基于混沌深度小波网络的数据分类方法

摘要

本发明公开了一种基于混沌深度小波网络的数据分类方法，主要解决现有技术中人工参与过多、分类正确率较低和可移植性不强等问题。其实现主要是：构建混沌深度小波网络，逐层提取输入数据在不同深度层次的特征；在网络学时用混沌模拟退火算法对分层网络和整体网络参数寻优得到分类网络；将待分类数据输入网络得到分类结果。本发明通过构建混沌深度小波网络，自动对数据进行特征提取，获得数据更丰富的特征表述，避免人工参与，消除不确定因素，提高分类正确率；训练网络时用混沌模拟退火方法，降低网络训练时间，提高分类性能。本发明可移植性强，普适性强，可用于数据分类、图像分类、场景分类、目标识别及数据预测分析。

主权项

一种基于混沌深度小波网络的数据分类方法，其特征在于，包括有如下步骤：步骤1输入待处理数据，根据该数据建立数据分类所用数据集，包括分别建立训练集U和测试集V；步骤2构建混沌深度小波网络，设定该网络具有1个输入层和1个输出层，在输入层和输出层之间具有1个小波能量提取层和n个自编码特征抽象层，组成小波能量提取层的是小波元，组成自编码特征抽象层的是自编码元；步骤3划分该网络的层次，对小波能量提取层和自编码特征抽象层的参数逐层进行分层主动学习，所用训练数据为训练集U中的样本；在逐层主动学习的过程中，用混沌模拟退火算法对网络的参数进行寻优：3a设定混沌搜索步长C、混沌终止条件Cmin、退火的初始高温T、寻优迭代停止条件设为温度达到最小值Tmin，计算网络的当前能量；3b设定网络评价标准，即损失函数，作为判定网络是否达到稳定的标志：$L=\frac{1}{2}{\left|\right|y-h_{w,b}\left(x\right)\left|\right|}^2$其中，y为有标签数据的类别标签，h_w,b(x)为输入x经过网络后的输出，该式代表的是预测标签h_w,b(x)和类别标签y的差别；3c判断当前温度T是否达到温度的最小值Tmin，若已达到，则退出循环，执行步骤4；若没有达到，则转入步骤3d；3d前向运行当前网络，计算损失函数L，记为当前网络的能量E(j)；3e按照以下条件为标准，判定当前网络的能量改变能否被接受：若E(j)≤E(i),则接受该状态的改变，将当前的网络的参数记录，作为待应用网络；若E(j)>E(i)，则状态改变以概率被接受，将当前的网络参数记录，作为待应用网络；其中E(j)为当前状态网络的能量值，E(i)为前一状态网络的能量值，K是波尔兹曼常数，T是当前网络的温度；3f判断当前损失函数是否满足混沌终止条件Cmin，若满足，则将搜索步长更新为较小的步长；若不满足，则根据Logistic映射对搜索空间进行进一步的搜索；转入步骤3d进行迭代运算，直到网络稳定为止；步骤4将分层主动学习获得的小波能量提取层和自编码特征抽象层的当前最优参数分别赋给混沌深度小波网络的各级对应层，得到初始混沌深度小波网络；步骤5将训练集U中的样本输入到已得到的初始混沌深度小波网络，再次用混沌模拟退火算法对网络的参数进行学习和训练，得到一个用于分类的混沌深度小波网络；步骤6将测试集V中的样本输入混沌深度小波网络，得到该测试集V中各样本的分类结果。