動態認知神經功能重建中的輸入輸出信號處理方法
【專利摘要】為了提高動態認知神經網絡中節點信號的處理速度，本發明提供了一種動態認知神經功能重建中的輸入輸出信號處理方法，包括：根據動態認知神經網絡的狀態構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；根據下一時刻的檢測信號接收矩陣以及所述奇異值分解結果構造反饋信號矩陣；對信號進行放大處理并對動態認知神經網絡進行迭代。本發明基于節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系統的輸入信號的相位穩定性進行信號篩選，提高了建模的收斂速度，進而提高了對各節點輸入輸出信號的處理速度。
【專利說明】
動態認知神經功能重建中的輸入輸出信號處理方法
技術領域
[0001] 本發明涉及多輸入輸出動態系統信號處理技術領域，更具體地，涉及一種動態認 知神經功能重建中的輸入輸出信號處理方法。
【背景技術】
[0002] 由于人工神經網絡具有極強的函數逼近能力，它能以任意精度充分逼近任意連續 非線性函數，對復雜不確定問題具有自適應和自學習能力，神經網絡的出現為醫療手術過 程中的路徑規劃、生物圖像辨識、機電設備設計、優化計算等領域提供了一種新的高效數據 處理方式。
[0003] 然而，對于具有動態認知神經網絡的系統，通常使用的是逼近和遞歸方式(例如， 現有技術中包括的前饋神經逼近網絡），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)。經驗證：典型的Elman動態網絡僅具有積分特性，改進Elman網 絡則具有比例積分特性。
【發明內容】
[0004] 為了提高動態認知神經網絡中節點信號的處理速度，本發明提供了一種動態認知 神經功能重建中的輸入輸出信號處理方法，包括：
[0005] (1)根據動態認知神經網絡的狀態構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)根據下一時刻的檢測信號接收矩陣以及所述奇異值分解結果構造反饋信號矩 陣；
[0008] (4)對信號進行放大處理并對動態認知神經網絡進行迭代。
[0009] 進一步地，所述步驟(1)包括：
[0010] (11)根據動態認知神經網絡的狀態，在t時刻的狀態，獲得t時刻要輸入到節點Ni 的有效信號Si (t)以及t+1時刻輸入到節點Ni的有效信號S' i (t+1)，所述有效信號表示在動 態認知神經網絡中的符合預定條件的信號傳輸路徑中傳輸的信號，i = l，2, μ·Ν，Ν為正整 數；
[0011] (12)計算各待處理信號Si⑴之間的對數比例，獲得它們彼此之間的比例系數：
[0012] Κι:Κ2:Κ3: · · · :Kn= | lg( 11 Si(t) | |) |: | lg( 11 S2(t) | |) |: | lg( | |S3(t) | |) |: · · ·: ig(||sN(t)||)
[0013] (13)構造 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為與之對應的待處理信號Si(t)的相位 信息，? = 1，2，···Ν，Ν為正整數；
[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,小于預設閾值的值，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 于預設閾值的值的情況，且當相位信息矩陣小于預設閾值的值時，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并以此標準差構造反 饋比例矩陣G;
[0035] (39)構造反饋信號矩陣F:
[0037]進一步地，所述步驟(4)包括：
[0038] (41)根據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，構造矩陣R' ：
[0042] R'=mXE;
[0043] (44)對矩陣R'進行反對數運算，得到供輸入給多輸入輸出動態系統的信號矩陣心 ⑴
[0044] (45)構造迭代函數f:
[0046] 進一步地，所述lg處理函數可以替換為In處理函數，且反對數運算相應地替換為 冪指數函數的反對數計算。
[0047] 進一步地，所述步驟（11)中的預定條件為：與節點K連接的路徑的使用概率大于 預設閾值，該使用概率
其中w為對節點&的已監測周期，yk(S Nl(t))表示
路徑k是否被授權使用，當其被使用時丫1{(5附(〇) = 1，否則yk(SNl(t))=0 表示節點化在已監測周期w內存在信號的次數。
[0048] 進一步地，所述冪指數函數的反對數計算采用ex形式的函數進行。
[0049] 本發明的有益效果是：本發明基于節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系統的輸入信號的相位穩定性進行信號篩選，剔除掉 不能體現出相位集中區域的信號，從而降低了多輸入輸出動態系統在動態認知神經網絡重 建過程中運算的離散度，提高了建模的收斂速度，進而提高了對各節點輸入輸出信號的處 理速度。
【附圖說明】
[0050] 圖1示出了根據本發明的動態認知神經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，根據本發明的優選實施例，本發明提供了一種動態認知神經功能重建 中的輸入輸出信號處理方法，包括：
[0052] (1)根據動態認知神經網絡的狀態構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)根據下一時刻的檢測信號接收矩陣以及所述奇異值分解結果構造反饋信號矩 陣；
[0055] (4)對信號進行放大處理并對動態認知神經網絡進行迭代。
[0056] 優選地，所述步驟(1)包括：
[0057] (11)根據動態認知神經網絡的狀態，在t時刻的狀態，獲得t時刻要輸入到節點Ni 的有效信號Si (t)以及t+1時刻輸入到節點Ni的有效信號S' i (t+1)，所述有效信號表示在動 態認知神經網絡中的符合預定條件的信號傳輸路徑中傳輸的信號，i = l，2, μ·Ν，Ν為正整 數；
[0058] (12)計算各待處理信號Si⑴之間的對數比例，獲得它們彼此之間的比例系數：
[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為與之對應的待處理信號Si(t)的相位 信息，? = 1，2，···Ν，Ν為正整數；
[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小于預設閾值的值，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 于預設閾值的值的情況，且當相位信息矩陣小于預設閾值的值時，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并以此標準差構造反 饋比例矩陣G;
[0082] (39)構造反饋信號矩陣F:
[0084]優選地，所述步驟(4)包括：
[0085] (41)根據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，構造矩陣R' ：
[0089] R' =mXE；
[0090] (44)對矩陣R'進行反對數運算，得到供輸入給多輸入輸出動態系統的信號矩陣心 ⑴
[0091] (45)構造迭代函數f:
[0093] 優選地，所述lg處理函數可以替換為In處理函數，且反對數運算相應地替換為冪 指數函數的反對數計算。
[0094] 優選地，所述步驟（11)中的預定條件為：與節點化連接的路徑的使用概率大于預 設閾值，該使用概率
其中w為對節點&的已監測周期，yk(S Nl(t))表示路
徑k是否被授權使用，當其被使用時丫1{以1(〇) = 1，否則^以1(〇) = 0 示節點K在已監測周期w內存在信號的次數。
[0095] 優選地，所述冪指數函數的反對數計算采用ex形式的函數進行。
[0096] 以上對于本發明的較佳實施例所作的敘述是為闡明的目的，而無意限定本發明精 確地為所揭露的形式，基于以上的教導或從本發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明的原理以及讓所屬領域的技術人員以各種實施例利用本發明在 實際應用上而選擇及敘述，本發明的技術思想企圖由權利要求及其均等來決定。
【主權項】
1. 一種動態認知神經功能重建中的輸入輸出信號處理方法，包括： (1) 根據動態認知神經網絡的狀態構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) 根據下一時刻的檢測信號接收矩陣W及所述奇異值分解結果構造反饋信號矩陣； (4) 對信號進行放大處理并對動態認知神經網絡進行迭代。2. 根據權利要求1所述的動態認知神經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) 根據動態認知神經網絡的狀態，在t時刻的狀態，獲得t時刻要輸入到節點Ni的有效 信號Si(t)W及t+1時刻輸入到節點Ni的有效信號^i(t+l)，所述有效信號表示在動態認知 神經網絡中的符合預定條件的信號傳輸路徑中傳輸的信號，i = l，2,…N，N為正整數； (12) 計算各待處理信號Si(t)之間的對數比例，獲得它們彼此之間的比例系數: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. 根據權利要求2所述的動態認知神經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. 根據權利要求3所述的動態認知神經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為與之對應的待處理信號Si(t)的相位信息， i = l，2，...N，N為正整數； (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小于預設闊值的值，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小于預設 闊值的值的情況，且當相位信息矩陣P中Pi小于預設闊值的值時，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此標準差構造反饋比 例矩陣G; (39) 構造反饋信號矩陣F:5. 根據權利要求4所述的動態認知神經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，構造矩陣R' ： R' 二mXE; (44) 對矩陣R'進行反對數運算，得到供輸入給多輸入輸出動態系統的信號矩陣Ri(t) (45) 構造迭代函數f: 八=K…十-巧W，其中「·?表示取上整數。6. 根據權利要求2所述的動態認知神經功能重建中的輸入輸出信號處理方法，其特征 在于，所述Ig處理函數可W替換為In處理函數，且反對數運算相應地替換為幕指數函數的 反對數計算。7. 根據權利要求2所述的動態認知神經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)中的預定條件為:與節點Ni連接的路徑的使用概率大于預設闊值，該使 用概率其中W為對節點Ni的已監測周期，丫 k(SNi(t))表示路徑k是否被授 權使用，當其被使用時丫 k(SNi(t)) = l，否則丫 k(SNi(t))=0,印衰示節點Ni在已 監測周期W內存在信號的次數。8. 根據權利要求7所述的動態認知神經功能重建中的輸入輸出信號處理方法，其特征 在于，所述幕指數函數的反對數計算采用eX形式的函數進行。
【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
【發明人】周琳, 陳林瑞
【申請人】四川東鼎里智信息技術有限責任公司