翟龍飛　陳迎春　楊沖　閆心寶

摘 要： 輸入神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)的優(yōu)劣直接關(guān)系著網(wǎng)絡(luò)訓(xùn)練結(jié)果，因此訓(xùn)練數(shù)據(jù)的預(yù)處理在整個(gè)系統(tǒng)模型設(shè)計(jì)中具有十分重要的意義。本文以短波測(cè)量數(shù)據(jù)為初始樣本訓(xùn)練集進(jìn)行預(yù)處理研究。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò) 歸一化處理 降維處理

中圖分類(lèi)號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1003-9082（2016）03-0008-01

BP神經(jīng)網(wǎng)絡(luò)是基于訓(xùn)練數(shù)據(jù)的建模，因此由神經(jīng)網(wǎng)絡(luò)建立起的模型能夠精確反映實(shí)際預(yù)測(cè)情況[1]。本短波場(chǎng)強(qiáng)預(yù)測(cè)系統(tǒng)的測(cè)試訓(xùn)練數(shù)據(jù)是建立在已有短波資源仿真調(diào)度系統(tǒng)生成數(shù)據(jù)集基礎(chǔ)上，因此，可對(duì)比網(wǎng)絡(luò)學(xué)習(xí)模型預(yù)測(cè)輸出值與期望輸出值來(lái)判斷網(wǎng)絡(luò)適應(yīng)能力。

一、輸入輸出變量的選擇

由于BP神經(jīng)網(wǎng)絡(luò)的靈活擴(kuò)展性以及快速自適應(yīng)能力，使得其應(yīng)用廣泛。在最適網(wǎng)絡(luò)選取階段，根據(jù)模型傳輸損耗影響因素， 做到相關(guān)性小甚至不相關(guān)，結(jié)合數(shù)據(jù)庫(kù)提供數(shù)據(jù)，訓(xùn)練輸入變量選取為：偵收位置（經(jīng)緯度），信號(hào)位置（經(jīng)緯度），信號(hào)功率，信號(hào)頻率，偵收任務(wù)時(shí)間（月、日、時(shí)、分）。輸出量即期望值為：場(chǎng)強(qiáng)中值，傳輸損耗。

二、歸一化處理

1.基于最大最小樣本值的線性歸一化處理

該歸一化數(shù)據(jù)處理方式是將相同輸入變量（輸出量）的樣本進(jìn)行預(yù)處理。其數(shù)學(xué)關(guān)系為： （1）

針對(duì)短波場(chǎng)強(qiáng)樣本訓(xùn)練集，在原始數(shù)據(jù)的基礎(chǔ)上進(jìn)行線性歸一化處理，而后進(jìn)入網(wǎng)絡(luò)仿真學(xué)習(xí)。本學(xué)習(xí)運(yùn)算是在Matlab中運(yùn)行采用標(biāo)準(zhǔn)梯度學(xué)習(xí)算法并以均方誤差MSE作為性能參考。

2.基于標(biāo)準(zhǔn)差的歸一化處理

因此歸一化數(shù)據(jù) 的數(shù)據(jù)區(qū)間大于[-1，1]。從而使得訓(xùn)練網(wǎng)絡(luò)得到的性能參數(shù)MSE較大。為了能夠得到適用于本系統(tǒng)的性能參數(shù)參考值，采取兩者結(jié)合的歸一化方法。

3.混合的歸一化處理方法

該方法是在數(shù)據(jù)訓(xùn)練前期進(jìn)行最大最小值線性歸一化處理，將輸入變量壓縮至[-1，1]區(qū)間，而后在網(wǎng)絡(luò)訓(xùn)練階段采用標(biāo)準(zhǔn)差法處理數(shù)據(jù)。由MSE平均值可知，在網(wǎng)絡(luò)內(nèi)部運(yùn)用標(biāo)準(zhǔn)差歸一化法處理數(shù)據(jù)可以使訓(xùn)練時(shí)更加規(guī)整從而利于訓(xùn)練。

4.歸一化方法分析比較

通過(guò)仿真實(shí)驗(yàn)，比較三種歸一化方法的MSE，如表1：

在相同訓(xùn)練數(shù)據(jù)的情況下，以混合的歸一化處理方法處理訓(xùn)練樣本數(shù)據(jù)得到的MSE最小，因此在系統(tǒng)設(shè)計(jì)應(yīng)用中選取混合歸一化處理方法，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。

三、降維處理

分析樣本產(chǎn)生、樣本變量因素（特別是時(shí)間因素）以及神經(jīng)網(wǎng)絡(luò)運(yùn)算效率，若對(duì)短波傳播損耗模型進(jìn)行完全學(xué)習(xí)，由于樣本集的過(guò)大導(dǎo)致學(xué)習(xí)過(guò)慢，訓(xùn)練精度也可能無(wú)法保證。因此提出對(duì)訓(xùn)練集的單個(gè)月份學(xué)習(xí)，模型預(yù)測(cè)針對(duì)網(wǎng)絡(luò)學(xué)習(xí)所在月份任務(wù)進(jìn)行預(yù)測(cè)。因此，選取訓(xùn)練樣本集較完備的5月份進(jìn)行訓(xùn)練學(xué)習(xí)。根據(jù)短波損耗模型，短波傳播主要受電離層影響，而電離層區(qū)別主要存在于白天與黑夜的區(qū)分[2]，因此對(duì)時(shí)、分輸入變量進(jìn)行降維處理僅區(qū)分白天與黑夜。在神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)實(shí)驗(yàn)中，對(duì)訓(xùn)練數(shù)據(jù)分析而后進(jìn)行數(shù)據(jù)的概略區(qū)分，選取6：00至19：00為白天數(shù)據(jù)，以“1”表示，19：00至次日6：00為黑夜數(shù)據(jù)，以“2”表示。

在訓(xùn)練集經(jīng)過(guò)歸一化以及篩選降維處理后，對(duì)其進(jìn)行神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，并分析其訓(xùn)練性能參數(shù)，以及其預(yù)測(cè)結(jié)果。下面針對(duì)5月份數(shù)據(jù)進(jìn)行預(yù)測(cè)并與期望值進(jìn)行對(duì)比，如表2：

通過(guò)對(duì)比可知，神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)，完備數(shù)據(jù)集是網(wǎng)絡(luò)學(xué)習(xí)的關(guān)鍵，通過(guò)分析輸入變量，進(jìn)行合理性降維對(duì)提高網(wǎng)絡(luò)訓(xùn)練效率提高訓(xùn)練精度也十分重要。

參考文獻(xiàn)

[1] 朱凱，王正林等. 精通MATLAB神經(jīng)網(wǎng)絡(luò)[M] 北京： 電子工業(yè)出版社， 2010.1.

[2] 羅佳，張文明，王雪松. 通信對(duì)抗中短波天波傳輸損耗的仿真建模[J]，計(jì)算機(jī)仿真，2007，8（24）.