動態(tài)認知神經(jīng)功能重建中的輸入輸出信號處理方法
【專利摘要】為了提高動態(tài)認知神經(jīng)網(wǎng)絡(luò)中節(jié)點信號的處理速度，本發(fā)明提供了一種動態(tài)認知神經(jīng)功能重建中的輸入輸出信號處理方法，包括：根據(jù)動態(tài)認知神經(jīng)網(wǎng)絡(luò)的狀態(tài)構(gòu)造檢測信號接收矩陣；對當前時刻的檢測信號接收矩陣進行奇異值分解；根據(jù)下一時刻的檢測信號接收矩陣以及所述奇異值分解結(jié)果構(gòu)造反饋信號矩陣；對信號進行放大處理并對動態(tài)認知神經(jīng)網(wǎng)絡(luò)進行迭代。本發(fā)明基于節(jié)點在不同時刻信號特征之間的比例進行變換，并利用待輸入到多輸入輸出動態(tài)系統(tǒng)的輸入信號的相位穩(wěn)定性進行信號篩選，提高了建模的收斂速度，進而提高了對各節(jié)點輸入輸出信號的處理速度。
【專利說明】
動態(tài)認知神經(jīng)功能重建中的輸入輸出信號處理方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及多輸入輸出動態(tài)系統(tǒng)信號處理技術(shù)領(lǐng)域，更具體地，涉及一種動態(tài)認 知神經(jīng)功能重建中的輸入輸出信號處理方法。
【背景技術(shù)】
[0002] 由于人工神經(jīng)網(wǎng)絡(luò)具有極強的函數(shù)逼近能力，它能以任意精度充分逼近任意連續(xù) 非線性函數(shù)，對復(fù)雜不確定問題具有自適應(yīng)和自學習能力，神經(jīng)網(wǎng)絡(luò)的出現(xiàn)為醫(yī)療手術(shù)過 程中的路徑規(guī)劃、生物圖像辨識、機電設(shè)備設(shè)計、優(yōu)化計算等領(lǐng)域提供了一種新的高效數(shù)據(jù) 處理方式。
[0003] 然而，對于具有動態(tài)認知神經(jīng)網(wǎng)絡(luò)的系統(tǒng)，通常使用的是逼近和遞歸方式(例如， 現(xiàn)有技術(shù)中包括的前饋神經(jīng)逼近網(wǎng)絡(luò)），目前尚無收斂速度較快的輸入輸出信號處理方法 (參見Carvalho J P.Rule Based Fuzzy Cognitive Maps-Qualitative Dy-namics[0L] ? http://www.google, com)。經(jīng)驗證：典型的Elman動態(tài)網(wǎng)絡(luò)僅具有積分特性，改進Elman網(wǎng) 絡(luò)則具有比例積分特性。

【發(fā)明內(nèi)容】

[0004] 為了提高動態(tài)認知神經(jīng)網(wǎng)絡(luò)中節(jié)點信號的處理速度，本發(fā)明提供了一種動態(tài)認知 神經(jīng)功能重建中的輸入輸出信號處理方法，包括：
[0005] (1)根據(jù)動態(tài)認知神經(jīng)網(wǎng)絡(luò)的狀態(tài)構(gòu)造檢測信號接收矩陣；
[0006] (2)對當前時刻的檢測信號接收矩陣進行奇異值分解；
[0007] (3)根據(jù)下一時刻的檢測信號接收矩陣以及所述奇異值分解結(jié)果構(gòu)造反饋信號矩 陣；
[0008] (4)對信號進行放大處理并對動態(tài)認知神經(jīng)網(wǎng)絡(luò)進行迭代。
[0009] 進一步地，所述步驟(1)包括：
[0010] (11)根據(jù)動態(tài)認知神經(jīng)網(wǎng)絡(luò)的狀態(tài)，在t時刻的狀態(tài)，獲得t時刻要輸入到節(jié)點Ni 的有效信號Si (t)以及t+1時刻輸入到節(jié)點Ni的有效信號S' i (t+1)，所述有效信號表示在動 態(tài)認知神經(jīng)網(wǎng)絡(luò)中的符合預(yù)定條件的信號傳輸路徑中傳輸?shù)男盘?，i = l，2, μ·Ν，Ν為正整 數(shù)；
[0011] (12)計算各待處理信號Si⑴之間的對數(shù)比例，獲得它們彼此之間的比例系數(shù)：
[0012] Κι:Κ2:Κ3: · · · :Kn= | lg( 11 Si(t) | |) |: | lg( 11 S2(t) | |) |: | lg( | |S3(t) | |) |: · · ·: ig(||sN(t)||)
[0013] (13)構(gòu)造 t時刻的檢測信號接收矩陣A:
[0017] 其中 K'r.K '2：K .,:...: K\
[0018] , , , , 。
[0019] 進一步地，所述步驟(2)包括：
[0020] 對檢測信號接收矩陣進行奇異值分解：
[0021] A = UDVH，其中U為A的行奇異向量，D為A的對角陣，VH為A的列奇異向量。
[0022]進一步地，所述步驟(3)包括：
[0023] (31)獲得各待處理信號SKt)的相位信息矩陣P:
[0024]
，其中Pi為與之對應(yīng)的待處理信號Si(t)的相位 信息，? = 1，2，···Ν，Ν為正整數(shù)；
[0025] (32)對(t+Ι)時刻的檢測信號接收矩陣Α進行奇異值分解，獲得其廣義逆矩陣A'， 對(t+1)時刻的檢測信號接收矩陣B進行奇異值分解，獲得其廣義逆矩陣B' ：
[0026] (33)計算廣義逆矩陣B'的秩α;
[0027] (34)對相位信息矩陣Ρ進行篩選：
[0028] 去掉相位信息矩陣ΡψΡ,小于預(yù)設(shè)閾值的值，得到矩陣Ρ~ ;
[0029] (35)計算相位信息矩陣Ρ~的秩β;
[0030] (36)計算各待處理信號SKt)的相位信息的比例：
[0031 ] Li: L2: L3: · · ·: Ln= 11 Pi 11:11P211:11P311: · · ·: 11 Pn 11;
[0032] (37)構(gòu)造相位信息歸一化對角矩陣I:
[0033]
，其中Ci表示相位信息矩陣P中Pi小 于預(yù)設(shè)閾值的值的情況，且當相位信息矩陣小于預(yù)設(shè)閾值的值時，Cl=0,否則Cl= | |D I;
[0034] (38)確定矩陣I的重特征值T，進而計算U與T之間的標準差Gi并以此標準差構(gòu)造反 饋比例矩陣G;
[0035] (39)構(gòu)造反饋信號矩陣F:
[0037]進一步地，所述步驟(4)包括：
[0038] (41)根據(jù)反饋信號矩陣對接收矩陣信號進行反饋，得到待放大矩陣E:
[0039] E=A_F
[0040] (42)確定信號放大比例m;
[0041] (43)對待放大矩陣E進行放大，構(gòu)造矩陣R' ：
[0042] R'=mXE;
[0043] (44)對矩陣R'進行反對數(shù)運算，得到供輸入給多輸入輸出動態(tài)系統(tǒng)的信號矩陣心 ⑴
[0044] (45)構(gòu)造迭代函數(shù)f:
[0046] 進一步地，所述lg處理函數(shù)可以替換為In處理函數(shù)，且反對數(shù)運算相應(yīng)地替換為 冪指數(shù)函數(shù)的反對數(shù)計算。
[0047] 進一步地，所述步驟（11)中的預(yù)定條件為：與節(jié)點K連接的路徑的使用概率大于 預(yù)設(shè)閾值，該使用概率
其中w為對節(jié)點&的已監(jiān)測周期，yk(S Nl(t))表示
路徑k是否被授權(quán)使用，當其被使用時丫1{(5附(〇) = 1，否則yk(SNl(t))=0 表示節(jié)點化在已監(jiān)測周期w內(nèi)存在信號的次數(shù)。
[0048] 進一步地，所述冪指數(shù)函數(shù)的反對數(shù)計算采用ex形式的函數(shù)進行。
[0049] 本發(fā)明的有益效果是：本發(fā)明基于節(jié)點在不同時刻信號特征之間的比例進行變 換，并利用待輸入到多輸入輸出動態(tài)系統(tǒng)的輸入信號的相位穩(wěn)定性進行信號篩選，剔除掉 不能體現(xiàn)出相位集中區(qū)域的信號，從而降低了多輸入輸出動態(tài)系統(tǒng)在動態(tài)認知神經(jīng)網(wǎng)絡(luò)重 建過程中運算的離散度，提高了建模的收斂速度，進而提高了對各節(jié)點輸入輸出信號的處 理速度。
【附圖說明】
[0050] 圖1示出了根據(jù)本發(fā)明的動態(tài)認知神經(jīng)功能重建中的輸入輸出信號處理方法的流 程框圖。
【具體實施方式】
[0051] 如圖1所示，根據(jù)本發(fā)明的優(yōu)選實施例，本發(fā)明提供了一種動態(tài)認知神經(jīng)功能重建 中的輸入輸出信號處理方法，包括：
[0052] (1)根據(jù)動態(tài)認知神經(jīng)網(wǎng)絡(luò)的狀態(tài)構(gòu)造檢測信號接收矩陣；
[0053] (2)對當前時刻的檢測信號接收矩陣進行奇異值分解；
[0054] (3)根據(jù)下一時刻的檢測信號接收矩陣以及所述奇異值分解結(jié)果構(gòu)造反饋信號矩 陣；
[0055] (4)對信號進行放大處理并對動態(tài)認知神經(jīng)網(wǎng)絡(luò)進行迭代。
[0056] 優(yōu)選地，所述步驟(1)包括：
[0057] (11)根據(jù)動態(tài)認知神經(jīng)網(wǎng)絡(luò)的狀態(tài)，在t時刻的狀態(tài)，獲得t時刻要輸入到節(jié)點Ni 的有效信號Si (t)以及t+1時刻輸入到節(jié)點Ni的有效信號S' i (t+1)，所述有效信號表示在動 態(tài)認知神經(jīng)網(wǎng)絡(luò)中的符合預(yù)定條件的信號傳輸路徑中傳輸?shù)男盘?，i = l，2, μ·Ν，Ν為正整 數(shù)；
[0058] (12)計算各待處理信號Si⑴之間的對數(shù)比例，獲得它們彼此之間的比例系數(shù)：
[0059] Κι?: · · · :Kn= | lg( 11 Si(t) | |) |: | lg( 11 S2(t) | |) |: | lg( | |S3(t) | |) |: · · ·: lg(11SN(t)11) I
[0064] 其中
[0065] ., , , , 〇 = ^(115-r(i+i)ii)|：|ig(ii^2a+i)||)|：：|ig(y
[0066] 優(yōu)選地，所述步驟(2)包括：
[0067] 對檢測信號接收矩陣進行奇異值分解：
[0068] A = UDVH，其中U為A的行奇異向量，D為A的對角陣，VH為A的列奇異向量。
[0069]優(yōu)選地，所述步驟(3)包括：
[0070] (31)獲得各待處理信號SKt)的相位信息矩陣P:
[0071]
，其中Pi為與之對應(yīng)的待處理信號Si(t)的相位 信息，? = 1，2，···Ν，Ν為正整數(shù)；
[0072] (32)對(t+Ι)時刻的檢測信號接收矩陣Α進行奇異值分解，獲得其廣義逆矩陣Α'， 對(t+Ι)時刻的檢測信號接收矩陣B進行奇異值分解，獲得其廣義逆矩陣B'：
[0073] (33)計算廣義逆矩陣B'的秩α;
[0074] (34)對相位信息矩陣Ρ進行篩選：
[0075] 去掉相位信息矩陣ΡψΡ1小于預(yù)設(shè)閾值的值，得到矩陣Ρ~ ;
[0076] (35)計算相位信息矩陣Ρ~的秩β;
[0077] (36)計算各待處理信號SKt)的相位信息的比例：
[0078] Li: L2: L3: · · ·: Ln= 11 Pi 11:11P211:11P311: · · ·: 11 Pn 11;
[0079] (37)構(gòu)造相位信息歸一化對角矩陣I:
[0080]
，其中Ci表示相位信息矩陣P中Pi小 于預(yù)設(shè)閾值的值的情況，且當相位信息矩陣小于預(yù)設(shè)閾值的值時，Cl=0,否則Cl= | |D I;
[0081 ] (38)確定矩陣I的重特征值T，進而計算U與T之間的標準差Gi并以此標準差構(gòu)造反 饋比例矩陣G;
[0082] (39)構(gòu)造反饋信號矩陣F:
[0084]優(yōu)選地，所述步驟(4)包括：
[0085] (41)根據(jù)反饋信號矩陣對接收矩陣信號進行反饋，得到待放大矩陣E:
[0086] E=A_F
[0087] (42)確定信號放大比例m;
[0088] (43)對待放大矩陣E進行放大，構(gòu)造矩陣R' ：
[0089] R' =mXE；
[0090] (44)對矩陣R'進行反對數(shù)運算，得到供輸入給多輸入輸出動態(tài)系統(tǒng)的信號矩陣心 ⑴
[0091] (45)構(gòu)造迭代函數(shù)f:
[0093] 優(yōu)選地，所述lg處理函數(shù)可以替換為In處理函數(shù)，且反對數(shù)運算相應(yīng)地替換為冪 指數(shù)函數(shù)的反對數(shù)計算。
[0094] 優(yōu)選地，所述步驟（11)中的預(yù)定條件為：與節(jié)點化連接的路徑的使用概率大于預(yù) 設(shè)閾值，該使用概率
其中w為對節(jié)點&的已監(jiān)測周期，yk(S Nl(t))表示路
徑k是否被授權(quán)使用，當其被使用時丫1{以1(〇) = 1，否則^以1(〇) = 0 示節(jié)點K在已監(jiān)測周期w內(nèi)存在信號的次數(shù)。
[0095] 優(yōu)選地，所述冪指數(shù)函數(shù)的反對數(shù)計算采用ex形式的函數(shù)進行。
[0096] 以上對于本發(fā)明的較佳實施例所作的敘述是為闡明的目的，而無意限定本發(fā)明精 確地為所揭露的形式，基于以上的教導(dǎo)或從本發(fā)明的實施例學習而作修改或變化是可能 的，實施例是為解說本發(fā)明的原理以及讓所屬領(lǐng)域的技術(shù)人員以各種實施例利用本發(fā)明在 實際應(yīng)用上而選擇及敘述，本發(fā)明的技術(shù)思想企圖由權(quán)利要求及其均等來決定。
【主權(quán)項】
1. 一種動態(tài)認知神經(jīng)功能重建中的輸入輸出信號處理方法，包括： (1) 根據(jù)動態(tài)認知神經(jīng)網(wǎng)絡(luò)的狀態(tài)構(gòu)造檢測信號接收矩陣； (2) 對當前時刻的檢測信號接收矩陣進行奇異值分解； (3) 根據(jù)下一時刻的檢測信號接收矩陣W及所述奇異值分解結(jié)果構(gòu)造反饋信號矩陣； (4) 對信號進行放大處理并對動態(tài)認知神經(jīng)網(wǎng)絡(luò)進行迭代。2. 根據(jù)權(quán)利要求1所述的動態(tài)認知神經(jīng)功能重建中的輸入輸出信號處理方法，其特征 在于，所述步驟(1)包括： (11) 根據(jù)動態(tài)認知神經(jīng)網(wǎng)絡(luò)的狀態(tài)，在t時刻的狀態(tài)，獲得t時刻要輸入到節(jié)點Ni的有效 信號Si(t)W及t+1時刻輸入到節(jié)點Ni的有效信號^i(t+l)，所述有效信號表示在動態(tài)認知 神經(jīng)網(wǎng)絡(luò)中的符合預(yù)定條件的信號傳輸路徑中傳輸?shù)男盘?，i = l，2,…N，N為正整數(shù)； (12) 計算各待處理信號Si(t)之間的對數(shù)比例，獲得它們彼此之間的比例系數(shù):Κι:Κ2: Κ3：... ：Κν= I ig( 11Si(t) 11) I ： I ig( 1182(t) 11) I: I ig( 11S3(t) 11) I:...: I ig( 118ν(?) 11) (13) 構(gòu)造 t時刻的檢測信號接收矩陣A:其中 K'r.K =1視I S'々+1) 11)1 :| 喊 II 於(化 1) [1)1 和3. 根據(jù)權(quán)利要求2所述的動態(tài)認知神經(jīng)功能重建中的輸入輸出信號處理方法，其特征 在于，所述步驟(2)包括： 對檢測信號接收矩陣進行奇異值分解： A = UDVH，其中U為A的行奇異向量，D為A的對角陣，yH為A的列奇異向量。4. 根據(jù)權(quán)利要求3所述的動態(tài)認知神經(jīng)功能重建中的輸入輸出信號處理方法，其特征 在于，所述步驟(3)包括： (31)獲得各待處理信號Si(t)的相位信息矩陣P:χ([/ν%..，Λ])'巧中Pi為與之對應(yīng)的待處理信號Si(t)的相位信息， i = l，2，...N，N為正整數(shù)； (32) 對(t+1)時刻的檢測信號接收矩陣A進行奇異值分解，獲得其廣義逆矩陣A'，對(t+ 1)時刻的檢測信號接收矩陣B進行奇異值分解，獲得其廣義逆矩陣B'： (33) 計算廣義逆矩陣B'的秩α; (34) 對相位信息矩陣Ρ進行篩選： 去掉相位信息矩陣Ρ中Pi小于預(yù)設(shè)闊值的值，得到矩陣Ρ~; (35) 計算相位信息矩陣Ρ~的秩β; (36) 計算各待處理信號Si(t)的相位信息的比例： Li：L2：L3： ... ：Ln= I |Pi| I ： IIP2II ： IIP3II ：... ： I |Pn| | ； (37) 構(gòu)造相位信息歸一化對角矩陣I:，其中ci表示相位信息矩陣Ρ中Pi小于預(yù)設(shè) 闊值的值的情況，且當相位信息矩陣P中Pi小于預(yù)設(shè)闊值的值時，Ci = 0,否則Ci= IlDll ; (38) 確定矩陣I的重特征值Τ，進而計算以與!'之間的標準差Gi并W此標準差構(gòu)造反饋比 例矩陣G; (39) 構(gòu)造反饋信號矩陣F:5. 根據(jù)權(quán)利要求4所述的動態(tài)認知神經(jīng)功能重建中的輸入輸出信號處理方法，其特征 在于，所述步驟(4)包括： (41) 根據(jù)反饋信號矩陣對接收矩陣信號進行反饋，得到待放大矩陣E: E=A-F (42) 確定信號放大比例m; (43) 對待放大矩陣E進行放大，構(gòu)造矩陣R' ： R' 二mXE; (44) 對矩陣R'進行反對數(shù)運算，得到供輸入給多輸入輸出動態(tài)系統(tǒng)的信號矩陣Ri(t) (45) 構(gòu)造迭代函數(shù)f: 八=K…十-巧W，其中「·?表示取上整數(shù)。6. 根據(jù)權(quán)利要求2所述的動態(tài)認知神經(jīng)功能重建中的輸入輸出信號處理方法，其特征 在于，所述Ig處理函數(shù)可W替換為In處理函數(shù)，且反對數(shù)運算相應(yīng)地替換為幕指數(shù)函數(shù)的 反對數(shù)計算。7. 根據(jù)權(quán)利要求2所述的動態(tài)認知神經(jīng)功能重建中的輸入輸出信號處理方法，其特征 在于，所述步驟(11)中的預(yù)定條件為:與節(jié)點Ni連接的路徑的使用概率大于預(yù)設(shè)闊值，該使 用概率其中W為對節(jié)點Ni的已監(jiān)測周期，丫 k(SNi(t))表示路徑k是否被授 權(quán)使用，當其被使用時丫 k(SNi(t)) = l，否則丫 k(SNi(t))=0,印衰示節(jié)點Ni在已 監(jiān)測周期W內(nèi)存在信號的次數(shù)。8. 根據(jù)權(quán)利要求7所述的動態(tài)認知神經(jīng)功能重建中的輸入輸出信號處理方法，其特征 在于，所述幕指數(shù)函數(shù)的反對數(shù)計算采用eX形式的函數(shù)進行。
【文檔編號】G06N3/06GK106096725SQ201610382422
【公開日】2016年11月9日
【申請日】2016年6月1日 公開號201610382422.9, CN 106096725 A, CN 106096725A, CN 201610382422, CN-A-106096725, CN106096725 A, CN106096725A, CN201610382422, CN201610382422.9
【發(fā)明人】周琳, 陳林瑞
【申請人】四川東鼎里智信息技術(shù)有限責任公司