基于深度小波神經網絡的極化sar圖像分類方法
【專利摘要】本發明公開了一種基于深度小波神經網絡的極化SAR圖像分類方法，主要解決現有技術中由于特征數較少或特征提取不合理而造成的分類精度下降的問題。其實現步驟是：輸入圖像；預處理；選取樣本；利用訓練樣本訓練深度小波神經網絡；提取特征；分類；計算分類精度。本發明采用逐層化方式訓練深度小波神經網絡，避免了網絡層數較多時出現梯度擴散的問題，并且能夠提取出反映數據本質特性，刻畫數據細節特征，突出不同地物類型之間差別的高維特征。由于本發明利用深度小波神經網絡提取數據的深層高維特征，成功避免了分類技術中存在的特征數較少或者特征學習不充分，不合理的問題，提高了極化合成孔徑雷達SAR圖像的分類精度。
【專利說明】基于深度小波神經網絡的極化SAR圖像分類方法
【技術領域】
[0001] 本發明屬于圖像處理【技術領域】，特別是涉及極化SAR圖像的處理，具體是一種基 于深度小波神經網絡的極化SAR圖像分類方法。可用于極化SAR圖像中地面目標的分類與 識別。
【背景技術】
[0002] 合成孔徑雷達是一種高分辨率成像雷達。由于微波具有穿透特性，不受光線強度 的影響，因此合成孔徑雷達具有全天時、全天候的工作能力。與其他傳感器圖像相比，它能 呈現更多的細節，能更好的區分臨近目標的特性。隨著技術的發展，合成孔徑雷逐漸向高分 辨、多極化、多通道的方向發展。相比于傳統的單極化SAR，多極化SAR能夠提供更加豐富的 目標信息，有利于確定和理解散射機制，提高目標檢測和分類識別的能力。因此，極化SAR 數據特別適用于圖像的解譯和理解。
[0003] 近幾年，已經提出了許多極化SAR圖像分類方法。根據是否需要人工指導，極化 SAR分類方法可以分為有監督分類和無監督分類。這些方法都是直接利用已經獲取的極化 SAR圖像的協方差矩陣、相干矩陣等極化信息，得到極化SAR圖像的分類結果
[0004] 中山大學申請的專利"一種基于目標散射鑒別的POLSAR圖像無監督分類方 法"（申請號：201210222987. 2,公布號：CN102799896A)中提出了一種基于目標散射鑒別的 POLSAR圖像無監督分類方法。該方法具體步驟包括：計算POLSAR圖像極化散射熵，以及表 面散射、偶次散射和體散射的相似性參數，并利用這些參數將POLSAR圖像初始劃分類別； 接著選取以表面散射為主的地物的最小天線接收功率特征極化作為天線極化狀態，計算每 個像素的天線接收功率；計算每一類的聚類中心并根據極化散射差異度量將所有像素重新 分類并更新聚類中心，重復這一過程直到聚類中心不再發生變化。該方法屬于無監督的分 類方法，具有能夠準確地描述地物散射，并且能很好對應實際散射情況，減少類別調整的運 算時間等優點，但是該方法仍然存在的不足是，由于該方法屬于無監督的分類，不能利用已 經標記的樣本信息，只能依靠散射信息對地物進行聚類，使得分類準確率偏低，并且浪費了 有標記的樣本信息。
[0005] 西安電子科技大學申請的專利"一種基于半監督SVM和MeanShift的極化SAR圖 像分類方法"（申請號：201410076676. 9,公布號：CN103914704A)中提出一種基于半監督 SVM和MeanShift的極化SAR圖像分類方法。該方法具體步驟包括：用S4VMs算法獲得極化 SAR圖像分類結果；選取S4VMs分類結果置信度高的樣本集并用MeanShift結果修改S4VMs 分類結果，更新樣本集；更新訓練集、測試集和分類模型；用分類模型對極化SAR圖像進行 分類。該方法采用閾值軟化分類，提高了算法的自適應性；通過MeanShift結果修改樣本 集，完善了圖像信息，避免了人工標記困難的問題，獲得了更好的分類結果。但是該方法仍 然存在的不足是，由于該方法直接利用極化SAR圖像的相干矩陣訓練S4VMs分類器，無法從 相干矩陣提取更高維的特征，使得分類精度較低。
【發明內容】
[0006] 本發明的目的在于克服上述現有技術的不足，提出了一種基于深度小波神經網絡 的極化SAR圖像分類方法。本發明與現有技術中其他極化合成孔徑雷達SAR圖像分類技術 相比，能夠利用相干矩陣獲取極化SAR數據更深層的高維特征表示，并且實現過程簡單，分 類精度高。
[0007] 本發明實現上述目的的思路是：先對極化合成孔徑雷達SAR圖像的相干矩陣進行 濾波，再將濾波后的相干矩陣作為特征向量組成一個樣本集，從樣本集中隨機選取樣本組 成訓練樣本、測試樣本，利用訓練樣本訓練深度小波神經網絡，得到深度小波神經網絡的最 優權重和小波參數，利用獲得的最優權重和小波參數對測試樣本進行特征提取，最后利用 支撐向量機SVM對提取的特征進行分類，得到最終分類結果。
[0008] 本發明實現的具體步驟包括如下：
[0009] 步驟1 :輸入圖像，輸入一幅待分類的極化合成孔徑雷達SAR圖像的相干矩陣，其 中，相干矩陣是大小為3X3XN的矩陣，N是極化合成孔徑雷達SAR圖像像素點的總數；
[0010] 步驟2 :預處理，采用窗口大小為7X7的Lee濾波器對相干矩陣進行濾波，得到濾 波后的相干矩陣；
[0011] 步驟3:選取樣本
[0012] 3a、將濾波后的相干矩陣作為極化合成孔徑雷達SAR圖像的特征，組成一個NX9 大小的樣本集；
[0013] 3b、從樣本集中隨機選取5 %的樣本作為極化合成孔徑雷達SAR圖像訓練樣本，將 剩余95%的樣本作為極化合成孔徑雷達SAR圖像測試樣本；
[0014] 步驟4 :利用訓練樣本訓練深度小波神經網絡
[0015] 4a、隨機生成深度小波神經網絡第一層網絡和第二層網絡的初始權值和小波激活 函數縮放因子和平移因子；
[0016] 4b、將訓練樣本輸入到第一層的小波神經網絡中，利用第一層網絡隱層和輸入層 節點的初始權值W/，輸出層和隱層節點的初始權值W1 "、小波激活函數的縮放因子和 平移因子bi分別計算第一層網絡隱層的輸出UT1和輸出層的輸出hi ;
[0017] 4c、利用均方誤差公式計算第一層網絡中訓練樣本的輸出誤差E1 ;
[0018] 4d、采用梯度下降法，得到第一層網絡的最優權值、小波激活函數的最優縮放因子 和最優平移因子以及最優隱層輸出；
[0019] 4e、將第一層小波神經網絡的隱層輸出作為第二層小波神經網絡的輸入，并利用 第二層網絡隱層和輸出層節點的初始權值W2 '，輸出層和隱層節點的初始權值W2 "、小波 激活函數縮放因子a2和平移因子b2計算第二層網絡隱層的輸出V2和輸出層的輸出h 2 ;
[0020] 4f、利用均方誤差公式計算第二層網絡中訓練樣本的輸出誤差E2 ;
[0021] 4g、采用梯度下降法，得到第二層網絡的最優權值、小波激活函數的最優縮放因子 和最優平移因子以及最優隱層輸出；
[0022] 步驟5 :提取特征，將訓練樣本和測試樣本分別輸入到訓練好的深度小波神經網 絡中，得到訓練樣本特征集和測試樣本特征集；
[0023] 步驟6 :分類，將訓練樣本特征集和測試樣本特征集輸入到IibSVM工具箱，得到極 化合成孔徑雷達SAR圖像的最終分類結果；
[0024] 步驟7 :計算分類精度，統計待分類的極化合成孔徑雷達SAR圖像中與分類結果中 類別標簽相同的像素點個數，計算類別標簽相同像素點個數占待分類的極化合成孔徑雷達 SAR圖像總像素數的百分比，得到分類精度。
[0025] 本發明與現有技術相比有以下優點：
[0026] 第一，由于本發明采用了深度小波神經網絡的分類方法，相比于傳統的神經網絡 的分類方法，本發明利用了深度學習的訓練模型，逐層構建單個神經元，這樣每次都是訓練 一個單層網絡，而傳統神經網絡通常都是利用反向傳播算法訓練網絡，當網絡層數較多時， 誤差傳播到前面就非常小了，從而導致傳統神經網絡在網絡層數較多時產生梯度擴散的問 題，本發明的網絡模型很好的解決了梯度擴散的問題，使得本發明具有更好的魯棒性，進而 使得本發明應用范圍更廣。
[0027] 第二，由于本發明在構建深度網絡模型時，采用小波函數作為激活函數，小波變換 具有良好的時頻局部性質，并且對數據具有更強的逼近和容錯能力，而傳統技術中采用的 激活函數不具有時頻局部特性，不能刻畫數據的細節特征，從而導致提取的特征不能很好 的反映數據的特性，本發明很好的解決了這一問題，進而提高了本發明的分類精度。
[0028] 第三，由于本發明采用深度小波神經網絡的分類方法，深度小波神經網絡能夠從 相干矩陣中提取更高維深層表示特征，這些特征更能反映數據的本身的特性，使得分類精 度更高，克服了現有技術中只能利用低層特征進行分類而導致分類精度較低的缺點，進而 提高了本發明的適用性。
【專利附圖】
【附圖說明】
[0029] 圖1是本發明的流程圖；
[0030] 圖2為1989年AIRSAR平臺獲得的Flevoland, Netherlands地區的L波段的多視 極化SAR數據的合成圖；
[0031] 圖3為1989年AIRSAR平臺獲得的Flevoland, Netherlands地區的L波段的多視 極化SAR數據的合成圖對應的實際地物標記圖；
[0032] 圖4為本發明對1989年AIRSAR平臺獲得的Flevoland, Netherlands地區的L波 段的多視極化SAR數據的合成圖進行分類的分類結果圖。
【具體實施方式】
[0033] 下面結合附圖對本發明做詳細描述。
[0034] 實施例1 :
[0035] 本發明是一種基于深度小波神經網絡的極化合成孔徑雷達SAR圖像的分類方法， 參照附圖1，對本發明的具體實施步驟詳細描述：
[0036] 步驟1 :輸入圖像，實際上是輸入一幅待分類的極化合成孔徑雷達SAR圖像的相干 矩陣，具體參見圖2,圖2所示的是1989年AIRSAR平臺獲得的Flevoland, Netherlands地 區的L波段的多視極化SAR圖像，該圖像的相干矩陣是大小為3X3XN的矩陣，N是極化合 成孔徑雷達SAR圖像像素點的總數。
[0037] 步驟2 :預處理，采用窗口大小為7X7的Lee濾波器對上述的相干矩陣進行濾波， 得到濾波后的相干矩陣，在具體的仿真實驗中，可以采用3X3,5X5,7X7等大小的窗口對 極化合成孔徑雷達SAR圖像的相干矩陣進行濾波處理，去除相干斑噪聲，得到濾波后的極 化合成孔徑雷達SAR圖像相干矩陣。在本實施例中，采用窗口大小為7 X 7的Lee濾波器對 相干矩陣進行濾波，是因為7X 7大小的窗口既能很好的去除相干斑噪聲，避免噪聲對下一 步分類處理的影響，又能充分保持圖像的極化信息，使得濾波后的圖像邊緣清晰可辨。
[0038] 步驟3 :選取樣本，從濾波后的極化合成孔徑雷達SAR圖像相干矩陣中選取訓練樣 本
[0039] 3a、將濾波后的相干矩陣作為極化合成孔徑雷達SAR圖像的特征，組成一個NX9 大小的樣本集，樣本集中的每一列都表示了極化合成孔徑雷達SAR圖像的一種特征，每個 像素點總共包含9個特征，在具體的仿真實驗中，可以采用不同特征作為樣本的特征，在本 實施例中，采用極化相干矩陣作為極化合成孔徑雷達SAR圖像的特征，是因為相干矩陣能 夠很好的表示極化合成孔徑雷達SAR圖像的散射機理，并包含有幾乎全部的極化信息。
[0040] 3b、從樣本集中隨機選取5%的樣本作為極化合成孔徑雷達SAR圖像的訓練樣本， 將剩余95%的樣本作為極化合成孔徑雷達SAR圖像的測試樣本。在具體的仿真實驗中，可 以選取不同數量的樣本作為訓練樣本來訓練深度小波神經網絡，但采用過多數量的訓練樣 本會導致計算過程復雜，訓練時間過長，采用較少數量的樣本則會導致分類器過擬合，分類 精度過低。在本實施例中，采用5%的樣本作為訓練樣本避免了訓練樣本的過多或過少選擇 所導致的問題，進一步使得本發明在保持較高分類精度的同時降低了算法的復雜度和計算 時間。
[0041] 步驟4 :利用上述選取的訓練樣本訓練深度小波神經網絡
[0042] 4a、隨機生成深度小波神經網絡第一層網絡和第二層網絡的初始權值和小波激活 函數縮放因子和平移因子；
[0043] 4b、將訓練樣本輸入到第一層的小波神經網絡中，利用第一層網絡隱層和輸入層 節點的初始權值W/，輸出層和隱層節點的初始權值W1 "、小波激活函數的縮放因子和 平移因子bi分別計算第一層網絡隱層的輸出UT1和輸出層的輸出hi ;
[0044] 4c、利用均方誤差公式計算第一層網絡中訓練樣本的輸出誤差E1 ;
[0045] 4d、采用梯度下降法，得到第一層網絡的最優權值、小波激活函數最優縮放因子和 最優平移因子以及最優隱層輸出；
[0046] 4e、將第一層小波神經網絡的隱層輸出作為第二層小波神經網絡的輸入，并利用 第二層網絡隱層和輸出層節點的初始權值W2 '，輸出層和隱層節點的初始權值W2 "、小波 激活函數縮放因子a2和平移因子b2計算第二層網絡隱層的輸出V2和輸出層的輸出h 2 ;
[0047] 4f、利用均方誤差公式計算第二層網絡中訓練樣本的輸出誤差E2 ;
[0048] 4g、采用梯度下降法，得到第二層網絡的最優權值、小波激活函數最優縮放因子和 最優平移因子以及最優隱層輸出。
[0049] 在本實施例中，是將兩個單層的小波神經網絡進行堆疊來構建深度小波神經網 絡模型，并采用逐層化的訓練方式逐層訓練深度小波神經網絡，采用這種網絡模型和訓練 方法，是因為這種網絡模型和訓練方法可以很好的避免網絡層數較多時出現梯度擴散的問 題，并且能夠從原始數據中提取出更能表示數據特性的深層高維特征。利用深度小波神經 網絡提取的高維特征，能夠反映極化合成孔徑雷達SAR數據的本質特性，刻畫出數據的細 節特征，突出各種不同地物類型之間的差別，從而進一步提高了極化合成孔徑雷達SAR圖 像的分類精度，圖4的分類結果示意圖表明采用本發明得到的分類結果圖在油菜籽、裸地 和草地地區的雜點相對較少，并且邊緣保持良好。在對每一個單層小波神經網絡訓練時，采 用梯度下降的方法，是因為利用梯度下降法復雜度較低，實現簡單，并且運行速度快，從而 使得整個深度小波神經網絡的訓練速度加快，進一步提高了極化合成孔徑雷達SAR圖像的 分類效率。
[0050] 步驟5 :提取特征，將訓練樣本和測試樣本分別輸入到訓練好的深度小波神經網 絡中，得到訓練樣本特征集和測試樣本特征集。
[0051] 步驟6 :分類，將訓練樣本特征集和測試樣本特征集輸入到IibSVM工具箱，得到極 化合成孔徑雷達SAR圖像的最終分類結果。在本實施例中，采用支撐向量機SVM作為分類 器對極化合成孔徑雷達SAR圖像進行分類，是因為SVM分類器算法思想成熟，并對很多不同 類型的數據都有很好的魯棒性，達到很好的分類效果，從而使得本發明對極化合成孔徑雷 達SAR圖像的分類精度較高。
[0052] 步驟7 :計算分類精度，統計待分類的極化合成孔徑雷達SAR圖像中與分類結果中 類別標簽相同的像素點個數，計算類別標簽相同像素點個數占待分類的極化合成孔徑雷達 SAR圖像總像素數的百分比，直接得到分類精度。
[0053] 在本實施例中，本發明采用深度小波神經網絡從原始數據中提取數據的深層高維 特征，并利用SVM分類器對提取的高維特征進行分類，得到極化合成孔徑雷達SAR圖像的最 終分類結果。相比于傳統的神經網絡分類方法，本發明利用深度學習的網絡模型構建深度 小波神經網絡，并采用逐層訓練的方法對深度小波神經網絡進行訓練，而傳統神經網絡通 常都是利用反向傳播算法訓練網絡，當網絡層數較多時，誤差傳播到前面就非常小了，從而 導致傳統神經網絡在網絡層數較多時產生梯度擴散的問題，本發明構建的深度小波神經網 絡模型解決了梯度擴散的問題，實現了對極化合成孔徑雷達SAR圖像數據深層高維特征的 提取，進一步提高了本發明的分類精度和適用范圍。
[0054] 實施例2 :
[0055] 基于深度小波神經網絡的極化合成孔徑雷達SAR圖像分類方法同實施例1，其中 步驟4b和步驟4e所述的計算隱層輸出公式如下：
【權利要求】
1. 一種基于深度小波神經網絡的極化SAR圖像分類方法，其特征在于，圖像分類過程 包括有以下步驟： 步驟1 :輸入圖像，輸入一幅待分類的極化合成孔徑雷達SAR圖像的相干矩陣，其中，相 干矩陣是大小為3X3XN的矩陣，N是極化合成孔徑雷達SAR圖像像素點的總數； 步驟2 :預處理，采用窗口大小為7X7的Lee濾波器對相干矩陣進行濾波，得到濾波后 的相干矩陣； 步驟3 :選取樣本 3a、將濾波后的相干矩陣作為極化合成孔徑雷達SAR圖像的特征，組成一個NX9大小 的樣本集； 3b、從樣本集中隨機選取5%的樣本作為極化合成孔徑雷達SAR圖像訓練樣本，將剩余 95%的樣本作為極化合成孔徑雷達SAR圖像測試樣本； 步驟4 :利用訓練樣本訓練深度小波神經網絡 4a、隨機生成深度小波神經網絡第一層網絡和第二層網絡的初始權值和小波激活函數 縮放因子和平移因子； 4b、將訓練樣本輸入到第一層的小波神經網絡中，利用第一層網絡隱層和輸入層節點 的初始權值W/，輸出層和隱層節點的初始權值1"、小波激活函數的縮放因子&1和平移 因子h分別計算第一層網絡隱層的輸出^和輸出層的輸出h; 4c、利用均方誤差公式計算第一層網絡中訓練樣本的輸出誤差Ei; 4d、采用梯度下降法，得到第一層網絡的最優權值、小波激活函數的最優縮放因子和最 優平移因子以及最優隱層輸出； 4e、將第一層小波神經網絡的隱層輸出作為第二層小波神經網絡的輸入，并利用第二 層網絡隱層和輸出層節點的初始權值W' 2，輸出層和隱層節點的初始權值W" 2、小波激活 函數縮放因子a2和平移因子b2計算第二層網絡隱層的輸出化和輸出層的輸出h2 ; 4f、利用均方誤差公式計算第二層網絡中訓練樣本的輸出誤差E2 ; 4g、采用梯度下降法，得到第二層網絡的最優權值、小波激活函數的最優縮放因子和最 優平移因子以及最優隱層輸出； 步驟5 :提取特征，將訓練樣本和測試樣本分別輸入到訓練好的深度小波神經網絡中， 得到訓練樣本特征集和測試樣本特征集； 步驟6 :分類，將訓練樣本特征集和測試樣本特征集輸入到libSVM工具箱，得到極化合 成孔徑雷達SAR圖像的最終分類結果； 步驟7 :計算分類精度，統計待分類的極化合成孔徑雷達SAR圖像中與分類結果中類別 標簽相同的像素點個數，計算類別標簽相同像素點個數占待分類的極化合成孔徑雷達SAR 圖像總像素數的百分比，得到分類精度。
2. 根據權利要求1所述的基于深度小波神經網絡的極化SAR圖像分類方法，其特征在 于：步驟4b和步驟4e所述的計算隱層輸出公式如下：
其中，V(j)表不隱層節點j的輸出，此處V是隱層節點輸出的一個總的表不，第一層 網絡隱層節點輸出用L表示，第二層網絡隱層節點輸出用化表示，m是輸入節點數，rjk 表示隱層節點j和輸入節點k之間的權值，此處W'是隱層和輸入層節點權值的一個總的表 示，第一層網絡隱層和輸入層節點權值用W/表示，第二層網絡隱層和輸入層節點權值用 W' 2表示，xk表示輸入節點k的輸入，h表示隱層節點j的小波激活函數的平移因子，此處 b是小波平移因子的一個總的表示，第一層網絡的小波平移因子用h表示，第二層網絡的小 波平移因子用b2表示，a」表示隱層節點j的小波激活函數的縮放因子，此處a是小波激活 函數縮放因子的一個總的表示，第一層網絡的小波激活函數縮放因子用表示，第二層網 絡的小波激活函數縮放因子用a2表示； 計算輸出層輸出公式如下：
其中，h⑴表不輸出節點i的輸出，此處h是輸出層輸出的一個總的表不，第一層網絡 的輸出層輸出用4表示，第二層網絡的輸出層輸出用h2表示，p是隱層節點數，W" u表示 輸出節點i和隱層節點j之間的權值，此處W"是輸出層節點和隱層節點權值的一個總的表 示，第一層網絡的輸出層節點和隱層節點權值用A"表示，第二層網絡的輸出層節點和隱 層節點權值W" 2表示，v(j)表示隱層節點j的輸出，此處V是隱層節點輸出的一個總的 表示，第一層網絡隱層節點輸出用^表示，第二層網絡隱層節點輸出用化表示。
3. 根據權利要求1所述的基于深度小波神經網絡的極化SAR圖像分類方法，其特征在 于：步驟4c和步驟4f?所述的均方誤差公式如下：
其中，E表示樣本的均方誤差，此處E是均方誤差一個總的表示，第一層網絡的誤差用Ei表示，第一層網絡的誤差用&表示，S是訓練樣本數，n是輸出節點數，h⑴表示輸出節 點i的輸出，此處h是輸出層輸出的一個總的表不，第一層網絡的輸出層輸出用h表不，第 二層網絡的輸出層輸出用h2表不，Xi表不輸入節點i的輸入。
4. 根據權利要求1所述的基于深度小波神經網絡的極化SAR圖像分類方法，其特征在 于：步驟4d和步驟4g所述的梯度下降法的具體步驟如下： 第一步，按照下式，計算深度小波神經網絡的隱層和輸出層之間的權值：
其中，W"t+1表示第t+1次迭代時隱層和輸出層之間的權值，t表示深度小波神經網絡 權值訓練迭代的次數，Wt"表示第t次迭代時隱層和輸出層之間的權值，n表示隱層和輸出 層之間權值的學習速率，一般取值范圍為〇〈n〈i，
'表示第t次迭代時樣本的均方誤差 對隱層和輸出層之間權值的偏導數操作，a為動量因子，一般取值范圍為0.9〈a〈l，AWt" 表不第t次迭代時的隱層和輸出層之間的權值修正量。 第二步，按照下式，計算深度小波神經網絡的輸入層和隱層之間的權值：
其中，rt+1表示第t+i次迭代時輸入層和隱層之間的權值，t表示深度小波神經網絡 權值訓練迭代的次數，w/表示第t次迭代時輸入層和隱層之間的權值，n表示輸入層和隱 層之間權值的學習速率，一般取值范圍為〇〈n〈i，
表示第t次迭代時樣本的均方誤差 對輸入層和隱層之間權值的偏導數操作，a為動量因子，一般取值范圍為0.9〈a〈l，AW/ 表不第t次迭代時的輸入層和隱層之間的權值修正量。 第三步，按照下式，計算深度小波神經網絡隱層小波激活函數的縮放因子：
其中，at+1表示第t+1次迭代時隱層小波激活函數的縮放因子，t表示深度小波神經網 絡權值訓練迭代的次數，at表示第t次迭代時隱層小波激活函數的縮放因子，n表示隱層 小波激活函數縮放因子的學習速率，一般取值范圍為〇〈n〈i，
?表示第t次迭代時樣本 的均方誤差對隱層小波激活函數縮放因子的偏導數操作，a為動量因子，一般取值范圍為 0. 9〈a〈1，Aat表示第t次迭代時隱層小波激活函數縮放因子的修正量。 第四步，按照下式，計算深度小波神經網絡隱層小波激活函數的平移因子：
其中，bt+1表示第t+1次迭代時隱層小波激活函數的平移因子，t表示深度小波神經網 絡權值訓練迭代的次數，bt表示第t次迭代時隱層小波激活函數的平移因子，n表示隱層 小波激活函數平移因子的學習速率，一般取值范圍為〇〈n〈i，
表示第t次迭代時樣本 的均方誤差對隱層小波激活函數平移因子的偏導數操作，a為動量因子，一般取值范圍為 0. 9〈a〈1，Abt表示第t次迭代時隱層小波激活函數平移因子的修正量。 第五步，判斷是否達到最大迭代次數，若否，返回第一步，若是，停止迭代，得到網絡的 最優權值，小波激活函數的最優縮放因子和最優平移因子以及最優隱層輸出。
【文檔編號】G06N3/08GK104408481SQ201410741410
【公開日】2015年3月11日 申請日期:2014年12月5日 優先權日:2014年12月5日
【發明者】焦李成, 李玲玲, 姜紅茹, 屈嶸, 楊淑媛, 侯彪, 王爽, 劉紅英, 熊濤, 馬文萍, 馬晶晶 申請人:西安電子科技大學