一種基于改進BP神經網絡的參量聲源建模方法技術

針對目前參量聲源系統建模困難的問題，本發明專利技術提供了一種基于改進BP神經網絡的參量聲源建模方法。該方法首先采集足夠的訓練和測試樣本數據，對其進行預處理。并建立神經網絡模型，對于神經網絡模型的結構和參數，采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，最后用樣本數據訓練和測試所建的基于改進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。

【技術實現步驟摘要】

一種參量聲源的建模方法，尤其涉及一種基于改進BP神經網絡的參量聲源建模方法。
技術介紹
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。然而由于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制時也必然會增加了非線性失真的因素，雖然現在采用更好的調制算法，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制算法進行改進，雖然很多研究人員在算法上已經做了很多的工作，并且取得了很多成果，但是算法上并沒有很多的突破。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系是利用“Berktay遠場解”來確定的。但由于“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。基于此，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。本專利技術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系。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于實現的學習算法，經過訓練得到系統的正向或逆向模型。并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。
技術實現思路
本專利技術的目的是為了解決參量聲源建模困難，提出一種基于改進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于局部極值的特性，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。本專利技術具體方法如下第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步采集訓練和測試參量聲源模型的數據樣本數據樣本的采集遵循奈奎斯特定理，即為了能夠根據采樣值完全恢復原來的信號，采樣頻率應大于信號頻率的2倍。本專利技術中處理信號一般采用低于IOkHz的音頻信號，因此采樣頻率選取為44.1kHZ已經足夠。第3步對所采集的數據樣本進行歸一化預處理所述的歸一化是將采集到的數據樣本映射到[_1，1]區間。其映射關系如下Y=2H L其中Y為歸一化處理后的數據，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采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采用Sigmoid型激活函數，輸出層神經元采用線性激活函數；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，遺傳算法個體編碼采用實數編碼方法，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，交叉操作采用實數交叉法，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采用多組經歸一化預處理后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，并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于規定水平即通過測試。有益效果本專利技術的有益效果是，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)本專利技術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)本專利技術用遺傳算法對所建的神經網絡模型進行優化，對于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)本專利技術針對參量聲源，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，從而保證神經網絡盡可能的逼近參量聲源的輸入/輸出關系，且盡量縮短收斂時間，提高模型準確度。附圖說明圖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為遺傳算法優化后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專利技術的技術方案進行詳細說明本專利技術的思路是利用經過遺傳算法改進的人工智能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:對于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于所建模型的輸入輸出，同時為了提高模型的精度，參量聲源的輸入應盡量選取單頻信號，而采集參量聲源的輸出的麥克風的采樣率應滿足奈奎斯特采樣定理。本專利技術中采樣率為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，需要對采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范圍內，稱為區間歸一化，其映射關系如下:Y= x~!r.，而將樣本數據規整到[-1，1]范圍內，稱為 Naax aIsub區間歸一化，其映射關系如下--1。本專利技術中對于樣本數據的歸一化處理采用[-1,1]區間歸一化。人工神經網絡是人工智能技術的一種，具有大規模分布式并行處理、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。它采用梯度搜索技術，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后確定。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神經網絡后預測系統輸出，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為系數。3本文檔來自技高網...

【技術保護點】
一種基于改進BP神經網絡的參量聲源建模方法，其特征在于將神經網絡與遺傳算法用于參量聲源建模，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采集對應的輸出，并將其作為參量聲源模型的輸出樣本。采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，采樣頻率選為44.1kHZ；?(2)對采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采用[?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。由于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1；?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。對于學習速率和神經元激勵函數，可根據實際要求選取；?對于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，而本方法采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。...

【技術特征摘要】
1.一種基于改進BP神經網絡的參量聲源建模方法，其特征在于將神經網絡與遺傳算法用于參量聲源建模，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采集對應的輸出，并將其作為參量聲源模型的輸出樣本。采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，采樣頻率選為44.1kHZ ； (2)對采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采用[_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。由于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...

【專利技術屬性】
技術研發人員：陳敏，楊天文，陳祥，靳銀蕊，楊亞洲，
申請(專利權)人：電子科技大學，
類型：發明
國別省市：