一种用于信号重构方案的自动推荐方法技术

本发明专利技术公开了一种用于信号重构方案的自动推荐方法，其步骤包括：1、构建信号重构的单目标优化模型；2、构建数据集；3、针对数据集，使用深度循环神经网络来训练推荐模型；4、拟合信号重构相应的树结构并获取特征；5、将拟合后得到的特征输入到模型中，从而推荐信号重构方案。本发明专利技术能实现对信号重构方案的自动推荐，并提高推荐准确率和效率。并提高推荐准确率和效率。并提高推荐准确率和效率。

【技术实现步骤摘要】
一种用于信号重构方案的自动推荐方法


[0001]本专利技术属于信号重构领域，具体的说是一种用于信号重构方案的自动推荐方法。

技术介绍

[0002]信号重构问题的目的是找到最小损失的最稀疏信号，而不同的方案解决信号重构问题具有明显的性能差异性，因此如何针对特定的问题进行方案的自动推荐至关重要。
[0003]目前，针对信号重构方案的自动推荐方法的难点在于两个方面：首先，由于信号重构这类连续优化问题的复杂性，现有的推荐方法大多将它们视为黑盒问题从而提取特征，具体来说，通过在决策空间中采样一些决策向量并计算其目标值，然后根据这些目标值计算出各种特征，但随着问题维度的增加，需要大量的计算成本才能提取出较为准确的特征；其次，现有的推荐方法通常采用少量benchmark问题来训练模型，因此很难得到一个有效的推荐模型。

技术实现思路

[0004]本专利技术是为了解决上述现有技术存在的不足之处，提出一种用于信号重构方案的自动推荐方法，以期能能实现对信号重构方案的自动推荐，并提高推荐准确率和效率。
[0005]本专利技术为达到上述专本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于信号重构方案的自动推荐方法，其特征是按照如下步骤进行：步骤一、利用式(1)构建信号重构的单目标优化模型；式(1)中，x表示重构信号对应的决策向量，且x＝(x1,x2,...,x
i
,...,x
d
)，其中，x
i
表示第i个决策变量，且第i个变量x
i
对应第i个信号值，y为观测到的信号，A为感知矩阵，f1(x)为重构信号x的Lq范式，用于表示重构信号的稀疏值，q表示用于调节重构信号的稀疏程度的参数，f2(x)表示重构信号的损失值，λ表示权重，用于平衡重构信号的稀疏性和可行性；步骤二、构建数据集；步骤2.1、定义树中结点的取值类别包括：操作数、一元操作符、二元操作符以及面向向量的操作符；定义当前树的操作符个数为n，并初始化n＝1；定义树中操作符的总个数为Num；定义树的根结点的值为求均值操作；定义根结点的右叶结点的值为决策向量x；步骤2.2、从树的根结点开始，按照从上往下的方式随机选择第n个叶结点p
n
；步骤2.3、随机选择第n+1个操作符，若第n+1个操作符为一元操作符或面向向量的操作符，则将叶结点p
n
的右孩子值设为叶结点p
n
的值，再将叶结点p
n
的值设为所述操作符；若第n+1个操作符为二元操作符，则再随机选择一个操作数，并将叶结点p
n
的值和操作数分别随机作为叶结点p
n
的左、右孩子结点的值，再将叶结点p
n
的值设为所述二元操作符；步骤2.4、令n+1赋值给n后，判断n≥Num是否成立，若成立，则表示得到初步构建的树Tree，否则返回步骤2.2顺序执行；步骤2.5、对树Tree中的冗余操作符进行清理；步骤2.6、对清理后的树Tree中所有的结点进行中序遍历，并得到中序表达式，中序表达式中的常数结点值取随机数，再将所述中序表达式转化为单目标优化模型，步骤2.7、选取K种算法工具；步骤2.8、定义单目标优化模型的决策变量上界为Upper；定义单目标优化模型的决策变量下界为Lower；定义单目标优化模型的决策变量数目为D；定义单目标优化模型的最大评估次数为MAXFES；设置每种算法工具的种群大小为NP；步骤2.9、每种算法工具在单目标优化模型上独立运行M次，并通过比较在M次运行中得到的最小适应度值的平均值来确定单目标优化模型上的最佳算法工具；步骤2.10、对清理后的树Tree中所有的结点进行后序遍历，并得到逆波兰表达式，以逆波兰表达式中的结点作为特征，以最佳算法工具作为标签；从而构成一个样本；步骤2.11、按照步骤2.1至步骤2.10的过程，构建具有N个样本的数据集；步骤三、针对数据集，使用深度循环神经网络来训练推荐模型：将数据集中每个结点的符号进行独热编码，然后将每个符号的独热编码输入到词嵌入层，得到对应的词向量，再将数据集的每一批训练样本中的词向量依次输入所述深度循环神经网络中的LSTM层、全连接层和softmax层进行训练，并利用式(2)计算损失函数CE，直至损失函数CE收敛为止，从而得到训练后的推荐模型；

【专利技术属性】
技术研发人员：田野，田应滋，俞晓山，张兴义，
申请(专利权)人：安徽大学，
类型：发明
国别省市：