算法确定RBF神经网络基函数中心个数的基础上,运用改进的粒子群优化算法对其距离阈值进行优化,结合最小二乘法确定网络输出权值,并将得到的RBF网络用于水声信号预测,预测值与实际值吻合较好,其均方根误差为0.1659,预测的均方根误差较大。
发明内容
针对现有技术中存在的问题,本发明提供一种水声信号的混合预测方法,预测值的均方根误差和平均绝对误差小,预测精度高。
本发明是通过以下技术方案来实现:
一种水声信号的混合预测方法,包括如下步骤:
步骤S1,载入训练数据,对训练数据进行归一化处理,所述训练数据为水声信号实测数据;
步骤S2,根据训练数据,构造小波神经网络,初始化果蝇优化算法的种群数量和迭代次数,初始化果蝇群体的位置、个体搜索的随机方向和个体搜索的距离;
步骤S3,通过果蝇优化算法迭代计算最优权值和阈值;
步骤S4,将优化后的权值和阈值代入小波神经网络进行训练,通过训练后的小波神经网络预测水声信号,得到预测结果。
可选的,步骤S2中,构造神经网络包括:
根据训练数据设置输入层的节点数、隐含层的节点数、输出层的节点数和最大迭代次数;
采用Morlet母小波函数作为小波信号变化分析函数,Morlet母小波函数公式为:
其中t为输入的训练数据,f(t)为输出变量。
Morlet母小波函数偏导数输出为:
可选的,步骤S4之后还包括,计算均方根误差值RMSE,
均方根误差值RMSE的计算公式为:
其中,Ypred为预测结果数据,Yreal表示测试数据,所述测试数据为训练数据实测时间之后实测的水声信号数据,N为数据个数。
可选的,步骤S4之后还包括,计算平均绝对误差值MAE:
平均绝对误差值MAE的计算公式为:
其中,Ypred为预测结果数据,Yreal表示测试数据,所述测试数据为训练数据实测时间之后实测的水声信号数据,N为数据个数。
与现有技术相比,本发明具有以下有益的技术效果:
本发明公开一种水声信号的混合预测方法,通过对训练数据进行归一化处理,根据训练数据,构造小波神经网络,初始化果蝇优化算法的种群数量和迭代次数,初始化果蝇群体的位置、个体搜索的随机方向和个体搜索的距离;通过果蝇优化算法迭代计算最优权值和阈值;将优化后的权值和阈值代入小波神经网络进行训练,通过训练后的小波神经网络预测水声信号,得到预测结果。预测结果和实际数据吻合度高,预测值的均方根误差和平均绝对误差小,预测精度高。
附图说明
图1为本发明实施例提供的一种水声信号的混合预测方法的流程图;
图2为本发明水声信号的测试数据与预测结果数据的对比图;
图3为本发明果蝇优化算法与小波神经网络与BP神经网络、WNN小波神经网络预测结果对比图;
图4为图3的局部放大图。
具体实施方式
下面结合具体的实施例对本发明做进一步的详细说明,所述是对本发明的解释而不是限定。
下面结合附图和具体实施方式对本发明做进一步详细描述。
本发明公开一种水声信号的混合预测方法,包括如下步骤:
步骤1,载入训练数据,对训练数据进行归一化处理,所述训练数据为水声信号实测数据;
步骤2,根据训练数据,构造小波神经网络,初始化果蝇优化算法的种群数量和迭代次数,初始化果蝇群体的位置、个体搜索的随机方向和个体搜索的距离;
步骤3,通过果蝇优化算法迭代计算最优权值和阈值;
步骤4,将优化后的权值和阈值代入小波神经网络进行训练,通过训练后的小波神经网络预测水声信号,得到预测结果。
其中,步骤2中,构造神经网络包括:
根据训练数据设置输入层的节点数、隐含层的节点数、输出层的节点数和最大迭代次数;
采用Morlet母小波函数作为小波信号变化分析函数,Morlet母小波函数公式为:
其中t为输入变量,f(t)为输出变量。
Morlet母小波函数偏导数输出为:
本发明提供的一种水声信号的混合预测方法,在步骤4之后还包括,计算均方根误差值RMSE和平均绝对误差值MAE:
均方根误差值RMSE的计算公式为:
平均绝对误差值MAE的计算公式为:
其中,Ypred为预测结果数据,Yreal表示测试数据,所述测试数据为训练数据实测时间之后实测的水声信号数据,N为数据个数。
具体的,本发明提供的一种水声信号的混合预测方法,包括如下步骤:
步骤1,载入数据,将数据分为训练和测试两组,分别进行初始化处理;
采用归一化预处理后的舰船辐射噪声信号,采样频率20kHz,数据样本长2048点,任意选取1380个点作为实验数据,其时域波形如图3所示。将1380个数据分为预测数据和测试数据,将前四个观测值作为输入向量,第五个观测值作为输出向量,共划分为1372组数据,将前996组数据作为训练数据,剩余的376组数据作为预测数据,将所有数据归一化处理。
步骤2,根据训练数据,构造小波神经网络,初始化果蝇优化算法的种群数量和迭代次数,初始化果蝇群体的位置、个体搜索的随机方向、个体搜索的距离;
设置小波神经网络的参数,采用输入层的节点数为4、隐含层的节点数为15、输出层的节点数为1的小波神经网络进行研究,即小波神经网络的结构为4-15-1。研究过程中将学习概率设置为0.01与0.001,将神经网络最大迭代次数设置为200次。采用Morlet母小波函数作为小波信号变化分析函数,这是隐含层中常用的小波基函数。Morlet母小波函数公式为:
其中,t为输入训练数据,f(t)为输出变量。
Morlet母小波函数偏导数输出为:
其中,式(1)是网络隐含层的激励函数,用于求隐含层的输出f(t)。计算出神经网络的输出值后,通过预测误差来修正小波神经网络权值,式(2)用于修改权值。
初始化果蝇群体位置(x0,y0)即为将小波神经网络的权值和阈值。果蝇优化的迭代次数Iteration=1000,种群规模sizepop=20,设置果蝇个体搜索的随机方向与距离。
步骤3,通过果蝇优化算法迭代计算最优值;
按照果蝇优化算法进行计算,得到最优权值和阈值。
步骤4,将优化后的权值和阈值代入构造好的小波神经网络进行训练;
再将得到的最优值代入小波神经网络进行迭代计算,得到预测模型,使用预测模型预测水声信号,得到最后的预测结果,预测结果如图2所示。从图2中可以看出,红色的线代表预测的水声信号,蓝色的线代表实际的水声信号。可以看出一种基于果蝇优化算法与小波神经网络的水声信号预测方法对原始数据的拟合程度比较好,能够很好地预测水声信号。为了便于比较,BP神经网络、WNN小波神经网络、果蝇优化算法与小波神经网络预测结果如图3所示。局部放大图如图4所示。
步骤5,用测试数据对训练后的小波神经网络性能进行测试,计算其误差。
均方根误差值RMSE的计算公式为:
平均绝对误差值MAE的计算公式为:
其中,Ypred为预测结果数据,Yreal表示测试数据,所述测试数据为训练数据实测时间之后实测的水声信号数据,N为数据个数。
为了避免每次预测结果的不同和随机性带来的误差,本文将10次预测的结果取平均值,即为最终预测的误差值。对三种预测方法的误差结果进行比较,每个模型的均方根误差及平均绝对误差如表1所示。从表1可以看出,
基于本发明提供的水声信号混合预测方法的RMSE和MAE分别为0.0518和0.0399,均小于BP神经网络预测方法和小波神经网络预测方法。证明本发明进一步提高了预测的精度,减小了预测误差。所以本发明提供的水声信号混合预测方法能够很好的预测出水声信号幅值以及水声信号时间序列的变化趋势,是一种比较好的预测模型。
文献“基于PSO和RBF神经网络的水声信号建模与预测,计算机工程,2008,Vol.34(23),p208-209,213”公开了一种水声信号建模与预测方法,其预测的均方根误差为0.1659。由表1可知,提出的一种基于果蝇优化算法与小波神经网络的水声信号预测方法的均方根误差小于文献中的均方根误差。
表1三种预测方法的均方根误差和平均绝对误差
通过对实测水声信号进行预测处理,得到了较为满意的结果。结果表明,采用本发明提供的水声信号混合预测方法对水声信号进行预测处理是一种行之有效的方法,在水声信号的降噪、提取与分类等领域具有重要作用。
本发明所举的具体实施例仅是对此发明精神的诠释,本发明技术领域的技术人员可以对描述的具体实施例进行修改或类似的方法替代,并不偏离本发明的精神。
Claims (4)
1.一种水声信号的混合预测方法,其特征在于,包括如下步骤:
步骤S1,载入训练数据,对训练数据进行归一化处理,所述训练数据为水声信号实测数据;
步骤S2,根据训练数据,构造小波神经网络,初始化果蝇优化算法的种群数量和迭代次数,初始化果蝇群体的位置、个体搜索的随机方向和个体搜索的距离;
步骤S3,通过果蝇优化算法迭代计算最优权值和阈值;
步骤S4,将优化后的权值和阈值代入小波神经网络进行训练,通过训练后的小波神经网络预测水声信号,得到预测结果。
2.如权利要求1所述的一种水声信号的混合预测方法,其特征在于,步骤S2中,构造神经网络包括:
根据训练数据设置输入层的节点数、隐含层的节点数、输出层的节点数和最大迭代次数;
采用Morlet母小波函数作为小波信号变化分析函数,Morlet母小波函数公式为:
其中t为输入的训练数据,f(t)为输出变量;
Morlet母小波函数偏导数输出为:
3.如权利要求1所述的一种水声信号的混合预测方法,其特征在于,步骤S4之后还包括,计算均方根误差值RMSE,
均方根误差值RMSE的计算公式为:
其中,Ypred为预测结果数据,Yreal表示测试数据,所述测试数据为训练数据实测时间之后实测的水声信号数据,N为数据个数。
4.如权利要求1所述的一种水声信号的混合预测方法,其特征在于,步骤S4之后还包括,计算平均绝对误差值MAE:
平均绝对误差值MAE的计算公式为:
其中,Ypred为预测结果数据,Yreal表示测试数据,所述测试数据为训练数据实测时间之后实测的水声信号数据,N为数据个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810307252.7A CN108536955A (zh) | 2018-04-08 | 2018-04-08 | 一种水声信号的混合预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810307252.7A CN108536955A (zh) | 2018-04-08 | 2018-04-08 | 一种水声信号的混合预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108536955A true CN108536955A (zh) | 2018-09-14 |
Family
ID=63483273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810307252.7A Pending CN108536955A (zh) | 2018-04-08 | 2018-04-08 | 一种水声信号的混合预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108536955A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000010455A1 (en) * | 1998-08-24 | 2000-03-02 | Emory University | Method and apparatus for predicting the onset of seizures based on features derived from signals indicative of brain activity |
CN104951597A (zh) * | 2015-06-03 | 2015-09-30 | 西安邮电大学 | 一种水声信号的预测方法 |
CN107703493A (zh) * | 2017-11-13 | 2018-02-16 | 浙江大学 | 基于自适应果蝇优化算法优化最小二乘支持向量机的海杂波最优软测量仪表及方法 |
CN107818224A (zh) * | 2017-11-13 | 2018-03-20 | 浙江大学 | 基于果蝇优化算法优化小波神经网络的海杂波最优软测量仪表及方法 |
-
2018
- 2018-04-08 CN CN201810307252.7A patent/CN108536955A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000010455A1 (en) * | 1998-08-24 | 2000-03-02 | Emory University | Method and apparatus for predicting the onset of seizures based on features derived from signals indicative of brain activity |
CN104951597A (zh) * | 2015-06-03 | 2015-09-30 | 西安邮电大学 | 一种水声信号的预测方法 |
CN107703493A (zh) * | 2017-11-13 | 2018-02-16 | 浙江大学 | 基于自适应果蝇优化算法优化最小二乘支持向量机的海杂波最优软测量仪表及方法 |
CN107818224A (zh) * | 2017-11-13 | 2018-03-20 | 浙江大学 | 基于果蝇优化算法优化小波神经网络的海杂波最优软测量仪表及方法 |
Non-Patent Citations (3)
Title |
---|
周景宏 等: "基于果蝇算法优化小波神经网络的输电工程造价预测", 《价值工程》 * |
王新 等著: "《机电设备故障诊断技术及应用》", 30 April 2014, 北京:煤炭工业出版社 * |
贺昱曜 等: "基于PSO和RBF神经网络的水声信号建模与预测", 《计算机工程》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993280B (zh) | 一种基于深度学习的水下声源定位方法 | |
Li et al. | Long-term system load forecasting based on data-driven linear clustering method | |
CN113361777B (zh) | 基于vmd分解和ihho优化lstm的径流预测方法及系统 | |
Jalali et al. | An advanced short-term wind power forecasting framework based on the optimized deep neural network models | |
Li et al. | Multi-step ahead wind speed forecasting approach coupling maximal overlap discrete wavelet transform, improved grey wolf optimization algorithm and long short-term memory | |
CN112733447B (zh) | 一种基于域自适应网络的水下声源定位方法及系统 | |
CN114970378B (zh) | 一种基于gan网络的海杂波样本库构建方法 | |
CN114201987B (zh) | 一种基于自适应识别网络的有源干扰识别方法 | |
CN108983180A (zh) | 一种群智能高精度的雷达海杂波预报系统 | |
Yang et al. | Underwater acoustic signal prediction based on correlation variational mode decomposition and error compensation | |
CN113850438A (zh) | 公共建筑能耗预测方法、系统、设备及介质 | |
CN114444755A (zh) | 一种风电短期功率预测方法、装置及可读存储介质 | |
Puscasu | Integration of artificial neural networks into operational ocean wave prediction models for fast and accurate emulation of exact nonlinear interactions | |
Horvat et al. | WIFF1. 0: a hybrid machine-learning-based parameterization of wave-induced sea ice floe fracture | |
CN113159405B (zh) | 一种基于改进缎蓝园丁鸟算法优化lssvr的风电功率预测方法 | |
CN108536955A (zh) | 一种水声信号的混合预测方法 | |
CN115345207A (zh) | 一种自适应的多气象要素预测方法 | |
Ahmed et al. | Study of genetic algorithm to fully-automate the design and training of artificial neural network | |
Krithivasan et al. | Efficiency attacks on spiking neural networks | |
Reisi-Dehkordi et al. | Integrating LSTM and EEMD Methods to Improve Significant Wave Height Prediction | |
CN117992760B (zh) | 一种基于认知图谱的电磁环境监测任务规划方法 | |
Benala et al. | Software effort estimation using functional link neural networks optimized by improved particle swarm optimization | |
Amiri et al. | Hybrid artificial neural networks based on aco-rprop for generating multiple spectrum-compatible artificial earthquake records for specified site geology | |
Cai et al. | Study on the nonlinear strategy of inertia weight in particle swarm optimization | |
Long et al. | Prediction of the vertical roller mill key parameters based on optimized ESN algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180914 |
|
RJ01 | Rejection of invention patent application after publication |