首页 / 专利库 / 信号处理 / 采样频率 / 一种基于人工神经网络的罗兰天地波时延估计方法

一种基于人工神经网络的罗兰天地波时延估计方法

阅读:1019发布:2020-05-19

专利汇可以提供一种基于人工神经网络的罗兰天地波时延估计方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种基于 人工神经网络 的罗兰天地波时延估计方法,具体包括设计人工神经网络结构,采集样本并进行预处理,采用预处理后的样本对人工神经网络进行训练,得到训练完成的人工神经网络,将待估计时延的罗兰天地波 信号 代入训练好的人工神经网络即可输出得到其罗兰天地波时延。本发明估计罗兰天地波时延不仅 精度 较高,尤其在低 信噪比 环境中也可以正常使用。,下面是一种基于人工神经网络的罗兰天地波时延估计方法专利的具体信息内容。

1.一种基于人工神经网络的罗兰天地波时延估计方法,其特征在于,具体按照以下步骤实施:
步骤1、设计人工神经网络的结构,采集罗兰天地波信号样本,根据罗兰信号的长度和周期,将用于人工神经网络训练的罗兰天地波信号样本进行预处理;
步骤2、设置人工神经网络的初始参数,所述初始参数包括每层人工神经网络的权值和偏重、人工神经网络的学习率及各层神经元之间的激活函数,同时,设置罗兰天地波信号样本的训练次数和训练误差函数的目标限;
步骤3、使用罗兰天地波信号样本对人工神经网络进行训练,当误差函数小于门限值或者学习次数达到最大设置值训练停止,得到训练完成的人工神经网络;
步骤4、将待估计时延的罗兰天地波信号代入训练好的人工神经网络即可输出得到其罗兰天地波时延。
2.根据权利要求1所述的一种基于人工神经网络的罗兰天地波时延估计方法,其特征在于,所述步骤1具体按照以下步骤实施:
步骤1.1、设计人工神经网络结构为5层,包括输入层、第一隐藏层、第二隐藏层、第三隐藏层和输出天地波延迟层,所述输入层的输入向量为5000x1,第一隐藏层的神经元数为
3000神经元,第二隐藏层的神经元数为10000神经元,第三隐藏层的神经元数为3000神经元,输出天地波延迟层的输出向量为2x1;
步骤1.2、采集罗兰天地波信号样本,采样频率10MHz,罗兰信号单个脉冲重复周期为1毫秒,截取5000点长度为500微秒;
步骤1.3、罗兰天地波信号样本值规划至[-1,1]区间进行归一化处理,得到罗兰天地波信号预处理样本。
3.根据权利要求1所述的一种基于人工神经网络的罗兰天地波时延估计方法,其特征在于,所述步骤2中,设置每层人工神经网络的权值和偏置值均为0.5,人工神经网络的学习率为0.01,各层神经元之间的激活函数为sigmoid函数,罗兰天地波信号样本的训练次数为
300次,罗兰天地波信号样本的训练误差函数目标门限即误差函数阈值为1e-4。
4.根据权利要求2所述的一种基于人工神经网络的罗兰天地波时延估计方法,其特征在于,所述步骤3是将罗兰天地波信号预处理样本由输入层输入,通过第一隐藏层、第二隐藏层和第三隐藏层进行训练,由输出层输出,具体按照以下步骤实施:
步骤3.1、前向输出
根据下式计算罗兰天地波信号样本每层隐藏层的输出向量Oj,
Oj=f(∑xnwnj+θj)                                       (1)
式(1)中,j表示隐藏层,j=1,2,3分别表示第一隐藏层、第二隐藏层,xn表示罗兰天地波信号样本,n是不为0自然数,w为权重,θ表示偏置,f(∑xnwnj+θj)为激活函数f(a),且步骤3.2、反向误差传播
根据下式计算输出层的误差值Errk和每层隐藏层的误差值Errj,
Errk=Ok(1-Ok)(Tk-Ok)                                    (3)
Errj=Oj(1-Oj)∑Errkwjk                                  (4)
式(3)和式(4)中,k表示输出层,Tk表示输出层的目标向量,Ok表示输出层的输出向量;
步骤3.3、参数更新
根据步骤3.2计算的每层隐藏层的误差值Errj更新权重和偏置,
更新后的权重wij=wnj+ηErrjOj                     (5)
更新后的偏置θj=θj+ηErrj                        (6)
式(5)和式(6)中,i表示输入层,η为学习率;
步骤3.4、根据更新后的权重和偏置对人工神经网络再次进行训练,即将更新后的权重和偏置代入执行步骤3.1~步骤3.3的操作,不断循环训练,直到输出层误差值Errk小于1e-
4或者达到步骤2设置的训练次数,训练停止。
5.根据权利要求1所述的一种基于人工神经网络的罗兰天地波时延估计方法,其特征在于,所述步骤1中所采集的罗兰天地波信号样本中地波时延和天波时延为30到200微秒之间,信噪比为-15dB~15dB,所述罗兰天地波信号样本的数量不少于10000个。

说明书全文

一种基于人工神经网络的罗兰天地波时延估计方法

技术领域

[0001] 本发明属于数字信号处理技术领域,具体涉及一种基于人工神经网络的罗兰天地波时延估计方法。

背景技术

[0002] 罗兰C系统是一种地基长波无线导航系统,长期作为卫星导航系统的备份使用。近年来随着无线电技术发展迅速,罗兰系统的定位精度和使用条件也需要进一步的提升。罗兰信号为低频电磁波信号,受到地形和电离层影响较大,一些处在内陆远离沿海的城市接收到的信号信噪比较低,现有的天地波时延估计算法无法正常使用。人工神经网络算法是一种机器学习算法,模拟人脑的结构来建立数学模型,通过大量的数据学习来调整参数逼近实际模型,设计合理,可以模拟任何非线性的系统,使用该算法来估计罗兰天地波时延不仅精度较高,尤其在低信噪比环境中也可以正常使用,而目前的罗兰天地波时延并未有效使用人工神经网络进行估计计算。

发明内容

[0003] 本发明的目的是提供一种基于人工神经网络的罗兰天地波时延估计方法,基于人工神经网络,可以在低信噪比情况下估计罗兰天地波时延。
[0004] 本发明所采用的技术方案是,一种基于人工神经网络的罗兰天地波时延估计方法,具体按照以下步骤实施:
[0005] 步骤1、设计人工神经网络的结构,采集罗兰天地波信号样本,根据罗兰信号的长度和周期,将用于人工神经网络训练的罗兰天地波信号样本进行预处理;
[0006] 步骤2、设置人工神经网络的初始参数,初始参数包括每层人工神经网络的权值和偏重、人工神经网络的学习率及各层神经元之间的激活函数,同时,设置罗兰天地波信号样本的训练次数和训练误差函数的目标限;
[0007] 步骤3、使用预处理后的罗兰天地波信号样本对人工神经网络进行训练,当误差函数值小于门限值或者学习次数达到最大设置值训练停止,得到训练完成的人工神经网络;
[0008] 步骤4、将待估计时延的罗兰天地波信号代入训练好的人工神经网络即可输出得到其罗兰天地波时延。
[0009] 本发明的特点还在于,
[0010] 步骤1具体按照以下步骤实施:
[0011] 步骤1.1、设计人工神经网络结构为5层,包括输入层、第一隐藏层、第二隐藏层、第三隐藏层和输出天地波延迟层,输入层的输入向量为5000x1,第一隐藏层的神经元数为3000神经元,第二隐藏层的神经元数为10000神经元,第三隐藏层的神经元数为3000神经元,输出天地波延迟层的输出向量为2x1;
[0012] 步骤1.2、采集罗兰天地波信号样本,采样频率10MHz,罗兰信号单个脉冲重复周期为1毫秒,截取5000点长度为500微秒;
[0013] 步骤1.3、罗兰天地波信号样本值规划至[-1,1]区间进行归一化处理,得到罗兰天地波信号预处理样本。
[0014] 步骤2中,设置每层人工神经网络的权值和偏置值均为0.5,人工神经网络的学习率为0.01,各层神经元之间的激活函数为sigmoid函数,罗兰天地波信号样本的训练次数为300次,罗兰天地波信号样本的训练误差函数目标门限即误差函数阈值为1e-4。
[0015] 步骤3是将罗兰天地波信号预处理样本由输入层输入,通过第一隐藏层、第二隐藏层和第三隐藏层进行训练,由输出层输出,具体按照以下步骤实施:
[0016] 步骤3.1、前向输出
[0017] 根据下式计算罗兰天地波信号样本每层隐藏层的输出向量Oj,
[0018] Oj=f(∑xnwnj+θj)                                       (1)[0019] 式(1)中,j表示隐藏层,j=1,2,3分别表示第一隐藏层、第二隐藏层,xn表示罗兰天地波信号样本,n是不为0自然数,w为权重,θ表示偏置,f(∑xnwnj+θj)为激活函数f(a),且[0020]
[0021] 步骤3.2、反向误差传播
[0022] 根据下式计算输出层的误差值Errk和每层隐藏层的误差值Errj,
[0023] Errk=Ok(1-Ok)(Tk-Ok)                                (3)
[0024] Errj=Oj(1-Oj)∑Errkwjk                               (4)
[0025] 式(3)和式(4)中,k表示输出层,Tk表示输出层的目标向量,Ok表示输出层的输出向量;
[0026] 步骤3.3、参数更新
[0027] 根据步骤3.2计算的每层隐藏层的误差值Errj更新权重和偏置,
[0028] 更新后的权重wij=wnj+ηErrjOj                           (5)
[0029] 更新后的偏置θj=θj+ηErrj                              (6)[0030] 式(5)和式(6)中,i表示输入层,η为学习率;
[0031] 步骤3.4、根据更新后的权重和偏置对人工神经网络再次进行训练,即将更新后的权重和偏置代入执行步骤3.1~步骤3.3的操作,不断循环训练,直到输出层误差值Errk小于1e-4或者达到步骤2设置的训练次数,训练停止。
[0032] 步骤1中所采集的罗兰天地波信号样本中地波时延和天波时延为30到200微秒之间,信噪比为-15dB~15dB,罗兰天地波信号样本的数量不少于10000个。
[0033] 本发明的有益效果是,本发明一种基于人工神经网络的罗兰天地波时延估计方法应用WRELAX算法和不变性原理,将多维的最优化问题转化为多次的一维最优化问题,简单清晰,便于操作;对于罗兰系统的时延误差估计准确,提高了罗兰系统的定位精度。附图说明
[0034] 图1是本发明一种基于人工神经网络的罗兰天地波时延估计方法中人工神经网络的结构图;
[0035] 图2是本发明一种基于人工神经网络的罗兰天地波时延估计方法中人工神经网络的基本算法框图
[0036] 图3是不同信噪比条件下训练完成的人工神经网络性能的误差直方图,图3(a)、(b)、(c)分别是信噪比为10dB、0dB、-10dB的环境下训练完成的人工神经网络的罗兰天地波时延估计误差直方图。

具体实施方式

[0037] 下面结合附图及具体实施方式对本发明进行详细说明。
[0038] 本发明一种基于人工神经网络的罗兰天地波时延估计方法,具体按照以下步骤实施:
[0039] 步骤1、设计人工神经网络的结构,采集罗兰天地波信号样本,根据罗兰信号的长度和周期,将用于人工神经网络训练的罗兰天地波信号样本进行预处理:
[0040] 步骤1.1、如图1所示,设计人工神经网络结构为5层,包括输入层、第一隐藏层、第二隐藏层、第三隐藏层和输出天地波延迟层,输入层的输入向量为5000x1,第一隐藏层的神经元数为3000神经元,第二隐藏层的神经元数为10000神经元,第三隐藏层的神经元数为3000神经元,输出天地波延迟层的输出向量为2x1;
[0041] 步骤1.2、采集罗兰天地波信号样本,其中地波时延和天波时延为30到200微秒之间,信噪比为-15dB~15dB,罗兰天地波信号样本的数量不少于10000个,采样频率10MHz,罗兰信号单个脉冲重复周期为1毫秒,截取5000点长度为500微秒;
[0042] 步骤1.3、罗兰天地波信号样本值规划至[-1,1]区间进行归一化处理,得到罗兰天地波信号预处理样本。
[0043] 步骤2、设置人工神经网络的初始参数,即设置每层人工神经网络的权值和偏重均为0.5、人工神经网络的学习率为0.01及各层神经元之间的激活函数为sigmoid函数,同时,设置罗兰天地波信号样本的训练次数为300次和训练误差函数的目标门限即误差函数阈值为1e-4。
[0044] 步骤3、使用罗兰天地波信号样本对人工神经网络进行训练,如图2所示,将罗兰天地波信号预处理样本由输入层输入,通过第一隐藏层、第二隐藏层和第三隐藏层进行训练,由输出层输出,当误差函数小于门限值或者学习次数达到最大设置值训练停止,得到训练完成的人工神经网络:
[0045] 步骤3.1、前向输出
[0046] 根据下式计算罗兰天地波信号样本每层隐藏层的输出向量Oj,
[0047] Oj=f(∑xnwnj+θj)                                       (1)[0048] 式(1)中,j表示隐藏层,j=1,2,3分别表示第一隐藏层、第二隐藏层,xn表示罗兰天地波信号样本,n是不为0自然数,w为权重,θ表示偏置,f(∑xnwnj+θj)为激活函数f(a),且[0049]
[0050] 步骤3.2、反向误差传播
[0051] 根据下式计算输出层的误差值Errk和每层隐藏层的误差值Errj,
[0052] Errk=Ok(1-Ok)(Tk-Ok)                                (3)
[0053] Errj=Oj(1-Oj)∑Errkwjk                               (4)
[0054] 式(3)和式(4)中,k表示输出层,Ok表示输出层的输出向量,Tk表示输出层的目标向量;
[0055] 步骤3.3、参数更新
[0056] 根据步骤3.2计算的每层隐藏层的误差值Errj更新权重和偏置,
[0057] 更新后的权重wij=wnj+ηErrjOj                           (5)
[0058] 更新后的偏置θj=θj+ηErrj                              (6)[0059] 式(5)和式(6)中,i表示输入层,η为学习率;
[0060] 步骤3.4、根据更新后的权重和偏置对人工神经网络再次进行训练,即将更新后的权重和偏置代入执行步骤3.1~步骤3.3的操作,不断循环训练,直到输出层误差值Errk小于1e-4或者达到步骤2设置的训练次数,训练停止。
[0061] 步骤4、将待估计时延的罗兰天地波信号代入训练好的人工神经网络即可输出得到其罗兰天地波时延。
[0062] 为保证训练完成的人工神经网络性能良好,在步骤1.3中将罗兰天地波信号预处理样本中的90%进行标记,作为训练样本,其余10%作为测试样本,通过训练样本执行步骤2~步骤3,得到训练完成的人工神经网络,将测试样本输入训练好的人工神经网络,并输出测试样本的罗兰天地波时延。根据该输出结果评估训练完成的人工神经网络的性能,如图3(a)所示,在信噪比SNR=10dB环境下,罗兰天地波时延估计误差90%集中在小于0.1微秒的区间内;如图3(b)所示,SNR=0dB环境下,罗兰天地波时延估计误差75%集中在小于1微秒区间,90%集中在小于2微秒区间内;如图3(c)所示,在SNR=-10dB环境下,罗兰天地波时延估计误差有超过50%位于5微秒以内,由此可以发现,本发明一种基于人工神经网络的罗兰天地波时延估计方法中训练完成的人工神经网络在低信噪比的环境下仍可以使用,且罗兰天地波时延估计值精度高。后续将待估计时延的罗兰天地波信号代入训练好且经过评估的人工神经网络即可输出得到其罗兰天地波时延。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈