基于遗传算法优化的BP神经网络的频谱预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111883213A(43)申请公布日2020.11.03(21)申请号202010738765.0G06N3/08(2006.01)(22)申请日2020.07.28G06K9/62(2006.01)(71)申请人西安电子科技大学地址710071陕西省西安市长乐东路甲字一号申请人中国人民解放军空军工程大学(72)发明人迟文升王海张鹏张敏秦红波(74)专利代理机构西安铭泽知识产权代理事务所(普通合伙)61223代理人吴林(51)Int.Cl.G16B40/00(2019.01)G16B20/00(2019.01)G06N3/04(2006.01)权利要求书2页说明书5页附图4页(54)发明名称基于遗传算法优化的BP神经网络的频谱预测方法(57)摘要本发明公开了基于遗传算法优化的BP神经网络的频谱预测方法，涉及频谱预测技术领域，遗传算法GA作为进化算法的一种，可以模仿自然界生物体的遗传进化过程，是一种具有多次迭代过程的搜索算法，从而能够解决一系列最优化问题。本发明参照了自然界中生物体“适者生存，优胜劣汰”的自然选择生存法则，依据某些特定的适应度函数对种群中的各个个体进行遗传中的选择、突变和交叉并进行筛选，那些适应度较好的个体就会被选择以进行利用，而那些适应度较差的个体就被舍弃。经过遗传算法所留下来的个体既拥有了之前所存在的优势，还在此基础上有了更进一步的发展，如反复循环，就会满足所要求的条件。CN111883213ACN111883213A权利要求书1/2页1.基于遗传算法优化的BP神经网络的频谱预测方法，其特征在于，包括以下步骤：S1、种群初始化，对染色体进行实数编码，以种群中的个体来代表整个网络的初始权值和阈值；S2、适应度函数，利用依据染色体得到的网络初始权值和阈值对网络进行训练，得到预测输出；S3、求出将预测输出和期望输出之间误差的绝对值总和，即染色体的适应度值；S4、对染色体进行选择操作；S5、对染色体进行交叉操作；S6、对染色体进行变异操作；S7、判断是否达到优化目标，若没有达到，则重新求取适应度值；若达到，则验证模型的准确性。2.如权利要求1所述的基于遗传算法优化的BP神经网络的频谱预测方法，其特征在于，所述步骤S1中染色体的编码采用实数编码，各染色体用各实数串来表示，其中包括输入层与隐含层之间的连接权值、隐含层的阈值、隐含层和输出层之间的连接权值和输出层的阈值四个组成成分。3.如权利要求1所述的基于遗传算法优化的BP神经网络的频谱预测方法，其特征在于，所述步骤S3染色体的适应度值计算公式(1)如下所示：其中，n为网络输出节点数；yi表示网络的第i个节点的期望输出；oi代表第i个节点的预测输出；k为系数。4.如权利要求1所述的基于遗传算法优化的BP神经网络的频谱预测方法，其特征在于，所述步骤S4所述的选择操作采用轮盘赌法或锦标赛法，若采用轮盘赌法，各染色体i的选择率pi的计算公式(2)如下所示：其中，Fi表示染色体i的适应度值，适应度值越小，其效果越好，因此在进行染色体选择前进行适应度值求倒运算；k为系数；N为种群染色体数目。5.如权利要求1所述的基于遗传算法优化的BP神经网络的频谱预测方法，其特征在于，所述步骤S5所述的交叉操作采取实数交叉法，第k个染色体ak和第l个染色体al在第j个基因的交叉计算公式(3)和(4)如下所示：akj＝akj(1-b)+aljb(3)alj＝alj(1-b)+akjb(4)其中，b是[0,1]之间的随机数。6.如权利要求1所述的基于遗传算法优化的BP神经网络的频谱预测方法，其特征在于，所述步骤S6所述的变异操作，若第i个染色体的第j个基因aij发生，其过程如公式(5)所示：2CN111883213A权利要求书2/2页式中，amax为基因aij的上界；amin为基因aij的下界；是一个随机数；g为当前迭代次数；Gmax是最大的进化次数；r为[0,1]间的随机数。3CN111883213A说明书1/5页基于遗传算法优化的BP神经网络的频谱预测方法技术领域[0001]本发明涉及频谱预测技术领域，特别涉及基于遗传算法优化的BP神经网络的频谱预测方法。背景技术[0002]近些年来，无线电技术由于人们生活的需要得以飞速发展并非常普遍的应用于航空航天，基础通信，卫星电视，航天，军事战争等众多领域，越来越起着无可替代的作用，有着非凡的地位。但是无线频谱是一种有限的不可再生资源，目前大多数频谱的使用主要集中在的特定的频谱范围内，也就是集中在科学、工业、医疗等的开放频段。因此面临着一个非常严峻的问题:频谱资源由于短缺已经无法满足人们日常使用的要求乃至使现代无线通信难以取得更大幅度的进步。尤其是在军事应用领域，频谱资源是未来重