一種檢測方法，特別是檢測回聲狀態(tài)網(wǎng)絡(luò)微弱信號的方法。
背景技術(shù)：
：混沌現(xiàn)象是由非線性確定系統(tǒng)產(chǎn)生的一種不規(guī)則運(yùn)動,廣泛存在于氣象、水文、通信及經(jīng)濟(jì)等眾多領(lǐng)域?；煦缇哂袃?nèi)隨機(jī)性、整體穩(wěn)定局部不穩(wěn)定、短期可預(yù)測而長期不可預(yù)測性等特征。近年來,隨著混沌理論研究的不斷深入及其在信號處理、自動控制、電力及金融短期預(yù)測等領(lǐng)域中的廣泛應(yīng)用,混沌時間序列的建模和預(yù)測已成為混沌領(lǐng)域的一個非常重要的研究方向。隨著人工智能方法的出現(xiàn)，越來越多的研究者將其應(yīng)用到時間序列預(yù)測中。在眾多的人工智能方法中，神經(jīng)網(wǎng)絡(luò)因其具有較強(qiáng)的非線性映射逼近能力等優(yōu)勢而其備受研究者的青睞?；芈暊顟B(tài)網(wǎng)絡(luò)(esn)是一種新型遞歸神經(jīng)網(wǎng)絡(luò)，它將隱含層中的神經(jīng)元隨機(jī)布置稀疏連接，初始化后不再受訓(xùn)練的影響，始終固定不變，這種結(jié)構(gòu)成為儲備池。由于儲備池中的狀態(tài)變量與目標(biāo)輸出是線性關(guān)系，且輸出權(quán)值是唯一需要調(diào)整的部分，使得訓(xùn)練過程比較簡單，大大降低了訓(xùn)練的計(jì)算，算法本身屬于凸優(yōu)化，避免了陷入局部極小值的問題，且esn具有很強(qiáng)的記憶能力，使得預(yù)測精度得到保證。然而，回聲狀態(tài)網(wǎng)絡(luò)模型參數(shù)選取大多采用不斷嘗試的方法或根據(jù)人為經(jīng)驗(yàn)來設(shè)置參數(shù)，不能考慮到數(shù)據(jù)的獨(dú)特性，容易受主觀因素的影響，大大的降低了工作效率，嚴(yán)重影響了回聲狀態(tài)網(wǎng)絡(luò)在實(shí)際預(yù)測中的應(yīng)用。市場需要一種能夠克服回聲狀態(tài)網(wǎng)絡(luò)模型參數(shù)選取困難的缺點(diǎn)的檢測方法。技術(shù)實(shí)現(xiàn)要素：為解決現(xiàn)有技術(shù)的不足，本發(fā)明的目的在于提供一種混沌背景中基于改進(jìn)教學(xué)優(yōu)化算法的檢測回聲狀態(tài)網(wǎng)絡(luò)微弱信號的方法，本方法利用改進(jìn)優(yōu)化教學(xué)算法(itlbo)來優(yōu)化回聲狀態(tài)網(wǎng)絡(luò)模型參數(shù)的方法，從而檢測出混沌背景中微弱信號，克服了回聲狀態(tài)網(wǎng)絡(luò)模型參數(shù)選取困難的缺點(diǎn)，提高了工作效率。為了實(shí)現(xiàn)上述目標(biāo)，本發(fā)明采用如下的技術(shù)方案：混沌背景中基于改進(jìn)教學(xué)優(yōu)化算法的檢測回聲狀態(tài)網(wǎng)絡(luò)微弱信號的方法，包括如下步驟：步驟一，確定優(yōu)化參數(shù)的個數(shù)，先確定儲備池規(guī)模n和稀疏度sd的值，設(shè)置回聲狀態(tài)網(wǎng)絡(luò)初始化參數(shù)；設(shè)教學(xué)次數(shù)g＝0，最大教學(xué)次數(shù)為g；步驟二，在設(shè)定的參數(shù)范圍內(nèi)進(jìn)行實(shí)數(shù)編碼，產(chǎn)生m個種群；步驟三，將混沌時間序列的重構(gòu)延遲坐標(biāo)向量作為回聲狀態(tài)網(wǎng)絡(luò)模型的輸入，利用相應(yīng)參數(shù)對回聲狀態(tài)網(wǎng)絡(luò)進(jìn)行訓(xùn)練與預(yù)測；步驟四，計(jì)算每個回聲狀態(tài)網(wǎng)絡(luò)個體的適應(yīng)度值；步驟五，種群經(jīng)過教授、學(xué)習(xí)和反饋階段后得到新的種群，g＝g+1；步驟六，判斷教學(xué)次數(shù)g是否達(dá)到g，若達(dá)到則進(jìn)入下一步，否則，重復(fù)步驟三到步驟五的操作，直到符合設(shè)定的條件為止，輸出回聲狀態(tài)網(wǎng)絡(luò)模型最優(yōu)參數(shù)；步驟七，利用得到的回聲狀態(tài)網(wǎng)絡(luò)模型優(yōu)化參數(shù)進(jìn)行建模、訓(xùn)練并完成預(yù)測；步驟八，通過模型仿真得到預(yù)測誤差幅值圖形，分析預(yù)測誤差幅值，并從中判斷是否存在微弱目標(biāo)信號，完成混沌背景下微弱信號的檢測。前述的混沌背景中基于改進(jìn)教學(xué)優(yōu)化算法的檢測回聲狀態(tài)網(wǎng)絡(luò)微弱信號的方法，在步驟一中，設(shè)置回聲狀態(tài)網(wǎng)絡(luò)的初始化參數(shù)包括：內(nèi)部連接矩陣的譜半徑sr，輸入單元尺度is，輸入單元位移ish，教師信號尺度ts，教師信號位移tsh的參數(shù)范圍。前述的混沌背景中基于改進(jìn)教學(xué)優(yōu)化算法的檢測回聲狀態(tài)網(wǎng)絡(luò)微弱信號的方法，在步驟二中，對五個參數(shù)進(jìn)行編碼的方式為x＝[x1，x2，x3，x4，x5]，其中，x1表示內(nèi)部連接矩陣的譜半徑sr，x2表示輸入單元尺度is，x3表示輸入單元位移ish，x4表示教師信號尺度ts，x5表示教師信號位移tsh。前述的混沌背景中基于改進(jìn)教學(xué)優(yōu)化算法的檢測回聲狀態(tài)網(wǎng)絡(luò)微弱信號的方法，在步驟二中，需要優(yōu)化的參數(shù)個數(shù)與編碼生成的個體的維數(shù)相等，個體中每一維變量對應(yīng)相應(yīng)的待優(yōu)化的參數(shù)。前述的混沌背景中基于改進(jìn)教學(xué)優(yōu)化算法的檢測回聲狀態(tài)網(wǎng)絡(luò)微弱信號的方法，在步驟三中，將混沌時間序列的重構(gòu)延遲坐標(biāo)向量作為回聲狀態(tài)網(wǎng)絡(luò)模型的輸入，利用相應(yīng)參數(shù)對回聲狀態(tài)網(wǎng)絡(luò)進(jìn)行訓(xùn)練與預(yù)測；具體過程為：現(xiàn)在假設(shè)一個回聲狀態(tài)網(wǎng)絡(luò)，有k個輸入層單元，n個隱層單元，l個輸出層單元；在時刻n，輸入序列為u(n)＝[u1(n),u2(n),…,uk(n)],隱層的狀態(tài)序列為x(n)＝[x1(n),x2(n),…,xn(n)]，輸出序列為y(n)＝[y1(n),y2(n),…,yl(n)]；用表示輸出層的連接權(quán)值矩陣；wn×n表示儲備池內(nèi)部的連接權(quán)值矩陣，通常它的稀疏連接保持在1％-5％，且譜半徑一般小于1，因此儲備池具備一定的記憶能力和穩(wěn)定性；表示輸出層的連接權(quán)值矩陣；表示輸出層到隱層的反饋權(quán)值矩陣，其中，win、w和wback是在網(wǎng)絡(luò)建立前隨機(jī)生成的，并且生成之后就不能改變，只有wout是通過訓(xùn)練計(jì)算得到的，而回聲狀態(tài)網(wǎng)絡(luò)的訓(xùn)練目的就是確定輸出權(quán)值wout；回聲狀態(tài)網(wǎng)絡(luò)的基本方程為x(n+1)＝f(winu(n)+wx(n)+wbacky(n))，式中表示輸出的偏置項(xiàng)也能表示噪聲，一般取為0；f＝[f1,f2,…,fn]表示內(nèi)部神經(jīng)元激活函數(shù)，通常情況下，fi(i＝1,2,…,n)取作雙曲正切函數(shù)；表示輸出函數(shù)。典型情況下，fout(i＝1,2,…,l)取恒等函數(shù)，回聲狀態(tài)網(wǎng)絡(luò)算法通過輸入信號激勵儲備池，然后儲備池中會產(chǎn)生連續(xù)的狀態(tài)變量信號，最后通過儲備池狀態(tài)變量與目標(biāo)輸出信號的線性回歸算法確定回聲狀態(tài)網(wǎng)絡(luò)網(wǎng)絡(luò)輸出權(quán)值；它的訓(xùn)練過程如下:(1)初始化win、w和wback(2)利用樣本和公式(1)求出隱層狀態(tài)序列x(n)；(3)根據(jù)狀態(tài)序列x(n)、輸出樣本y(n)，利用基本方程和線性回歸法求出wout。前述的混沌背景中基于改進(jìn)教學(xué)優(yōu)化算法的檢測回聲狀態(tài)網(wǎng)絡(luò)微弱信號的方法，步驟四，計(jì)算每個回聲狀態(tài)網(wǎng)絡(luò)個體的適應(yīng)度值；計(jì)算公式為式中n是混沌時間序列的檢驗(yàn)集數(shù)目，yi和分別表示真實(shí)值和預(yù)測值。前述的混沌背景中基于改進(jìn)教學(xué)優(yōu)化算法的檢測回聲狀態(tài)網(wǎng)絡(luò)微弱信號的方法，步驟五，種群經(jīng)過教授、學(xué)習(xí)和反饋階段后得到新的種群，g＝g+1；具體過程為：(1)教授階段：假設(shè)一個班級由教師t和學(xué)生s組成，將目標(biāo)函數(shù)f(s)作為評判準(zhǔn)則對每個學(xué)生進(jìn)行評優(yōu)；其中，si＝[si1,si2,…,sid]t(i＝1,2,…,n)，s＝[s1,s2,…,sn]t，在教師進(jìn)行教授的過程中，教師t盡最大可能使學(xué)生的平均水平sm接近自己的水平，其中，即教師根據(jù)t和sm的差異指導(dǎo)學(xué)生進(jìn)行學(xué)習(xí)，這樣會使學(xué)生進(jìn)步更快速。定義教師和學(xué)生水平的差異為其中，為[0,1]上的隨機(jī)數(shù)，即學(xué)生的學(xué)習(xí)因子；為教師的教學(xué)因子，且當(dāng)教師進(jìn)行教授后，學(xué)生會進(jìn)步到一個新的水平，再通過評優(yōu)準(zhǔn)則，判斷學(xué)生是否進(jìn)步，然后對每個學(xué)生進(jìn)行更新，(2)學(xué)習(xí)階段：學(xué)生可在班級中，隨機(jī)選擇兩個不同的學(xué)生si和sj，且i≠j；根據(jù)評優(yōu)準(zhǔn)則，選擇學(xué)生向哪些同學(xué)學(xué)習(xí)才能進(jìn)步最快；若學(xué)生si優(yōu)于sj，則snew,i向si靠近，反之，向sj靠近，學(xué)習(xí)階段具體實(shí)現(xiàn)為其中，為[0,1]上的隨機(jī)數(shù)，即成績更高的同學(xué)對自己的影響因子，通過向水平高的學(xué)生進(jìn)行學(xué)習(xí)之后，再進(jìn)行更新；(3)反饋階段：在班級中,隨機(jī)選擇兩個不同的學(xué)生si和sj，其中i≠j。根據(jù)評優(yōu)準(zhǔn)則，決定哪些學(xué)生應(yīng)與教師進(jìn)行反饋交流。若學(xué)生si優(yōu)于sj，則選擇差生sj與教師進(jìn)行反饋學(xué)習(xí)。反之，選擇si與教師進(jìn)行反饋學(xué)習(xí)，反饋階段具體實(shí)現(xiàn)為其中，為[0,1]上的隨機(jī)數(shù)，即較差學(xué)生向教師反饋信息的能力。本發(fā)明的有益之處在于：本發(fā)明提供一種混沌背景中基于改進(jìn)教學(xué)優(yōu)化算法的檢測回聲狀態(tài)網(wǎng)絡(luò)微弱信號的方法，本方法采用改進(jìn)優(yōu)化教學(xué)算法(itlbo)算法來優(yōu)化回聲狀態(tài)網(wǎng)絡(luò)模型參數(shù)，首先要確定優(yōu)化參數(shù)的個數(shù)，儲備池規(guī)模n和稀疏度sd的值，對其余的參數(shù)進(jìn)行編碼；其次通過itlbo的教授階段、學(xué)習(xí)階段、反饋階段找到最優(yōu)的回聲狀態(tài)網(wǎng)絡(luò)模型參數(shù)組合并對這些參數(shù)進(jìn)行建模、訓(xùn)練和預(yù)測，對單步預(yù)測誤差進(jìn)行分析并從中判斷混沌背景噪聲中是否存在微弱目標(biāo)信號，用該方法對lorenz混沌背景和實(shí)際的海雜波信號進(jìn)行仿真實(shí)驗(yàn)，準(zhǔn)確快速地檢測出微弱信號；克服了回聲狀態(tài)網(wǎng)絡(luò)模型參數(shù)選取困難的缺點(diǎn)，提高了工作效率。附圖說明圖1是本發(fā)明的一種實(shí)施例的流程圖；圖2是本發(fā)明預(yù)測誤差幅值圖形。具體實(shí)施方式以下結(jié)合附圖和具體實(shí)施例對本發(fā)明作具體的介紹?；煦绫尘爸谢诟倪M(jìn)教學(xué)優(yōu)化算法的檢測回聲狀態(tài)網(wǎng)絡(luò)微弱信號的方法，包括如下步驟：步驟一，確定優(yōu)化參數(shù)的個數(shù)，先確定儲備池規(guī)模n和稀疏度sd的值，設(shè)置回聲狀態(tài)網(wǎng)絡(luò)初始化參數(shù)；設(shè)教學(xué)次數(shù)g＝0，最大教學(xué)次數(shù)為g；設(shè)置回聲狀態(tài)網(wǎng)絡(luò)的初始化參數(shù)包括：內(nèi)部連接矩陣的譜半徑sr，輸入單元尺度is，輸入單元位移ish，教師信號尺度ts，教師信號位移tsh的參數(shù)范圍。步驟二，在設(shè)定的參數(shù)范圍內(nèi)進(jìn)行實(shí)數(shù)編碼，產(chǎn)生m個種群；對五個參數(shù)進(jìn)行編碼的方式為x＝[x1，x2，x3，x4，x5]，其中，x1表示內(nèi)部連接矩陣的譜半徑sr，x2表示輸入單元尺度is，x3表示輸入單元位移ish，x4表示教師信號尺度ts，x5表示教師信號位移tsh；需要優(yōu)化的參數(shù)個數(shù)與編碼生成的個體的維數(shù)相等，個體中每一維變量對應(yīng)相應(yīng)的待優(yōu)化的參數(shù)。步驟三，將混沌時間序列的重構(gòu)延遲坐標(biāo)向量作為回聲狀態(tài)網(wǎng)絡(luò)模型的輸入，利用相應(yīng)參數(shù)對回聲狀態(tài)網(wǎng)絡(luò)進(jìn)行訓(xùn)練與預(yù)測；具體過程為：現(xiàn)在假設(shè)一個回聲狀態(tài)網(wǎng)絡(luò)(回聲狀態(tài)網(wǎng)絡(luò))，有k個輸入層單元，n個隱層單元，l個輸出層單元。在時刻n，輸入序列為u(n)＝[u1(n),u2(n),…,uk(n)],隱層的狀態(tài)序列為x(n)＝[x1(n),x2(n),…,xn(n)]，輸出序列為y(n)＝[y1(n),y2(n),…,yl(n)]。用表示輸出層的連接權(quán)值矩陣；wn×n表示儲備池內(nèi)部的連接權(quán)值矩陣，通常它的稀疏連接保持在1％-5％，且譜半徑一般小于1，因此儲備池具備一定的記憶能力和穩(wěn)定性；表示輸出層的連接權(quán)值矩陣；表示輸出層到隱層的反饋權(quán)值矩陣。其中，win、w和wback是在網(wǎng)絡(luò)建立前隨機(jī)生成的，并且生成之后就不能改變，只有wout是通過訓(xùn)練計(jì)算得到的，而回聲狀態(tài)網(wǎng)絡(luò)的訓(xùn)練目的就是確定輸出權(quán)值wout?；芈暊顟B(tài)網(wǎng)絡(luò)的基本方程為x(n+1)＝f(winu(n)+wx(n)+wbacky(n))，式中表示輸出的偏置項(xiàng)也能表示噪聲，一般取為0；f＝[f1,f2,…,fn]表示內(nèi)部神經(jīng)元激活函數(shù)，通常情況下，fi(i＝1,2,…,n)取作雙曲正切函數(shù)；表示輸出函數(shù)。典型情況下，fout(i＝1,2,…,l)取恒等函數(shù)?；芈暊顟B(tài)網(wǎng)絡(luò)算法通過輸入信號激勵儲備池，然后儲備池中會產(chǎn)生連續(xù)的狀態(tài)變量信號，最后通過儲備池狀態(tài)變量與目標(biāo)輸出信號的線性回歸算法確定回聲狀態(tài)網(wǎng)絡(luò)網(wǎng)絡(luò)輸出權(quán)值。它的訓(xùn)練過程如下:(1)初始化win、w和wback(2)利用樣本和公式(1)求出隱層狀態(tài)序列x(n)；(3)根據(jù)狀態(tài)序列x(n)、輸出樣本y(n)，利用基本方程和線性回歸法求出wout。步驟四，計(jì)算每個回聲狀態(tài)網(wǎng)絡(luò)個體的適應(yīng)度值；計(jì)算每個回聲狀態(tài)網(wǎng)絡(luò)個體的適應(yīng)度值。計(jì)算公式為式中n是混沌時間序列的檢驗(yàn)集數(shù)目，yi和分別表示真實(shí)值和預(yù)測值。步驟五，種群經(jīng)過教授、學(xué)習(xí)和反饋階段后得到新的種群，g＝g+1。具體過程為：(1)教授階段：假設(shè)一個班級由教師t和學(xué)生s組成，將目標(biāo)函數(shù)f(s)作為評判準(zhǔn)則對每個學(xué)生進(jìn)行評優(yōu)。其中，si＝[si1,si2,…,sid]t(i＝1,2,…,n)，s＝[s1,s2,…,sn]t，在教師進(jìn)行教授的過程中，教師t盡最大可能使學(xué)生的平均水平sm接近自己的水平，其中，即教師根據(jù)t和sm的差異指導(dǎo)學(xué)生進(jìn)行學(xué)習(xí)，這樣會使學(xué)生進(jìn)步更快速。定義教師和學(xué)生水平的差異為其中，為[0,1]上的隨機(jī)數(shù)，即學(xué)生的學(xué)習(xí)因子；為教師的教學(xué)因子，且當(dāng)教師進(jìn)行教授后，學(xué)生會進(jìn)步到一個新的水平，再通過評優(yōu)準(zhǔn)則，判斷學(xué)生是否進(jìn)步，然后對每個學(xué)生進(jìn)行更新，(2)學(xué)習(xí)階段：學(xué)生可在班級中，隨機(jī)選擇兩個不同的學(xué)生si和sj，且i≠j。根據(jù)評優(yōu)準(zhǔn)則，選擇學(xué)生向哪些同學(xué)學(xué)習(xí)才能進(jìn)步最快；若學(xué)生si優(yōu)于sj，則snew,i向si靠近；反之，向sj靠近。學(xué)習(xí)階段具體實(shí)現(xiàn)為其中，為[0,1]上的隨機(jī)數(shù)，即成績更高的同學(xué)對自己的影響因子，通過向水平高的學(xué)生進(jìn)行學(xué)習(xí)之后，再進(jìn)行更新；(3)反饋階段：在班級中,隨機(jī)選擇兩個不同的學(xué)生si和sj，其中i≠j。根據(jù)評優(yōu)準(zhǔn)則，決定哪些學(xué)生應(yīng)與教師進(jìn)行反饋交流。若學(xué)生si優(yōu)于sj，則選擇差生sj與教師進(jìn)行反饋學(xué)習(xí)；反之，選擇si與教師進(jìn)行反饋學(xué)習(xí)。反饋階段具體實(shí)現(xiàn)為其中，為[0,1]上的隨機(jī)數(shù)，即較差學(xué)生向教師反饋信息的能力。反饋階段不僅保留了班級多樣性，又使差生快速向好學(xué)生靠攏。步驟六，判斷教學(xué)次數(shù)g是否達(dá)到g，若達(dá)到則進(jìn)入下一步，否則，重復(fù)步驟三到步驟五的操作，直到符合設(shè)定的條件為止，輸出回聲狀態(tài)網(wǎng)絡(luò)模型最優(yōu)參數(shù)。步驟七，利用得到的回聲狀態(tài)網(wǎng)絡(luò)模型優(yōu)化參數(shù)進(jìn)行建模、訓(xùn)練并完成預(yù)測。步驟八，通過模型仿真得到預(yù)測誤差幅值圖形，分析預(yù)測誤差幅值，并從中判斷是否存在微弱目標(biāo)信號，完成混沌背景下微弱信號的檢測。利用lorenz系統(tǒng)進(jìn)行仿真，系統(tǒng)完全進(jìn)入混沌狀態(tài)后的5000個數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)進(jìn)行研究，前3000個數(shù)據(jù){ct(n)|n＝1,2,…3000}作為訓(xùn)練集，用與建立預(yù)測模型，后2000個數(shù)據(jù){c(n)|n＝1,2,…2000}作為驗(yàn)證集，用于驗(yàn)證模型的有效性。根據(jù)cao方法求得嵌入維數(shù)為5，延遲時間為1。為了保證回聲狀態(tài)網(wǎng)絡(luò)模型的預(yù)測精度，在進(jìn)行建模與預(yù)測之前，對樣本數(shù)據(jù)進(jìn)行歸一化處理。先確定儲備池規(guī)模n和稀疏度sd的值，再通過本專利方法優(yōu)化其余的參數(shù)，本專利中的內(nèi)部神經(jīng)元激活函數(shù)選用tanh(·)函數(shù)，輸出激活函數(shù)選用線性激活函數(shù)，回聲狀態(tài)網(wǎng)絡(luò)模型參數(shù)如表1所示。預(yù)測結(jié)果均方根誤差隨n和sd的變化不明顯，本發(fā)明專利的可行性得到保證。表1回聲狀態(tài)網(wǎng)絡(luò)模型參數(shù)(lorenz序列)回聲狀態(tài)網(wǎng)絡(luò)模型參數(shù)參數(shù)值n200sr0.8624sd5％is0.8016ish0.7954ts0.4617tsh-0.0309在驗(yàn)證集的1000-1200點(diǎn)處加入一個微弱瞬態(tài)信號s(n)，其幅值為0.00001，觀測時間序列d(n)是由s(n)疊加到混沌背景c(n)中構(gòu)成的，信噪比達(dá)-105.8327db，對時間序列d(n)進(jìn)行歸一化處理，根據(jù)得到的回聲狀態(tài)網(wǎng)絡(luò)模型優(yōu)化參數(shù)值進(jìn)行回聲狀態(tài)網(wǎng)絡(luò)單步預(yù)測，結(jié)果進(jìn)行反歸一化處理，rmse為0.0000028038，圖2為混沌信號中含有瞬態(tài)信號的單步預(yù)測誤差，可以看出回聲狀態(tài)網(wǎng)絡(luò)輸出的單步預(yù)測誤差在{err(n)n＝1040－1121}明顯偏大，這是相空間重構(gòu)后，用1200點(diǎn)進(jìn)行單步預(yù)測時，必將引起預(yù)測值存在較大的誤差。由此可判斷在此區(qū)域存在瞬態(tài)微弱信號。以上顯示和描述了本發(fā)明的基本原理、主要特征和優(yōu)點(diǎn)。本行業(yè)的技術(shù)人員應(yīng)該了解，上述實(shí)施例不以任何形式限制本發(fā)明，凡采用等同替換或等效變換的方式所獲得的技術(shù)方案，均落在本發(fā)明的保護(hù)范圍內(nèi)。當(dāng)前第1頁12