[发明专利]一种基于改进NBA算法的BPNN特征识别方法

权利要求书

1.一种基于改进NBA算法的BPNN特征识别方法，其特征在于：所述方法包括以下步骤：

步骤1：对面边邻接图进行预处理，提取特征因子最小子图，将属于同一特征的特征因子聚合为复合特征；

步骤2：对聚合完毕后的每一个特征因子进行特征编码，得到特征编码序列；

步骤3：采用二阶振荡机制和差分算法对NBA算法进行改进；

所述步骤3包括以下步骤：

步骤3.1：粒子在搜索目标的过程中，令t+1次迭代时，第i个粒子在第j个维度位置时的脉冲频率为f_ij＝f_min+(f_max-f_min)r、速度为位置更新公式为发送脉冲的频率为脉冲音强更新公式为其中，r∈[0，1]，为第t次迭代时的全局最优值，α∈[0，1]，γ＞0；

步骤3.2：以二阶振荡机制对粒子速度进行改进，改进后得到β₁＝c₁r₁，β₂＝c₂r₂，其中，ω为粒子更新的惯性权重因子，c₁为粒子个体的学习因子，c₂为粒子群体的学习因子，r₁、r₂∈[0，1]，p_i为第i个粒子在第t次迭代时自身的个体最优位置，g表示整个粒子群体当前时刻的群体最优位置；

所述步骤3.2中，

c₁＝c_1s+(c_1e-c_1s)*sinω，c₂＝c_2s+(c_2e-c_2s)*sinω，其中，r₃、r₄、r∈[0，1]，G_max为最大迭代次数，ω_s和ω_e分别为惯性权重的初始值和最终值，t是当前迭代的次数，c_1s和c_2s为c₁和c₂的初始值，c_1e和c_2e为c₁和c₂的迭代最终值；

步骤3.3：以差分进化算法进一步改进NBA算法，t+1次迭代时，第i个粒子在第j个维度的速度为其中，i≠p1≠p2≠p3，p1、p2、p3分别表示种群中的个体，为缩放因子，

步骤3.4：设置交叉机制其中，cr为交叉概率，jr为粒子维度内的一个随机正整数；

步骤3.5：最终得到t+1次迭代，第i个粒子的最佳更新位置为其中，函数f为目标函数；

步骤4：以改进的NBA算法优化BP神经网络，并以优化后的BP神经网络进行特征识别。

2.根据权利要求1所述的一种基于改进NBA算法的BPNN特征识别方法，其特征在于：所述步骤1包括以下步骤：

步骤1.1：遍历面边邻接图中的任一个面，对应每个面创建一属性邻接图的顶点，提取每个面的属性作为对应属性邻接图顶点的属性；

步骤1.2：对于面边邻接图中的每两个面，识别两者之间的邻接关系，以邻接关系作为所述两个面的对应边的属性；

步骤1.3：基于步骤1.1和步骤1.2，形成属性邻接图AAG(V，E)，其中，V＝{V₁，V₂...V_i...V_n}为属性邻接图的顶点集合，面边邻接图中的每一个面都与V中的一个元素对应，E为面边邻接图中两个相交的面之间的边的集合；

步骤1.4：遍历属性邻接图AAG(V，E)，提取特征因子最小子图；

步骤1.5：判断任意特征因子最小子图是否存在相交特征，若是，将属于同一特征的特征因子聚合为复合特征，否则，输出所有特征因子最小子图。