基于神经网络方法的水声信号预测
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
×10 - 5与 7. 07 ×10 - 6 。
图 1 Logistic时间序列
图 2 BP网络预测 Logistic时间序列
图 3 RBF网络预测 Logistic时间序列
对水声信号进行预测时 ,考虑到水声信号的复 杂性 ,采用了 500个数据点 ,前 450个点作为训练样 本 ,后 50个点作为预测样本 。图 4是经过归一化处 理后的舰船辐射噪声波形 。图 5、6分别是 BP、RBF 神经网络预测水声信号波形 ,预测误差的标准方差 分别是 0. 09与 0. 102。
关键词 :水声信号 ;神经网络 ;预测
中图分类号 : TN911. 7 文献标识码 : A 文章编号 : 1002 - 2279 (2006) 03 - 0047 - 02
P re d ic tio n o f U nde rw a te r Aco u s tic S igna l ba se d o n N e u ra l N e two rk
基于非线性时间序列的局部可预测原理 ,提出 了一种运用神经网络的模式记忆和联想特点的预测 模型 。讨论了采用 BP网络和 RBF网络组成的预测 模型结构和参数的选择 。通过对仿真数据和实际舰 船辐射噪声数据预测的结果分析 ,得出了两种网络 预测模型的误差分布 ,提出了减小预测误差的有效 方法 。
2 时间序列预测方法 [ 1 - 2 ]
分为两个阶段 :第一阶段 (正向传播过程 ) ,给出输
入信息通过输入层前向传播到隐层的节点上 ,经过
各单元特性为 Sigmoid型的激活函数运算后 ,把隐
层节点的输出信息传播到输出层节点 ,得到每个单
元的实际输出值 ;第二阶段 (反向过程 ) ,若在输出
层未得到期望的输出值 ,则计算出实际输出与期望
20第06年3期6月
微 处 理 机
M ICROPROCESSORS
No. 3
Jun. , 2006
基于神经网络方法的水声信号预测
吴岳松 ,李亚安 ,陈 静
(西北工业大学航海学院 ,西安 710072)
摘 要 :由于海洋环境的复杂性和水声信道复杂的时变 、空变特性 ,使得舰船辐射噪声是一种 非平稳 、非高斯过程 。如能提前预测敌方舰船的辐射噪声 ,并有效地对敌进行水下对抗 ,先敌使用 武器攻击 ,是克敌制胜的前提 ,也是我海军目前各型潜艇和水面舰艇急需解决的关键技术 。文章根 据水声信号的特点建立了预测模型和网络结构参数的设计 。并分别采用 BP神经网络和 RBF神经 网络对仿真信号和实际舰船水声信号进行预测 。结果表明 ,利用神经网络预测水声信号达到了一 定的效果 ,为今后进一步开展水声信号预测研究奠定了基础 。
i = 1, 2, …,M
其中 G (X, Ti )为隐层第 i个单元的输出 , X为 p
维输入矢量 , Ti 为隐层第 i个单元高斯函数的中心 ,
σ i
为第
i个隐节点的归一化参数 ,即宽度 ,M 为隐层
节点数 。
4 基于神经网络的时间序列预测
为了验证神经网络预测器的有效性和预测性
能 ,首先应用预测模型对 Logistic 时间序列进行预 测 。在这里截取了 Logistic时间序列的 500点 ,其中 前 450个点作为训练样本 ,后 50点为预测 。分别用 BP神经网络和 RBF 神经网络做了预测 。图 1 是 Logistic时间序列波形 ,图 2、3分别是 B P与 RB F神 经网络预测波形 ,预测误差的标准方差分别为 7. 12
图 4 显示驱动体系结构及调用过程 SHARP_LCD: : SHARP_LCD ( void)
{ volatile char 3 fb; int i; D ispD rvrInitialize ( ) ; / / setup up disp lay mode related constants m _nScreenW idth = D ispD rvr_cxScreen; m _nScreenHeight = D ispD rvr_cyScreen; m _colorDep th = bpp; m _cbScanL ineLength = m _nScreenW idth 3 2; m _ FrameB ufferSize = m _ nScreenHeight 3 m _ cb2 ScanL ineLength; } void D ispD rvrInitialize ( void) { / 3 初始化全局变量 3 /
(4)
式中 ～xt为预测值 , xt 为真实值 。
为了建立良好的预测模型 ,就必须使预测误差
最小 。可以看出 , (4)式是神经网络的能量函数 ,神
经网络的训练过程就是使预测误差达到全局最小的
过程 。神经网络建模的最终结果是求出非线性函数
fi ( x) 。而 fi ( x)是以网络模型各个节点的连接权值
WU Yue - song, L I Ya - an, CHEN J ing
( College of M a rine, N orthw estern Poly techn ica l U n iversity, X i’an 710072, Ch ina)
Abstract: The ship - radiated noise is non - stationary and non - Gaussian in the comp lex ocean en2 vironment due to the intricate tim e - varying and spare - varying of channel. Hence, how to detect the noise of enemy naval vessel has becom e an urgent p roblem to be solved in all types of submarines and na2 val vessels by Chinese navy. In this paper, a new m ethod of underwater acoustic signal p redicting w ith the help of neural network is p romoted. This paper is also intended to discuss the establishment of calcu2 lating model and the design of network param eter as well. The BP network and the RB F network are ap2 p lied to calculate the underwater acoustic signal of naval vessels. The study indicates that the underwater acoustics signal p redicting w ith the help of neural network can achieve good results and lays a foundation for further investigations of underwater acoustics signal p rediction.
Key words:Underwater acoustics signal; Neural networks; Prediction
1 引 言
对于水声混沌信号 ,它的一个重要特性就是局 部可预测性 。水声信号的局部可预测性在水声信号 处理中具有重要作用 ,它是解决非平稳信号检测问 题的基础 。因此 ,研究水声信号的预测问题将在水 声信号处理中占有非常重要的作用 。
作为相应的网络输出 。
表 1 训练样本数据分段
样本号
1 2 …
n个输入值
x(1). . . x( n) x(2). . . x(n +1)
……
m 个标准输出值
x(n + 1). . . x(n +m) x(n +2). . . x(n +m +1)
……
k
x(2). . . x( n + 1) x( n + k + 1). . . x( n +m + k)
输出之差值 (即误差 ) ,将误差信号沿原来的连接通
路返回 ,通过修改各层神经元的权值逐次向输入层
传播 ,再经过正向传播过程 ,这两个过程的反复运
用 ,使得误差最小 。
RB F ( Radial Basis Function径向基函数 )网络
也是一种单隐层的前向网络 ,隐层中的基函数使用
径向基函数 ,它对输入激励产生一个局部化的响应 ,
3 神经网络预测器模型
采用两种神经网络模 型 , 三 层前 向反 馈网 络
(BP网络 )和径向基函数神经网络 ( RB F网络 ) ,对
时间序列进行预测 。BP 网络是指用 BP (Back -
Propagation误差反向传播 )算法训练的多层前向网
络 ,是单隐层的前向网络结构 。BP算法的学习过程
时刻的值 ,即进行 m 步预测 ,可取序列中 n个相邻
的样本为滑动窗并将它们映射为 m 个值 。这 m 个
值代表在该窗之后的 m 个时间上的样本预测值 。
表 1列出了训练数据的一种分段方法 。把训练数据
分成 k段长度为 m + n的有一定重叠的数据段 ,每
一段的前 n个数据作为网络的输入 ,后 m 个数据则
图 4 归一化的水声信号序列
( 下转第 51页 )
3期
陈俊勇等 : W indow s CE. net设备驱动程序开发研究
·51·
这样做可以加快开发速度 。主要步骤是 :复制一个 显示驱动样本 ,放到平台 B SP的 drivers文件夹下 , 修改文件夹 ,换成需要的名字 ;在 dir文件中加入自 己的文件夹名字 ;修改文件内容 ,包含 3 . c、3 . cpp、 3 . h文件 ;修改注册表文件 Platform. reg以配置与 显示驱动有关的信息 。主要源代码为 sharp _lcd. cpp 和 dispdrvr. c文件 , sharp _ lcd是 GPE的继承类 。下 面列出部分初始化的源代码 :
已知一维时间序列 { x1 , x2 , …, xN } ,为了预测它 的将来值 { xN + 1 , xN + 2 , …} ,根据神经网络预测方法
和神经网络特性 ,可以将网络预测模型用如下预测 方程表示
xt = f1 ( x) xt - 1 + f2 ( x) xt - 2 +. . . + fd ( x) xt - d ( 1) 其中 fi ( x) = fi ( xt - 1 , xt - 2 , . . . , xt - d )
bpp = 16;
D ispD rvr_cxScreen = 240;
D ispD rvr_cyScreen = 320;
bLandscapeD isp lay = FALSE; if (D ispD rvr_cxScreen > = D ispD rvr_cyScreen)
即仅当输入落在输入空间中一个很小的指定区域中
时 ,隐单元才作出有意义的非零响应 。输出层的输
出为各隐单元的输出加权和 。输入到隐单元的权值
固定为 1,隐单元到输出单元之间的权值可调 。RBF
网络中 ,隐层最常用的基函数是高斯函数
G (X, Ti ) = G ( ‖X - Ti ‖) = exp
-
‖X - Ti ‖2 2σ2i
i = 1, 2, . . . , d
(2)
式中 d为预测网络的输入层节点数 。这样我们
可以得到它的估计值
～xt = f1 ( x) xt - 1 + f2 ( x) xt - 2 +. . . + fd ( x) xt - d ( 3) 预测误差为
源自文库
σ2
=
1 n
n
∑
t =1
～
( xt
-
xt ) 2
作者简介 :吴岳松 (1979 - ) ,男 ,湖北省咸宁市人 ,硕士研究生 ,主研方向 :水声信号处理 、小波变换和神经网络 。 收稿日期 : 2005 - 01 - 06
·48·
微 处 理 机
2006年
和阈值来表达的 。
根据已有的样本数据对网络进行训练 ,若希望
用过去的 n ( n≥1)个数据预测未来的 m (m ≥1)个
图 1 Logistic时间序列
图 2 BP网络预测 Logistic时间序列
图 3 RBF网络预测 Logistic时间序列
对水声信号进行预测时 ,考虑到水声信号的复 杂性 ,采用了 500个数据点 ,前 450个点作为训练样 本 ,后 50个点作为预测样本 。图 4是经过归一化处 理后的舰船辐射噪声波形 。图 5、6分别是 BP、RBF 神经网络预测水声信号波形 ,预测误差的标准方差 分别是 0. 09与 0. 102。
关键词 :水声信号 ;神经网络 ;预测
中图分类号 : TN911. 7 文献标识码 : A 文章编号 : 1002 - 2279 (2006) 03 - 0047 - 02
P re d ic tio n o f U nde rw a te r Aco u s tic S igna l ba se d o n N e u ra l N e two rk
基于非线性时间序列的局部可预测原理 ,提出 了一种运用神经网络的模式记忆和联想特点的预测 模型 。讨论了采用 BP网络和 RBF网络组成的预测 模型结构和参数的选择 。通过对仿真数据和实际舰 船辐射噪声数据预测的结果分析 ,得出了两种网络 预测模型的误差分布 ,提出了减小预测误差的有效 方法 。
2 时间序列预测方法 [ 1 - 2 ]
分为两个阶段 :第一阶段 (正向传播过程 ) ,给出输
入信息通过输入层前向传播到隐层的节点上 ,经过
各单元特性为 Sigmoid型的激活函数运算后 ,把隐
层节点的输出信息传播到输出层节点 ,得到每个单
元的实际输出值 ;第二阶段 (反向过程 ) ,若在输出
层未得到期望的输出值 ,则计算出实际输出与期望
20第06年3期6月
微 处 理 机
M ICROPROCESSORS
No. 3
Jun. , 2006
基于神经网络方法的水声信号预测
吴岳松 ,李亚安 ,陈 静
(西北工业大学航海学院 ,西安 710072)
摘 要 :由于海洋环境的复杂性和水声信道复杂的时变 、空变特性 ,使得舰船辐射噪声是一种 非平稳 、非高斯过程 。如能提前预测敌方舰船的辐射噪声 ,并有效地对敌进行水下对抗 ,先敌使用 武器攻击 ,是克敌制胜的前提 ,也是我海军目前各型潜艇和水面舰艇急需解决的关键技术 。文章根 据水声信号的特点建立了预测模型和网络结构参数的设计 。并分别采用 BP神经网络和 RBF神经 网络对仿真信号和实际舰船水声信号进行预测 。结果表明 ,利用神经网络预测水声信号达到了一 定的效果 ,为今后进一步开展水声信号预测研究奠定了基础 。
i = 1, 2, …,M
其中 G (X, Ti )为隐层第 i个单元的输出 , X为 p
维输入矢量 , Ti 为隐层第 i个单元高斯函数的中心 ,
σ i
为第
i个隐节点的归一化参数 ,即宽度 ,M 为隐层
节点数 。
4 基于神经网络的时间序列预测
为了验证神经网络预测器的有效性和预测性
能 ,首先应用预测模型对 Logistic 时间序列进行预 测 。在这里截取了 Logistic时间序列的 500点 ,其中 前 450个点作为训练样本 ,后 50点为预测 。分别用 BP神经网络和 RBF 神经网络做了预测 。图 1 是 Logistic时间序列波形 ,图 2、3分别是 B P与 RB F神 经网络预测波形 ,预测误差的标准方差分别为 7. 12
图 4 显示驱动体系结构及调用过程 SHARP_LCD: : SHARP_LCD ( void)
{ volatile char 3 fb; int i; D ispD rvrInitialize ( ) ; / / setup up disp lay mode related constants m _nScreenW idth = D ispD rvr_cxScreen; m _nScreenHeight = D ispD rvr_cyScreen; m _colorDep th = bpp; m _cbScanL ineLength = m _nScreenW idth 3 2; m _ FrameB ufferSize = m _ nScreenHeight 3 m _ cb2 ScanL ineLength; } void D ispD rvrInitialize ( void) { / 3 初始化全局变量 3 /
(4)
式中 ～xt为预测值 , xt 为真实值 。
为了建立良好的预测模型 ,就必须使预测误差
最小 。可以看出 , (4)式是神经网络的能量函数 ,神
经网络的训练过程就是使预测误差达到全局最小的
过程 。神经网络建模的最终结果是求出非线性函数
fi ( x) 。而 fi ( x)是以网络模型各个节点的连接权值
WU Yue - song, L I Ya - an, CHEN J ing
( College of M a rine, N orthw estern Poly techn ica l U n iversity, X i’an 710072, Ch ina)
Abstract: The ship - radiated noise is non - stationary and non - Gaussian in the comp lex ocean en2 vironment due to the intricate tim e - varying and spare - varying of channel. Hence, how to detect the noise of enemy naval vessel has becom e an urgent p roblem to be solved in all types of submarines and na2 val vessels by Chinese navy. In this paper, a new m ethod of underwater acoustic signal p redicting w ith the help of neural network is p romoted. This paper is also intended to discuss the establishment of calcu2 lating model and the design of network param eter as well. The BP network and the RB F network are ap2 p lied to calculate the underwater acoustic signal of naval vessels. The study indicates that the underwater acoustics signal p redicting w ith the help of neural network can achieve good results and lays a foundation for further investigations of underwater acoustics signal p rediction.
Key words:Underwater acoustics signal; Neural networks; Prediction
1 引 言
对于水声混沌信号 ,它的一个重要特性就是局 部可预测性 。水声信号的局部可预测性在水声信号 处理中具有重要作用 ,它是解决非平稳信号检测问 题的基础 。因此 ,研究水声信号的预测问题将在水 声信号处理中占有非常重要的作用 。
作为相应的网络输出 。
表 1 训练样本数据分段
样本号
1 2 …
n个输入值
x(1). . . x( n) x(2). . . x(n +1)
……
m 个标准输出值
x(n + 1). . . x(n +m) x(n +2). . . x(n +m +1)
……
k
x(2). . . x( n + 1) x( n + k + 1). . . x( n +m + k)
输出之差值 (即误差 ) ,将误差信号沿原来的连接通
路返回 ,通过修改各层神经元的权值逐次向输入层
传播 ,再经过正向传播过程 ,这两个过程的反复运
用 ,使得误差最小 。
RB F ( Radial Basis Function径向基函数 )网络
也是一种单隐层的前向网络 ,隐层中的基函数使用
径向基函数 ,它对输入激励产生一个局部化的响应 ,
3 神经网络预测器模型
采用两种神经网络模 型 , 三 层前 向反 馈网 络
(BP网络 )和径向基函数神经网络 ( RB F网络 ) ,对
时间序列进行预测 。BP 网络是指用 BP (Back -
Propagation误差反向传播 )算法训练的多层前向网
络 ,是单隐层的前向网络结构 。BP算法的学习过程
时刻的值 ,即进行 m 步预测 ,可取序列中 n个相邻
的样本为滑动窗并将它们映射为 m 个值 。这 m 个
值代表在该窗之后的 m 个时间上的样本预测值 。
表 1列出了训练数据的一种分段方法 。把训练数据
分成 k段长度为 m + n的有一定重叠的数据段 ,每
一段的前 n个数据作为网络的输入 ,后 m 个数据则
图 4 归一化的水声信号序列
( 下转第 51页 )
3期
陈俊勇等 : W indow s CE. net设备驱动程序开发研究
·51·
这样做可以加快开发速度 。主要步骤是 :复制一个 显示驱动样本 ,放到平台 B SP的 drivers文件夹下 , 修改文件夹 ,换成需要的名字 ;在 dir文件中加入自 己的文件夹名字 ;修改文件内容 ,包含 3 . c、3 . cpp、 3 . h文件 ;修改注册表文件 Platform. reg以配置与 显示驱动有关的信息 。主要源代码为 sharp _lcd. cpp 和 dispdrvr. c文件 , sharp _ lcd是 GPE的继承类 。下 面列出部分初始化的源代码 :
已知一维时间序列 { x1 , x2 , …, xN } ,为了预测它 的将来值 { xN + 1 , xN + 2 , …} ,根据神经网络预测方法
和神经网络特性 ,可以将网络预测模型用如下预测 方程表示
xt = f1 ( x) xt - 1 + f2 ( x) xt - 2 +. . . + fd ( x) xt - d ( 1) 其中 fi ( x) = fi ( xt - 1 , xt - 2 , . . . , xt - d )
bpp = 16;
D ispD rvr_cxScreen = 240;
D ispD rvr_cyScreen = 320;
bLandscapeD isp lay = FALSE; if (D ispD rvr_cxScreen > = D ispD rvr_cyScreen)
即仅当输入落在输入空间中一个很小的指定区域中
时 ,隐单元才作出有意义的非零响应 。输出层的输
出为各隐单元的输出加权和 。输入到隐单元的权值
固定为 1,隐单元到输出单元之间的权值可调 。RBF
网络中 ,隐层最常用的基函数是高斯函数
G (X, Ti ) = G ( ‖X - Ti ‖) = exp
-
‖X - Ti ‖2 2σ2i
i = 1, 2, . . . , d
(2)
式中 d为预测网络的输入层节点数 。这样我们
可以得到它的估计值
～xt = f1 ( x) xt - 1 + f2 ( x) xt - 2 +. . . + fd ( x) xt - d ( 3) 预测误差为
源自文库
σ2
=
1 n
n
∑
t =1
～
( xt
-
xt ) 2
作者简介 :吴岳松 (1979 - ) ,男 ,湖北省咸宁市人 ,硕士研究生 ,主研方向 :水声信号处理 、小波变换和神经网络 。 收稿日期 : 2005 - 01 - 06
·48·
微 处 理 机
2006年
和阈值来表达的 。
根据已有的样本数据对网络进行训练 ,若希望
用过去的 n ( n≥1)个数据预测未来的 m (m ≥1)个