面向声纳反射信号判断的神经网络参数优化方法技术

本发明专利技术涉及面向声纳反射信号判断的神经网络参数优化方法，需获取声纳反射信号，将信号输入训练好的信号判断模型中，输出判断结果

【技术实现步骤摘要】
面向声纳反射信号判断的神经网络参数优化方法


[0001]本专利技术涉及声纳信号判断的
，尤其是涉及面向声纳反射信号判断的神经网络参数优化方法
。

技术介绍

[0002]在对海洋进行探测时，通常勇敢声纳探测器发射信号，然后回收反弹的信号，分析反弹的信号可以快速判别被探测物体的性质，如判断物体为岩石还是金属
。
[0003]现有技术中，通常采用神经网络进行判断，训练神经网络时，可以设置非零权值的所占比率最低和神经网络在数据集上的错误率最低两个目标函数，且决策变量的维度非常多，也就是说训练该神经网络是一种多目标优化问题，针对多目标优化问题的多目标优化算法面对大规模优化问题，也就是决策变量的维度大于等于五百时，大多数算法无法达到预期的结果，或者收敛速度非常缓慢
。
一方面，可行解的搜索空间随着决策变量的数量呈指数增长，导致搜索最优解的时间消耗难以承受；另一方面，高维空间中往往存在大量的局部最优解，这严重影响了算法的精确性与稳定性
。
[0004]综上所述，现有的对用于反射信号判断的神经网络的训练的多目标优化方法，面对大量决策变量时，高维目标空间大幅减慢了求解过程，收敛慢且影响最终的多样性，会影响反弹信号的判断的准确性
。

技术实现思路

[0005]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供的面向声纳反射信号判断的神经网络参数优化方法通过决策变量分析将大规模决策变量分为收敛性变量和多样性变量两类
。
[0006]本专利技术的目的可以通过以下技术方案来实现：
[0007]一种面向声纳反射信号判断的神经网络参数优化方法，包括以下步骤：
[0008]获取声纳的反射信号，将反射信号输入训练好的信号判断模型中，输出判断结果；其中，信号判断模型基于神经网络构建，并对神经网络进行大规模参数优化，获取神经网络的最优权值参数以最小化神经网络的分类误差，具体目标函数为非零权值的所占比率最低和神经网络在数据集上的预测误差最小：
[0009][0010]min f2(x)
＝
ErrorRate(x)
[0011]其中，
x
是决策向量，表示神经网络权值参数，
||x||0表示非零权值参数的个数，
D
表示决策向量的维度，
ErrorRate(x)
表示神经网络的预测误差，目标函数
f1(
·
)
表示非零权值的所占比率，目标函数
f2(
·
)
表示神经网络在数据集集上的错误率；
[0012]具体优化过程为：
[0013](1)
将神经网络的权值参数作为种群，随机设置初始种群，设初始种群的种群数量
为
N
，目标数量为
M
，决策向量维度为
D
，将初始种群作为当前种群；
[0014](2)
从当前种群中构造出决策变量矩阵
X
和目标值矩阵
Y
，并计算出线性转移矩阵
T
；
[0015](3)
采用决策变量分析方法将决策向量中的决策变量分为收敛性变量
D
S
和多样性变量
D
G
两类；
[0016](4)
对收敛性变量
D
S
，采用非线性逆映射模型，从目标空间映射到决策空间，生成第一新种群；
[0017](5)
对第一新种群计算其对应的目标值矩阵，将对应的目标值矩阵与当前种群中构造的目标值矩阵
Y
比较，根据比较结果进行筛选，将满足条件的个体保留入收敛优化种群；
[0018](6)
对多样性变量
D
G
，采用非线性逆映射模型，从目标空间映射到决策空间，生成第二新种群；
[0019](7)
对第二新种群计算其对应的目标值矩阵，将该目标值矩阵与收敛优化种群混合后进行非支配排序，并根据排序将其分层，根据分层的结果筛选出下一代种群，将下一代种群作为新的当前种群，返回
(4)
，直至函数评估次数达到设定值
。
[0020]进一步地，所述非线性逆映射模型基于在线性转移矩阵
T
的基础上引入神经网络的激活函数建立
。
[0021]进一步地，
(4)
中，生成第一新种群的过程为：
[0022]生成新的决策值矩阵
X1
′
，决策值矩阵
X1
′
为：其中，
Y
为当前种群的目标值矩阵，表示向量积，
T
为对应的线性转移矩阵，
R
为0到1之间的随机数矩阵，
f
σ
(
·
)
为激活函数，表示种群的目标值全部缩小一个随机倍数，表示映射回目标空间，表示通过非线性激活函数得到新的决策值矩阵；
[0023]将当前种群
X
赋值给新种群
X
1new
；
[0024]将新的决策值矩阵
X1
′
的收敛性变量
D
S
赋值给新种群
X
1new
，赋值后的新种群
X
1new
为第一新种群
。
[0025]进一步地，
(6)
中，生成第二新种群的过程为：
[0026]生成新的决策值矩阵
X2
′
，决策值矩阵
X2
′
为：其中，
Y
为当前种群的目标值矩阵，表示向量积，
T
为对应的线性转移矩阵，
R
为0到1之间的随机数矩阵，
f
σ
(
·
)
为激活函数，表示种群的目标值全部缩小一个随机倍数，表示映射回目标空间，表示通过非线性激活函数得到新的决策值矩阵；
[0027]将当前种群
X
赋值给新种群
X
2new
；
[0028]将新的决策值矩阵
X2
′
的多样性变量
D
G
赋值给新种群
X
2new
，赋值后的新种群
X
2new
为第二新种群
。
[0029]进一步地，激活函数为
tanh(
·
)
函数
。
[0030]进一步地，目标值矩阵
Y
为
N
×
M
，
X
的维度
N
×
D
，
T
的维度为...

【技术保护点】

【技术特征摘要】
1.
一种面向声纳反射信号判断的神经网络参数优化方法，其特征在于，包括以下步骤：获取声纳的反射信号，将反射信号输入训练好的信号判断模型中，输出判断结果；其中，信号判断模型基于神经网络构建，并对神经网络进行大规模参数优化，获取神经网络的最优权值参数以最小化神经网络的分类误差，具体目标函数为非零权值的所占比率最低和神经网络在数据集上的预测误差最小：
minf2(x)
＝
ErrorRate(x)
其中，
x
是决策向量，表示神经网络权值参数，
‖x‖0表示非零权值参数的个数，
D
表示决策向量的维度，
ErrorRate(x)
表示神经网络的预测误差，目标函数
f1(
·
)
表示非零权值的所占比率，目标函数
f2(
·
)
表示神经网络在数据集集上的错误率；具体优化过程为：
(1)
将神经网络的权值参数作为种群，随机设置初始种群，设初始种群的种群数量为
N
，目标数量为
M
，决策向量维度为
D
，将初始种群作为当前种群；
(2)
从当前种群中构造出决策变量矩阵
X
和目标值矩阵
Y
，并计算出线性转移矩阵
T
；
(3)
采用决策变量分析方法将决策向量中的决策变量分为收敛性变量
D
S
和多样性变量
D
G
两类；
(4)
对收敛性变量
D
s
，采用非线性逆映射模型，从目标空间映射到决策空间，生成第一新种群；
(5)
对第一新种群计算其对应的目标值矩阵，将对应的目标值矩阵与当前种群中构造的目标值矩阵
Y
比较，根据比较结果进行筛选，将满足条件的个体保留入收敛优化种群；
(6)
对多样性变量
D
G
，采用非线性逆映射模型，从目标空间映射到决策空间，生成第二新种群；
(7)
对第二新种群计算其对应的目标值矩阵，将该目标值矩阵与收敛优化种群混合后进行非支配排序，并根据排序将其分层，根据分层的结果筛选出下一代种群，将下一代种群作为新的当前种群，返回
(4)
，直至函数评估次数达到设定值
。2.
根据权利要求1所述的一种面向声纳反射信号判断的神经网络参数优化方法，其特征在于，所述非线性逆映射模型基于在线性转移矩阵
T
的基础上引入神经网络的激活函数建立
。3.
根据权利要求2所述的一种面向声纳反射信号判断的神经网络参数优化方法，其特征在于，
(4)
中，生成第一新种群的过程为：生成新的决策值矩阵
X1
′
，决策值矩阵
X1
′
为：其中，
Y
为当前种群的目标值矩阵，表示向量积，
T
为对应的线性转移矩阵，
R
为0到1之间的随机数矩阵，
f
σ
(
·
)
为激活函数，表示种群的目标值全部缩小一个随机倍数，表示映射回目标空间，表示通过非线性激活函数得到新的决策值矩阵；将当前种群
X
赋值给新种群
X
1new
；
将新的决策值矩阵
X1
′
的收敛性变量
D
S
赋值给新种群
X
1new
，赋值后的新种群
X
1new
为第一新种群
。4.<...

【专利技术属性】
技术研发人员：康琦，邓麒，王晓玲，张量，
申请(专利权)人：同济大学，
类型：发明
国别省市：