动态认知神经功能重建中的输入输出信号处理方法

摘要

为了提高动态认知神经网络中节点信号的处理速度，本发明提供了一种动态认知神经功能重建中的输入输出信号处理方法，包括：根据动态认知神经网络的状态构造检测信号接收矩阵；对当前时刻的检测信号接收矩阵进行奇异值分解；根据下一时刻的检测信号接收矩阵以及所述奇异值分解结果构造反馈信号矩阵；对信号进行放大处理并对动态认知神经网络进行迭代。本发明基于节点在不同时刻信号特征之间的比例进行变换，并利用待输入到多输入输出动态系统的输入信号的相位稳定性进行信号筛选，提高了建模的收敛速度，进而提高了对各节点输入输出信号的处理速度。

说明书

技术领域

本发明涉及多输入输出动态系统信号处理技术领域，更具体地，涉及一种动态认知神经功能重建中的输入输出信号处理方法。

背景技术

由于人工神经网络具有极强的函数逼近能力，它能以任意精度充分逼近任意连续非线性函数，对复杂不确定问题具有自适应和自学习能力，神经网络的出现为医疗手术过程中的路径规划、生物图像辨识、机电设备设计、优化计算等领域提供了一种新的高效数据处理方式。

然而，对于具有动态认知神经网络的系统，通常使用的是逼近和递归方式(例如，现有技术中包括的前馈神经逼近网络)，目前尚无收敛速度较快的输入输出信号处理方法(参见Carvalho J P.Rule Based Fuzzy Cognitive Maps-Qualitative Dy-namics[OL].http://www.google.com)。经验证：典型的Elman动态网络仅具有积分特性，改进Elman网络则具有比例积分特性。

发明内容

为了提高动态认知神经网络中节点信号的处理速度，本发明提供了一种动态认知神经功能重建中的输入输出信号处理方法，包括：

(1)根据动态认知神经网络的状态构造检测信号接收矩阵；

(2)对当前时刻的检测信号接收矩阵进行奇异值分解；

(3)根据下一时刻的检测信号接收矩阵以及所述奇异值分解结果构造反馈信号矩阵；

(4)对信号进行放大处理并对动态认知神经网络进行迭代。

进一步地，所述步骤(1)包括：

(11)根据动态认知神经网络的状态，在t时刻的状态，获得t时刻要输入到节点N_i的有效信号S_i(t)以及t+1时刻输入到节点N_i的有效信号S′_i(t+1)，所述有效信号表示在动态认知神经网络中的符合预定条件的信号传输路径中传输的信号，i＝1，2，…N，N为正整数；

(12)计算各待处理信号S_i(t)之间的对数比例，获得它们彼此之间的比例系数：

K₁:K₂:K₃:...:K_N＝|lg(||S₁(t)||)|:|lg(||S₂(t)||)|:|lg(||S₃(t)||)|:...:|lg(||S_N(t)||)|

(13)构造t时刻的检测信号接收矩阵A：

$A=\left(\begin{array}{ccccc}{K}_1& \sqrt{K_1\times K_2}& \mathrm{...}& \mathrm{...}& \sqrt{K_{N-1}\times K_N}\\ \sqrt{K_1\times K_1}& K_2& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \sqrt{K_{N-2}\times K_{N-1}}\\ \sqrt{K_N\times K_1}& \sqrt{K_N\times K_2}& \mathrm{...}& \mathrm{...}& K_N\end{array}\right);$

(14)构造(t+1)时刻的检测信号接收矩阵B：

$B=\left(\begin{array}{ccccc}{K^{\prime }}_1& \sqrt{{K^{\prime }}_1\times {K^{\prime }}_2}& \mathrm{...}& \mathrm{...}& \sqrt{{K^{\prime }}_{N-1}\times {K^{\prime }}_N}\\ \sqrt{{K^{\prime }}_2\times {K^{\prime }}_1}& {K^{\prime }}_2& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \sqrt{{K^{\prime }}_{N-2}\times {K^{\prime }}_{N-1}}\\ \sqrt{{K^{\prime }}_N\times {K^{\prime }}_1}& \sqrt{{K^{\prime }}_N\times {K^{\prime }}_2}& \mathrm{...}& \mathrm{...}& {K^{\prime }}_N\end{array}\right),$

其中

$\begin{array}{c}{K^{\prime }}_1:{K^{\prime }}_2:{K^{\prime }}_3:\mathrm{...}:{K^{\prime }}_N\\ =\left|\lg (||{S^{\prime }}_1\left(t+1\right)||)\right|:\left|\lg (||{S^{\prime }}_2\left(t+1\right)||)\right|:\left|\lg (||{S^{\prime }}_3\left(t+1\right)||)\right|:\mathrm{...}:\left|\lg (||{S^{\prime }}_N\left(t+1\right)||)\right|\end{array}.$

进一步地，所述步骤(2)包括：

对检测信号接收矩阵进行奇异值分解：

A＝UDV^H，其中U为A的行奇异向量，D为A的对角阵，V^H为A的列奇异向量。

进一步地，所述步骤(3)包括：

(31)获得各待处理信号S_i(t)的相位信息矩阵P：

其中P_i为与之对应的待处理信号S_i(t)的相位信息，i＝1，2，…N，N为正整数；

(32)对(t+1)时刻的检测信号接收矩阵A进行奇异值分解，获得其广义逆矩阵A'，对(t+1)时刻的检测信号接收矩阵B进行奇异值分解，获得其广义逆矩阵B'：

(33)计算广义逆矩阵B'的秩α；

(34)对相位信息矩阵P进行筛选：

去掉相位信息矩阵P中P_i小于预设阈值的值，得到矩阵P^；

(35)计算相位信息矩阵P^的秩β；

(36)计算各待处理信号S_i(t)的相位信息的比例：

L₁:L₂:L₃:...:L_N＝||P₁||:||P₂||:||P₃||:...:||P_N||；

(37)构造相位信息归一化对角矩阵I：

其中c_i表示相位信息矩阵P中P_i小于预设阈值的值的情况，且当相位信息矩阵P中P_i小于预设阈值的值时，c_i＝0，否则c_i＝||D||；

(38)确定矩阵I的重特征值T，进而计算L_i与T之间的标准差G_i并以此标准差构造反馈比例矩阵G；

(39)构造反馈信号矩阵F：

$F=lg\left(\frac{\alpha \times \beta }{{||A||}^2}\right)\times (A^{\prime }·G).$

进一步地，所述步骤(4)包括：

(41)根据反馈信号矩阵对接收矩阵信号进行反馈，得到待放大矩阵E：

E＝A-F

(42)确定信号放大比例m；

(43)对待放大矩阵E进行放大，构造矩阵R'：

R'＝m×E；

(44)对矩阵R'进行反对数运算，得到供输入给多输入输出动态系统的信号矩阵R_i(t)

(45)构造迭代函数f：

其中表示取上整数。

进一步地，所述lg处理函数可以替换为ln处理函数，且反对数运算相应地替换为幂指数函数的反对数计算。

进一步地，所述步骤(11)中的预定条件为：与节点N_i连接的路径的使用概率大于预设阈值，该使用概率其中w为对节点N_i的已监测周期，γ^k(S_Ni(t))表示路径k是否被授权使用，当其被使用时γ^k(S_Ni(t))＝1，否则γ^k(S_Ni(t))＝0，即表示节点N_i在已监测周期w内存在信号的次数。

进一步地，所述幂指数函数的反对数计算采用e^x形式的函数进行。

本发明的有益效果是：本发明基于节点在不同时刻信号特征之间的比例进行变换，并利用待输入到多输入输出动态系统的输入信号的相位稳定性进行信号筛选，剔除掉不能体现出相位集中区域的信号，从而降低了多输入输出动态系统在动态认知神经网络重建过程中运算的离散度，提高了建模的收敛速度，进而提高了对各节点输入输出信号的处理速度。

附图说明

图1示出了根据本发明的动态认知神经功能重建中的输入输出信号处理方法的流程框图。

具体实施方式

如图1所示，根据本发明的优选实施例，本发明提供了一种动态认知神经功能重建中的输入输出信号处理方法，包括：

(1)根据动态认知神经网络的状态构造检测信号接收矩阵；

(2)对当前时刻的检测信号接收矩阵进行奇异值分解；

(3)根据下一时刻的检测信号接收矩阵以及所述奇异值分解结果构造反馈信号矩阵；

(4)对信号进行放大处理并对动态认知神经网络进行迭代。

优选地，所述步骤(1)包括：

(11)根据动态认知神经网络的状态，在t时刻的状态，获得t时刻要输入到节点N_i的有效信号S_i(t)以及t+1时刻输入到节点N_i的有效信号S′_i(t+1)，所述有效信号表示在动态认知神经网络中的符合预定条件的信号传输路径中传输的信号，i＝1，2，…N，N为正整数；

(12)计算各待处理信号S_i(t)之间的对数比例，获得它们彼此之间的比例系数：

K₁:K₂:K₃:...:K_N＝|lg(||S₁(t)||)|:|lg(||S₂(t)||)|:|lg(||S₃(t)||)|:...:|lg(||S_N(t)||)|

(13)构造t时刻的检测信号接收矩阵A：

$A=\left(\begin{array}{ccccc}{K}_1& \sqrt{K_1\times K_2}& \mathrm{...}& \mathrm{...}& \sqrt{K_{N-1}\times K_N}\\ \sqrt{K_2\times K_1}& K_2& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \sqrt{K_{N-2}\times K_{N-1}}\\ \sqrt{K_N\times K_1}& \sqrt{K_N\times K_2}& \mathrm{...}& \mathrm{...}& K_N\end{array}\right);$

(14)构造(t+1)时刻的检测信号接收矩阵B：

$B=\left(\begin{array}{ccccc}{K^{\prime }}_1& \sqrt{{K^{\prime }}_1\times {K^{\prime }}_2}& \mathrm{...}& \mathrm{...}& \sqrt{{K^{\prime }}_{N-1}\times {K^{\prime }}_N}\\ \sqrt{{K^{\prime }}_2\times {K^{\prime }}_1}& {K^{\prime }}_2& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \sqrt{{K^{\prime }}_{N-2}\times {K^{\prime }}_{N-1}}\\ \sqrt{{K^{\prime }}_N\times {K^{\prime }}_1}& \sqrt{{K^{\prime }}_N\times {K^{\prime }}_2}& \mathrm{...}& \mathrm{...}& {K^{\prime }}_N\end{array}\right),$

其中

$\begin{array}{c}{K^{\prime }}_1:{K^{\prime }}_2:{K^{\prime }}_3:\mathrm{...}:{K^{\prime }}_N\\ =\left|\lg (||{S^{\prime }}_1\left(t+1\right)||)\right|:\left|\lg (||{S^{\prime }}_2\left(t+1\right)||)\right|:\left|\lg (||{S^{\prime }}_3\left(t+1\right)||)\right|:\mathrm{...}:\left|\lg (||{S^{\prime }}_N\left(t+1\right)||)\right|\end{array}.$

优选地，所述步骤(2)包括：

对检测信号接收矩阵进行奇异值分解：

A＝UDV^H，其中U为A的行奇异向量，D为A的对角阵，V^H为A的列奇异向量。

优选地，所述步骤(3)包括：

(31)获得各待处理信号S_i(t)的相位信息矩阵P：

其中P_i为与之对应的待处理信号S_i(t)的相位信息，i＝1，2，…N，N为正整数；

(32)对(t+1)时刻的检测信号接收矩阵A进行奇异值分解，获得其广义逆矩阵A'，对(t+1)时刻的检测信号接收矩阵B进行奇异值分解，获得其广义逆矩阵B'：

(33)计算广义逆矩阵B'的秩α；

(34)对相位信息矩阵P进行筛选：

去掉相位信息矩阵P中P_i小于预设阈值的值，得到矩阵P^；

(35)计算相位信息矩阵P^的秩β；

(36)计算各待处理信号S_i(t)的相位信息的比例：

L₁:L₂:L₃:...:L_N＝||P₁||:||P₂||:||P₃||:...:||P_N||；

(37)构造相位信息归一化对角矩阵I：

其中c_i表示相位信息矩阵P中P_i小于预设阈值的值的情况，且当相位信息矩阵P中P_i小于预设阈值的值时，c_i＝0，否则c_i＝||D||；

(38)确定矩阵I的重特征值T，进而计算L_i与T之间的标准差G_i并以此标准差构造反馈比例矩阵G；

(39)构造反馈信号矩阵F：

$F=lg\left(\frac{\alpha \times \beta }{{||A||}^2}\right)\times (A^{\prime }·G).$

优选地，所述步骤(4)包括：

(41)根据反馈信号矩阵对接收矩阵信号进行反馈，得到待放大矩阵E：

E＝A-F

(42)确定信号放大比例m；

(43)对待放大矩阵E进行放大，构造矩阵R'：

R'＝m×E；

(44)对矩阵R'进行反对数运算，得到供输入给多输入输出动态系统的信号矩阵R_i(t)

(45)构造迭代函数f：

其中表示取上整数。

优选地，所述lg处理函数可以替换为ln处理函数，且反对数运算相应地替换为幂指数函数的反对数计算。

优选地，所述步骤(11)中的预定条件为：与节点N_i连接的路径的使用概率大于预设阈值，该使用概率其中w为对节点N_i的已监测周期，γ^k(S_Ni(t))表示路径k是否被授权使用，当其被使用时γ^k(S_Ni(t))＝1，否则γ^k(S_Ni(t))＝0，即表示节点N_i在已监测周期w内存在信号的次数。

优选地，所述幂指数函数的反对数计算采用e^x形式的函数进行。

以上对于本发明的较佳实施例所作的叙述是为阐明的目的，而无意限定本发明精确地为所揭露的形式，基于以上的教导或从本发明的实施例学习而作修改或变化是可能的，实施例是为解说本发明的原理以及让所属领域的技术人员以各种实施例利用本发明在实际应用上而选择及叙述，本发明的技术思想企图由权利要求及其均等来决定。