[发明专利]一种基于头脑风暴自动调整自编码网络的声呐识别方法

权利要求书

1.一种基于头脑风暴自动调整自编码网络的声呐识别方法，其特征在于，按照以下步骤实施：

步骤1、对收集到的声呐数据进行处理，

处理成网络能够识别的输入信号，确定待识别样本类的个数以及每一类样本的特征数即样本维度，同时确定网络的训练样本和测试样本；

步骤2、选择深度神经网络作为网络模型，

具体过程是：

2.1)模型确定为自动编码机，

采用自动编码机对声呐数据特征进行提取；

2.2)确定采用softmax分类器，

分类器采用softmax分类器，当声呐数据训练样本集合为{(x⁽¹⁾,y⁽¹⁾),...,(x^(m),y^(m))}，利用softmax分类器按下式对待识别物体特征进行分类：

其中，假设向量h_θ(x⁽ⁱ⁾)的每一个元素p(y⁽ⁱ⁾＝j|x⁽ⁱ⁾；θ)代表样本待识别物体特征x⁽ⁱ⁾属于第j类的概率，概率越大，待识别物体特征x⁽ⁱ⁾属于第j类的概率就越大，θ₁,θ₂,...,θ_k为模型参数向量；

步骤3、对网络模型进行优化及确定，

自编码网络模型主要由自动编码机和分类器两部分组成，其中，输入层个数为待分类物体特征个数，输出层个数为声呐数据中待识别物体类的个数，

对于网络模型的优化主要是对自动编码机结构的优化，既然自动编码机由输入层、隐藏层和输出层组成，因此，自动编码机结构的确定分为输入层节点数、输出层节点数、隐藏层层数及节点数优化三个方面，

具体过程是：

3.1)确定输入层节点数，

自动编码机输入层也是网络的输入层，输入层节点数的个数与待识别物体数据维度d有关，是待识别物体特征数的输入；

3.2)确定输出层节点数，

对于自动编码机来说，输出层节点数与输入层节点数个数相同，具有相同维度；而对于整个自编码网络模型，输出层节点数为待识别样本的类的个数k；

3.3)隐藏层层数及节点数优化及确定，

采用一种新的基于头脑风暴自动调整的自编码网络算法，该创新的头脑风暴算法优化隐藏层层数及节点数的具体过程是：

3.3.1)初始化，

引入头脑风暴算法，设置种群规模NP，最大迭代次数I，算法参数；

3.3.2)产生可行隐藏层层数及节点数的集合，

为减少模型参数，各隐藏层节点数个数相同；因此，取自编码网络的隐藏层数和隐藏层节点为决策变量，每个个体的维数就是决策变量的个数即L，N的个数，种群中第i个个体pⁱ如式(2)所示：

pⁱ＝[Lⁱ,Nⁱ]    (2)

由于种群规模为NP即随机的产生NP个个体，其中每个个体的产生如式(3)所示：

Lⁱ＝randint(1,max_L)

Nⁱ＝randint(1,max_N)

pⁱ＝[Lⁱ,Nⁱ]    (3)

式中，最大层数max_L＝10，最大节点数max_N＝300，pⁱ是第i个个体，最小层数及最小节点数均为1；即随机产生NP个个体，每个个体层数值在1到10之间，节点数在1到300之间；

3.3.3)确定个体评价指标，

由于隐藏层层数及节点数共同影响着网络模型的精度，因此对个体的评价指标即是网络模型总的评价标准；

3.3.4)对个体评价与聚类，

将步骤3.3.2)中产生的NP个个体集合分别代入自编码网络模型中，以自编码网络模型的总的评价标准作为个体的评价指标，对种群中每一个个体进行评价，

对个体进行评价后，对个体按目标空间进行聚类，随机选择m个个体作为聚类中心，并计算个体到每个聚类中心的欧氏距离，将其聚到欧氏距离最小的类中，再计算每个类中所有点坐标的平均值，将平均值作为新的聚类中心，并不断迭代，最终得到聚成的m个类；

3.3.5)对种群与聚类中心进行更新，

对隐藏层层数及节点数以很小的概率用任意解替代聚类中心，并以一定规则产生新个体，对新个体的产生采用高斯变异的方式，产生的新个体，见式(4)：

其中，是新产生个体的第d维，是选择个体的第d维，n(μ,σ)是以μ为均值、σ为方差的高斯随机函数，ξ是衡量高斯随机值的贡献的系数，*是指乘法运算；

3.3.6)判断是否达到迭代次数I，

判断迭代次数t是否达到设定的最大迭代次数I，若否，设置迭代次数t＝t+1，返回3.3.4重新进行个体评价与聚类；若是，则进入步骤3.3.7)；

3.3.7)输出最优个体，

输出针对该自编码网络模型的最优个体即隐藏层层数及节点数，并将最优隐藏层层数及节点数作为网络模型的最优结构，代入后续的网络训练；

步骤4、对自动编码机进行分层训练，

对自动编码机的分层训练分为初始化、编码解码、分层训练的目标函数建立、以及计算梯度变量更新；

步骤5、对网络模型进行微调，

将训练的网络隐藏层输出y即权值阈值作为自动编码机学习到的待分类的物体的特征，用于分类器的输入，并对网络模型进行微调；

步骤6、判断停止条件，

设定最大迭代次数，判断是否满足最大迭代次数，若不满足，返回步骤3；若满足，则进入步骤7；

步骤7、待识别样本输入分类，

将待识别声呐数据样本输入到已经训练好的网络模型，利用训练好的网络对待识别样本进行分类；

步骤8、计算识别率，

网络模型总体评价标准能够精确地表示网络识别率，但为更直观的表示网络对待识别样本的分类效果，表达式见式(12)：

其中，p为待识别样本总数，ɑ为分类正确的待识别样本，则利用式(12)能够直观的计算出声呐数据最优识别准确率。