一種基於改進bp神經網絡的參量聲源建模方法
2023-05-18 19:11:31 1
專利名稱：一種基於改進bp神經網絡的參量聲源建模方法
技術領域：
一種參量聲源的建模方法，尤其涉及一種基於改進BP神經網絡的參量聲源建模方法。
背景技術：
參量聲源是一種利用超聲波的非線性傳播效應產生高指向性音頻聲波，具有廣闊應用前景的新概念聲源。然而由於參量揚聲器的工作原理是利用空氣非線性交互作用，自解調出聲音信號必然會有失真的現象，在對可聽聲進行超聲波調製時也必然會增加了非線性失真的因素，雖然現在採用更好的調製算法，使解調出的可聽聲的失真現象(聲音扭曲現象)得到了很大的改善，但在實際的聲頻定向系統中這種聲音失真還是一直存在的，要想有效的解決聲音失真難題，傳統上的方法就是對調製算法進行改進，雖然很多研究人員在算法上已經做了很多的工作，並且取得了很多成果，但是算法上並沒有很多的突破。這是把該技術推向市場的一個很大的技術障礙。同時也是現在的研究熱點。目前參量聲源中超聲波與自解調信號的解析關係是利用「Berktay遠場解」來確定的。但由於「Berktay遠場解」考慮非線性效應時只取二階近似，且沒有將散射、吸收等效應考慮進去，因此它只能作為一種定性依據。而Khokhlov-Zabolotskaya-Kuznetsov(KZK)方程雖然充分考慮到了流體、固體中有限幅值聲束的非線性、吸收、散射效應等因素，但是目前還難以求取該方程的解析解。基於此，需要建立更為精確的參量陣模型來解決參量聲源的信號處理問題。本發明中提出使用神經網絡對參量陣進行建模，同時利用遺傳算法對神經網絡進行優化。利用神經網絡所具有的對非線性映射的任意逼近能力，來模擬參量陣的輸入輸出關係。而利用神經網絡的自學習、自適應能力，可以方便地給出工程上易於實現的學習算法，經過訓練得到系統的正向或逆向模型。並用遺傳算法對神經網絡的權值和結構同時優化，即用遺傳算法同時優化隱含層節點數目和初始權值及閾值，最終得到可靠且評估精度較高的參量陣模型。
發明內容
本發明的目的是為了解決參量聲源建模困難，提出一種基於改進BP神經網絡的參量聲源建模方法，利用BP神經網絡良好的非線性函數逼近能力，以及遺傳算法取優能克服陷於局部極值的特性，建立參量聲源非線性系統模型，以提高參量聲源模型精度和泛化能力。本發明具體方法如下第I步分析參量聲源的輸入輸出量，確定影響神經網絡建模的因素；將參量聲源模型的輸入信號設為PC機產生的音頻信號，將參量聲源模型的輸出設為麥克風接收到的經過空氣自解調的信號；第2步採集訓練和測試參量聲源模型的數據樣本
數據樣本的採集遵循奈奎斯特定理，即為了能夠根據採樣值完全恢復原來的信號，採樣頻率應大於信號頻率的2倍。本發明中處理信號一般採用低於IOkHz的音頻信號，因此採樣頻率選取為44.1kHZ已經足夠。第3步對所採集的數據樣本進行歸一化預處理所述的歸一化是將採集到的數據樣本映射到[_1，1]區間。其映射關係如下Y=2H L其中Y為歸一化處理後的數據，X為需要歸一化的數據，Xfflin為需要歸一化
處理的數據中最小值，Xfflax為需要歸一化處理的數據中最大值。第4步建立參量聲源系統的神經網絡模型用採集的輸入輸出樣本數據構建BP神經網絡該神經網絡輸入層和輸出層節點均取為I ;輸入層和隱層神經元採用Sigmoid型激活函數，輸出層神經元採用線性激活函數；學習速率取O. 1，網絡精度取0.01% ;第5步，遺傳算法優化參量聲源模型將隱層數目、各神經元之間的初始權值作為遺傳算法優化對象，遺傳算法個體編碼採用實數編碼方法，把樣本預測輸出和期望輸出之間的誤差絕對值作為個體適應度，選擇操作選擇輪盤賭法即適應度越大被選擇的概率越大，交叉操作採用實數交叉法，變異操作通過隨機選擇方式選擇基因。第6步，訓練和測試所建模型採用多組經歸一化預處理後的數據樣本對改進的神經網絡進行訓練，訓練樣本的數目的選取一般為4-5個輸入信號周期的數目，並用測試數據對該模型進行分析檢驗，當所述的神經網絡在測試樣本數據的預測誤差低於規定水平即通過測試。有益效果本發明的有益效果是，可有效簡單的建立參量聲源模型，且操作簡單、模型精度較高，克服傳統參量聲源模型不夠精確的問題。具體來說I)本發明將參量聲源的輸入輸出作為BP神經網絡的樣本數據，這樣可以使構建的神經網絡輸入輸出得到相應的確定；2)本發明用遺傳算法對所建的神經網絡模型進行優化，對於在學術研究中隱層無法用理論進行確認的問題通過與實驗結合逐漸獲得；3)本發明針對參量聲源，對神經網絡中的神經元激活函數、學習速率、網絡精度進行數字選取，從而保證神經網絡儘可能的逼近參量聲源的輸入/輸出關係，且儘量縮短收斂時間，提高模型準確度。
圖1為算法流程圖。圖2為遺傳算法優化前所建神經網絡模型的誤差。圖3為遺傳算法優化後所建神經網絡模型的誤差。
具體實施例方式下面結合附圖對本發明的技術方案進行詳細說明本發明的思路是利用經過遺傳算法改進的人工智慧神經網絡構建參量聲源的模型。下面對該模型的建立過程進行詳細說明。輸入、輸出變量的選擇:對於神經網絡建立的參量聲源模型而言,參量聲源的輸入輸出分別對應於所建模型的輸入輸出，同時為了提高模型的精度，參量聲源的輸入應儘量選取單頻信號，而採集參量聲源的輸出的麥克風的採樣率應滿足奈奎斯特採樣定理。本發明中採樣率為44.1Khz0樣本數據的預處理:為了保證數據處理的方便，使神經網絡運行時收斂加快，需要對採集的輸入輸出樣本進行歸一化預處理。歸一化映射有多種形式，如將樣本數據規整到
範圍內，稱為區間歸一化，其映射關係如下:Y= x~!r.，而將樣本數據規整到[-1，1]範圍內，稱為
Naax aIsub區間歸一化，其映射關係如下--1。本發明中對於樣本數據的歸一化處理採用[-1,1]區間歸一化。人工神經網絡是人工智慧技術的一種，具有大規模分布式並行處理、非線性、自組織、自學習、聯想記憶等優良特性，它能夠實現任意非線性系統的逼近，且具有較強的泛化能力，因此可以作為一種建模的手段。BP算法是訓練人工神經網絡的基本方法，其基本思想是最小二乘算法。它採用梯度搜索技術，以期使網絡的實際輸出值與期望輸出值的誤差均方值為最小。X1, X2，…，Xk為BP神經網絡的輸入變量，Cl1, d2，…，dn為BP神經網絡的預測值，Wij為輸入層與隱支的權值，,wJk為隱層與輸出層的權值。輸入節點為n，輸出節點為m，隱層節點I需要通過遺傳算法優化後確定。其訓練的具體步驟如下:(I)BP神經網絡初始化:根據模型確定輸入層節點數、輸出層節點數、給定學習速率和神經元激勵函數；(2)遺傳算法對隱層數1、初始權值Wij及Wjk，隱層閥值a、輸出層閥值b的確定:I)選取遺傳算法種群數為N，個體編碼方法為實數編碼，每個個體均為一個實數串，由隱層節點數、輸入層與隱層連接權值、隱層閾值、隱層與輸出層連接權值及輸出層閾值。個體包含了神經網絡的結構及全部權值和閾值，在這種情況下就可以構成一個結構、權值、閾值確定的神經網絡。2)適應度函數的選取。根據個體得到BP神經網絡的隱層節點數、初始權值和閾值，用訓練數據訓練BP神經網絡後預測系統輸出，將預測輸出和期望輸出之間的誤差絕對值和E作為個體適應度值F，計算公式為F=k( ESjafas(J1-Oi))，式中，m為網絡輸出節點數為BP神經網絡第i個節點的期望輸出；0i為第i個節點的預測輸出；k為係數。3)選擇操作。遺傳算法選擇操作有輪盤賭法、錦標賽法等多種方法，本發明選擇輪
盤賭法，即基於適應度比例的選擇策略，每個個體i的選擇概率Pi為fi = k/Fi Pi=Ysfrff.式中，Fi為個體i的適應度值；k為係數；N為種群個體數目。4)交叉操作。由於個體採用實數編碼，因此交叉操作由兩個個體的實數編碼的線性組合來產生出兩個新個體的方法。其計算公式如下所示:A' = aA+(l_a)B B' = aB+(l_a)A式中，A，B分別為兩個父代個體;A'，B'分別為產生的兩個新個體5)變異操作。 選取第i個個體的第j個基因au進行變異，變異操作方法如下:au = au+ Cai^amin) (g)r >= 0.5
atj = au+ Cama^alj) *f (g) r < 0.5式中，a—為基因Bij的上界^niin為基因Bij的下界；f (g) = r2(l-g/Gmax) ；r2為一個隨機數；g為當前迭代次數；Gmax是最大進化次數；r為
間的隨機數。(3)隱層輸出計算:根據輸入向量，通過遺傳算法確定的輸入層和隱層連接權值Wij以及隱層閾值a，計算隱層輸出H:
權利要求
1.一種基於改進BP神經網絡的參量聲源建模方法，其特徵在於將神經網絡與遺傳算法用於參量聲源建模，包括如下步驟: (1)將PC機輸出的音頻信號作為參量聲源模型的輸入樣本,在參量聲源輸出端連接麥克風採集對應的輸出，並將其作為參量聲源模型的輸出樣本。採集足夠的參量聲源輸入輸出樣本作為要建立神經網絡模型的訓練和測試樣本，採樣頻率選為44.1kHZ ； (2)對採集到的樣本數據進行預處理，依次為:歸一化處理，訓練數據和測試樣本數目的選取。本方法所述的歸一化處理採用[_1，1]歸一化處理，即將樣本數據映射到[_1，1]區間內，訓練數據則取4至5個周期的輸入信號的數目。
(3)遺傳算法優化所建立的參量聲源系統模型的結構和參數 所述的參量聲源模型的結構包括輸入層節點數、隱含層節點數、輸出層節點數。由於參量聲源是單輸入單輸出，所以所設計的神經網絡輸入節點數為1，輸出節點數為I ; 所述的神經網絡參數包括學習速率、神經元激勵函數、神經元之間的權值、隱含層閾值及輸出層閾值。對於學習速率和神經元激勵函數，可根據實際要求選取； 對於參量聲源模型中待定的隱含層節點數和神經元初始權值及閾值，普通神經網絡是隨機取定或根據經驗值獲得，而本方法採用遺傳算法對神經網絡的結構和參數進行優化，即通過遺傳算法同時進化神經網絡的隱層數和初始各神經元之間的權值及閾值，從而得到最佳的隱層數和初始權值及閾值。
2.如權利要求1所述基於改進的BP神經網絡的參量聲源建模方法，其特徵在於，步驟(3)所述對神經網絡參量聲源模型的結構和參數進行優化包括如下步驟: (A)確立優化算法停止目標； (B)對隱含層數目和初始權值及閾值進行實數編碼； (C)將BP神經網絡得到誤差作為適應度值； (D)依次經過選擇操作、交叉操作、變異操作及適應度值的計算 (E)循環步驟(D)，直至 達到迭代停止條件，得到優化後的神經網絡隱含層數目和初始權值及閾值。
全文摘要
針對目前參量聲源系統建模困難的問題，本發明提供了一種基於改進BP神經網絡的參量聲源建模方法。該方法首先採集足夠的訓練和測試樣本數據，對其進行預處理。並建立神經網絡模型，對於神經網絡模型的結構和參數，採用遺傳算法進行優化處理，找到較優的神經網絡隱層數、神經元之間的初始權值及閾值，最後用樣本數據訓練和測試所建的基於改進BP神經網絡的參量聲源模型。該模型具有可靠、評估精度較高的優點。
文檔編號G06F17/50GK103077267SQ20121057943
公開日2013年5月1日 申請日期2012年12月28日 優先權日2012年12月28日
發明者陳敏, 楊天文, 陳祥, 靳銀蕊, 楊亞洲 申請人:電子科技大學