CN115688049A - 一种基于改进gwo优化bpnn的数据融合方法、装置和存储介质 - Google Patents
一种基于改进gwo优化bpnn的数据融合方法、装置和存储介质 Download PDFInfo
- Publication number
- CN115688049A CN115688049A CN202211359711.9A CN202211359711A CN115688049A CN 115688049 A CN115688049 A CN 115688049A CN 202211359711 A CN202211359711 A CN 202211359711A CN 115688049 A CN115688049 A CN 115688049A
- Authority
- CN
- China
- Prior art keywords
- data
- improved
- data fusion
- neural network
- bpnn
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 22
- 241000282461 Canis lupus Species 0.000 claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 claims abstract description 43
- 230000004927 fusion Effects 0.000 claims abstract description 34
- 238000010606 normalization Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims abstract description 4
- 210000002569 neuron Anatomy 0.000 claims description 47
- 239000002773 nucleotide Substances 0.000 claims description 27
- 125000003729 nucleotide group Chemical group 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 10
- 230000000295 complement effect Effects 0.000 claims description 9
- 210000005036 nerve Anatomy 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 13
- 238000007781 pre-processing Methods 0.000 abstract description 5
- 238000005265 energy consumption Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000010792 warming Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000717544 Aconitum lycoctonum subsp. vulparia Species 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于无线传感网络的数据传输技术领域，具体涉及一种基于改进GWO优化BPNN的数据融合方法、装置和存储介质，该方法包括：采集高铁传感器数据，并对数据进行归一化预处理；采用改进的灰狼算法调整BP神经网络权值与阈值，得到最优的BP神经网络；将处理后的高铁传感器数据输入最优的BP神经网络进行数据融合。本发明采用新的动态权重更新策略，避免灰狼探索陷入局部最优，同时采用了RNA交叉操作，增强了搜索的灵活性；并通过改进的灰狼算法改进BP神经网络的权值和阈值，提高了数据的融合效率，减少了数据传输的误差，增强了数据的融合能力，在保证信息的准确性的前提下，减少了数据的传输量，降低了高铁无线传感网络的能耗。
Description
技术领域
本发明属于无线传感网络的数据传输技术领域，具体涉及一种基于改进GWO优化BPNN的数据融合方法、装置和存储介质。
背景技术
高速列车走行部是位于钢轨与列车之间的重要组成部分，走行部最关键的部分是转向架。为保障列车的安全运行，我国已经投入运营的复兴号、和谐号动车组已经安装一些传感器用于监测走行部关键部件的状态信息。但目前的监测***相对独立，传感器数据分别由独立***采集、处理、分析、存储，多传感器信息融合程度不高，采集的多源信息未得到充分利用。进行传感器数据融合可充分利用数据，减少数据传输的误差，同时也可减少能耗。因此，选择合适的算法对于高铁数据的准确融合有着重要意义。
近年来，各种算法被提出用来解决高铁数据无线传输问题，如遗传算法(GA)，蚁群算法等，由于高铁实际运行环境下会受到干扰，这些算法并不能给高铁上无线传感网的数据提供稳定的传输，并没有让传感器数据得到充分地利用。
当前，BP神经网络对于数据融合、函数优化等领域得到了较好的效果；采用BP神经网络，在进行高铁传感器数据的融合时，虽然能快速融合出数据，但因为其自身受到权值与阈值的限制，很难快速得到最优的权值；本发明提出一种面向高铁的基于GWO优化BPNN的WSN数据融合方法，定义传感数据中的α、β、δ，改善BP网络的权值与阈值的限制，从而提高数据融合的准确性，获得最优融合结果。
综上所述，现有技术存在的技术问题是：如何在高铁高速运行时，进行传感器数据融合，减少数据传输的误差，提高高铁数据的利用率。
发明内容
为解决上述技术问题，本发明提供一种基于改进GWO优化BPNN的数据融合方法、装置和存储介质。
第一方面，本发明提供一种基于改进GWO优化BPNN的数据融合方法，包括：
S1：采集高铁传感器数据，并对数据进行归一化预处理；
S2：采用改进的灰狼算法调整BP神经网络权值与阈值，得到最优的BP神经网络；
S21：根据实际输入/输出参数确定BP神经网络层数、节点数、权值和阈值个数、最大训练次数、传递函数；
S22：针对无线传感网络环境下初始化灰狼参数，设置灰狼数量N，最大迭代次数Tmax，随机生成参数a、A、C，随机初始化灰狼种群；
S23：将BP神经网络初始的权值和阈值作为灰狼个***置，适应度函数为BP输出层误差函数，进行迭代遍历；
S24：计算各个传感器的适应度值，并按照适应度值的大小排序，选择三个适应度值最大的狼记为α、β、δ，然后按照新的收敛方式更新a、A、C的值，进行RNA交叉操作更新剩余灰狼的位置；
S25：判断BP神经网络是否达到最大迭代次数，达到最大迭代次数则停止迭代寻优并输出最佳灰狼位置下的BP神经网络权值与阈值，得到最优的BP神经网络，否则重复执行步骤S24，直到达到最大迭代次数；
S3：将处理后的高铁传感器数据输入最优的BP神经网络进行数据融合。
优选的，对数据进行归一化预处理，包括：
其中，x′i表示归一化预处理后的传感器数据，xi表示采集的传感器数据，
ei分别表示数据均值和标准差。
优选的，新的收敛方式，包括：
其中，
表示改进后的新的收敛方式，amax表示收敛因子最大值，amin表示收敛因子的最小值，Tmax表示最大迭代次数，t表示迭代次数。
优选的，进行RNA交叉操作更新剩余灰狼的位置，包括：
步骤1：将灰狼位置上的两个编码长度为L的传感器数据P1和P2从十进制转换成RNA编码，并将传感器数据的前半部分定义为低位，传感器数据的后半部分定义为高位；
步骤2：将P1的高位连接到P2的低位，并标记连接点；
步骤3：将P1的低位折叠到P2的低位，从P1的低位随机选择两个核苷酸碱基位置，记为
和
从P2的低位随机选择两个核苷酸碱基，记为
和
如果
和
中的核苷酸碱基是互补碱基，同时
和
中的核苷酸碱基是互补碱基，则形成第一内环，如果不是，则重新选择
和
如果第一个内环存在，则停止执行交叉，并切换到步骤7；
步骤4：将P2的高位折叠到P1的高位，执行步骤3中相同的核苷酸碱基的操作，寻找可形成第二内环的满意核苷酸碱基
和
如果存在第二内环，则停止执行交叉，并切换到步骤7；
步骤5：逆时针旋转半圈两个内环，打破互补碱基之间的磷酸二脂键，打开连接结构，从标记的连接点将旋转半圈后的序列划分为两个子序列；
步骤6：将两个子序列编码长度恢复到L，如果两个子序列的编码长度不同，则将多余的核苷酸碱基从较长的核苷酸碱基的低位移动到较短核苷酸酸碱；
步骤7：将恢复长度后的两个子序列从RNA编码转换为十进制，获得新的传感器数据，得到更新后的灰狼位置。
优选的，将处理后的高铁传感器数据输入最优的BP神经网络进行数据融合，包括：
S31：将处理后的高铁传感器数据输入最优的BP神经网络，前向求出隐含层和输出层的输出；
S32：反向传播误差，求得隐含层和输出层的误差；
S33：判断输出层的误差是否在阈值范围内，若是则输出输出层的输出，得到数据融合结果，否则根据隐含层和输出层的误差调整权值和神经元偏置，并执行S31。
进一步的，反向传播误差，求得所有隐含层的误差，包括：
Eij＝Oij(1-Oij)∑kWjkEk
其中，Eij表示隐含层的误差，Oij表示第i个隐含层的第j个神经元的实际输出，Wjk表示第j个神经元与其后一层所有神经元k的网络权重，Ek表示第j个神经元后一层所有神经元k的误差。
进一步的，反向传播误差，求得所有输出层的误差，包括：
Ei＝Oi(1-Oi)(Ti-Oi)
其中，Ei表示输出层的误差，Oi表示输出层第i个神经元的实际输出，Ti表示输出层第i个神经元的期望输出。
进一步的，根据隐含层和输出层的误差调整权值和神经元偏置，包括：
Wij＝W′ij+ΔWij＝W′ij+l·Oi·Ej
θj＝θ′j+Δθj＝θ′j+l·Ej
其中，Wij表示调整后的第i个神经元与第j个神经元之间的网络权重，W′ij表示调整前的第i个神经元与第j个神经元之间的网络权重，ΔWij表示需要调整的权值，l表示学习率，Oi表示输出层第i个神经元的实际输出，Ej表示第i个神经元的后一层所有神经元j的误差，θj表示调整后的第j个神经元的神经偏置，θ′j表示调整前的第j个神经元的神经偏置，Δθj表示需要调整的神经偏置。
第二方面，本发明提供一种基于改进GWO优化BPNN的数据融合装置，包括：处理器和存储器，其中，所述存储器中存储有适于所述处理器执行的计算机程序指令，所述计算机程序指令被所述处理器运行时使得所述处理器执行如权利要求1-8任一项所述的基于改进GWO优化BPNN的数据融合方法。
第三方面，本发明提供一种存储介质，包括存储在所述存储介质上的计算机程序指令，其中，所述计算机程序指令被处理器运行时执行如权利要求1-8任一项所述的基于改进GWO优化BPNN的数据融合方法。
本发明的有益效果：本发明采用了新的动态权重更新策略，避免灰狼探索陷入局部最优，同时采用了RNA交叉操作，增强了搜索的灵活性；并通过改进的灰狼算法改进BP神经网络的权值和阈值，提高了数据的融合效率，减少了数据传输的误差，提高了高铁数据的利用率，增强了数据的融合能力，在保证信息的准确性的前提下，减少了数据的传输量，降低了高铁无线传感网的能耗。
附图说明
图1为本发明的流程图；
图2为本发明的高铁走行部转向架结构上的传感器示意图；
图3为本发明的改进收敛因子与标准收敛因子变化对比图；
图4为本发明的通过改进GWO算法优化后的BPNN神经网络示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种基于改进GWO优化BPNN的数据融合方法，如图1所示，包括以下步骤：
S1：采集高铁传感器数据，并对数据进行归一化预处理；
S2：采用改进的灰狼算法调整BP神经网络权值与阈值，得到最优的BP神经网络，即确定BP神经网络的网络拓扑结构；
S21：根据实际输入/输出参数确定BP神经网络层数、节点数、权值和阈值个数、最大训练次数、传递函数；
S22：针对无线传感网络环境下初始化灰狼参数，设置灰狼数量N，最大迭代次数Tmax，随机生成参数a、A、C，随机初始化灰狼种群；
S23：将BP神经网络初始的权值和阈值作为灰狼个***置，适应度函数为BP函数，进行迭代遍历；
S24：计算各个传感器的适应度值，并按照适应度值的大小排序，选择三个适应度值最大的狼记为α、β、δ，然后按照新的收敛方式更新a、A、C的值，进行RNA交叉操作更新剩余灰狼的位置；
S25：判断BP神经网络是否达到最大迭代次数，达到最大迭代次数则停止迭代寻优并输出最佳灰狼位置下的BP神经网络权值与阈值，得到最优的BP神经网络，否则重复执行步骤S24，直到达到最大迭代次数；
S3：将处理后的高铁传感器数据输入最优的BP神经网络进行数据融合。
如图2所示，高速列车走行部是位于钢轨与列车之间的重要组成部分，走行部最关键的部分是转向架，在转向架上安装一些传感器用于监测走行部关键部件的状态信息，并通过高铁传感器网络获取各项数据。
优选的，对数据进行归一化预处理，包括：
其中，x′i表示归一化预处理后的传感器数据，xi表示采集的传感器数据，
ei分别表示数据均值和标准差。
优选的，随机初始化灰狼种群，包括：
其中，
为系数变量，
为(0，1)之间的随机数，a为收敛因子，Tmax为最大迭代次数，t表示迭代次数，
为当前灰狼个体存在的位置变量，
表示个体与猎物之间的距离，
表示灰狼个***置，
初始化得到的灰狼个***置。
优选的，如图3所示，改进后的灰狼算法的收敛方式对于本发明中的高铁传感器网络的数据融合有更好的收敛效果；新的收敛方式，包括：
其中，
表示改进后的新的收敛方式，amax表示收敛因子最大值，amin表示收敛因子的最小值，Tmax表示最大迭代次数，t表示迭代次数。
优选的，进行RNA交叉操作更新剩余灰狼的位置，包括：
步骤1：将灰狼位置上的两个编码长度为L的传感器数据P1和P2从十进制转换成RNA编码，并将传感器数据的前半部分定义为低位，传感器数据的后半部分定义为高位；
步骤2：将P1的高位连接到P2的低位，并标记连接点；
步骤3：将P1的低位折叠到P2的低位，从P1的低位随机选择两个核苷酸碱基位置，记为
和
从P2的低位随机选择两个核苷酸碱基，记为
和
如果
和
中的核苷酸碱基是互补碱基，同时
和
中的核苷酸碱基是互补碱基，则形成第一内环，如果不是，则重新选择
和
如果第一个内环存在，则停止执行交叉，并切换到步骤7；
步骤4：将P2的高位折叠到P1的高位，执行步骤3中相同的核苷酸碱基的操作，寻找可形成第二内环的满意核苷酸碱基
和
如果存在第二内环，则停止执行交叉，并切换到步骤7；
步骤5：逆时针旋转半圈两个内环，打破互补碱基之间的磷酸二脂键，打开连接结构，从标记的连接点将旋转半圈后的序列划分为两个子序列；
步骤6：将两个子序列编码长度恢复到L，如果两个子序列的编码长度不同，则将多余的核苷酸碱基从较长的核苷酸碱基的低位移动到较短核苷酸酸碱；
步骤7：将恢复长度后的两个子序列从RNA编码转换为十进制，获得新的传感器数据，得到更新后的灰狼位置。
进一步的，所述RNA交叉操作后位置更新方式具体数学公式如下：
其中，
为RNA交叉操作后的灰狼新的位置向量，
为(0，1)之间的随机数，
是指
分别进行RNA交叉操作后的向量，
分别为α、β、δ狼未进行更新前的位置向量，
分别为α、β、δ狼影响的更新向量，
分别为α、β、δ的系数变量。
优选的，如图4所示，将处理后的高铁传感器数据输入最优的BP神经网络进行数据融合，包括：
S31：将处理后的高铁传感器数据输入最优的BP神经网络，前向求出隐含层和输出层的输出；
S32：反向传播误差，求得隐含层和输出层的误差；
S33：判断输出层的误差是否在阈值范围内，若是则输出输出层的输出，得到数据融合结果，否则根据隐含层和输出层的误差调整权值和神经元偏置，并执行S31。
进一步的，反向传播误差，求得所有隐含层的误差，包括：
Eij＝Oij(1-Oij)∑kWjkEk
其中，Eij表示隐含层的误差，Oij表示第i个隐含层的第j个神经元的实际输出，Wjk表示第j个神经元与其后一层所有神经元K的网络权重，Ek表示第j个神经元后一层所有神经元k的误差。
进一步的，反向传播误差，求得所有输出层的误差，包括：
Ei＝Oi(1-Oi)(Ti-Oi)
其中，Ei表示输出层的误差，Oi表示输出层第i个神经元的实际输出，Ti表示输出层第i个神经元的期望输出。
进一步的，根据隐含层和输出层的误差调整权值和神经元偏置，包括：
Wij＝W′ij+ΔWij＝W′ij+l·Oi·Ej
θj＝θ′j+Δθj＝θ′j+l·Ej
其中，Wij表示调整后的第i个神经元与第j个神经元之间的网络权重，W′ij表示调整前的第i个神经元与第j个神经元之间的网络权重，ΔWij表示需要调整的权值，l表示学习率，Oi表示输出层第i个神经元的实际输出，Ej表示第i个神经元的后一层所有神经元j的误差，θj表示调整后的第j个神经元的神经偏置，θ′j表示调整前的第j个神经元的神经偏置，Δθj表示需要调整的神经偏置。
本发明提供一种基于改进GWO优化BPNN的数据融合装置，包括：处理器和存储器，其中，所述存储器中存储有适于所述处理器执行的计算机程序指令，所述计算机程序指令被所述处理器运行时使得所述处理器执行所述的基于改进GWO优化BPNN的数据融合方法。
例如，该数据融合装置可以基于用户的需求及时更新(例如，动态更新)数据融合规则和数据融合类的至少一类，以构建满足用户的需求的数据模型。例如该数据融合装置可以实时持续的对高铁传感器数据进行融合。
例如，该处理器例如是中央处理单元(CPU)、图形处理器GPU、张量处理器(TPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，例如，该处理器可以实现为通用处理器，并且也可以为单片机、微处理器、数字信号处理器、专用的图像处理芯片、或现场可编程逻辑阵列等。例如，存储器可以包括易失性存储器和非易失性存储器的至少一种，例如存储器可以包括只读存储器(ROM)、硬盘、闪存等。相应地，该存储器可以实现为一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，在所述计算机可读存储介质上可以存储一个或多个计算机程序指令。处理器可以运行所述程序指令，以执行本公开的至少一个提供的任一数据融合方法。该存储器还可以存储其他各种应用程序和各种数据，例如，所述应用程序使用和/或产生的各种数据等。
本发明提供一种存储介质，包括存储在所述存储介质上的计算机程序指令，其中，所述计算机程序指令被处理器运行时执行所述的基于改进GWO优化BPNN的数据融合方法。
例如，该存储介质可以基于用户的需求及时更新(例如，动态更新)数据融合规则和数据融合类的至少一类，以构建满足用户的需求的数据模型。例如，该存储介质可以实时持续的对数据进行融合。
例如，存储介质可能有多种形式，包括有形的存储介质，载波介质或物理传输介质等。稳定的储存介质可以包括：光盘或磁盘，以及其他计算机或类似设备中使用的，能够实现所描述的***组件的存储***。不稳定的存储介质可以包括动态内存，例如计算机平台的主内存等。有形的传输介质可以包括同轴电缆、铜电缆以及光纤，例如计算机***内部形成总线的线路。载波传输介质可以传递电信号、电磁信号、声波信号或光波信号等。这些信号可以由无线电频率或红外数据通信的方法所产生。通常的存储介质(例如，计算机可读介质)包括硬盘、软盘、磁带、任何其他磁性介质；CD-ROM、DVD、DVD-ROM、任何其他光学介质；穿孔卡、任何其他包含小孔模式的物理存储介质；RAM、PROM、EPROM、FLASH-EPROM，任何其他存储器片或磁带；传输数据或指令的载波、电缆或传输载波的连接装置、任何其他可以利用计算机程序指令(例如，程序代码)和/或计算机读取的数据。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于改进GWO优化BPNN的数据融合方法，其特征在于，包括：
S1：采集高铁传感器数据，并对数据进行归一化预处理；
S2：采用改进的灰狼算法调整BP神经网络权值与阈值，得到最优的BP神经网络；
S21：根据实际输入/输出参数确定BP神经网络层数、节点数、权值和阈值个数、最大训练次数；
S22：针对无线传感网络环境下初始化灰狼参数，设置灰狼数量N，最大迭代次数Tmax，随机生成参数a、A、C，随机初始化灰狼种群；
S23：将BP神经网络初始的权值和阈值作为灰狼个***置，适应度函数为BP输出层误差函数，进行迭代遍历；
S24：计算各个传感器的适应度值，并按照适应度值的大小排序，选择三个适应度值最大的狼记为α、β、δ，然后按照新的收敛方式更新a、A、C的值，进行RNA交叉操作更新灰狼的位置，
S25：判断BP神经网络是否达到最大迭代次数，达到最大迭代次数则停止迭代寻优并输出最佳灰狼位置下的BP神经网络权值与阈值，得到最优的BP神经网络，否则重复执行步骤S24，直到达到最大迭代次数；
S3：将处理后的高铁传感器数据输入最优的BP神经网络进行数据融合。
2.根据权利要求1所述的一种基于改进GWO优化BPNN的数据融合方法，其特征在于，对数据进行归一化预处理，包括：
其中，x′i表示归一化预处理后的传感器数据，xi表示采集的传感器数据，
ei分别表示数据均值和标准差。
3.根据权利要求1所述的一种基于改进GWO优化BPNN的数据融合方法，其特征在于，新的收敛方式，包括：
其中，
表示改进后的新的收敛方式，amax表示收敛因子最大值，amin表示收敛因子的最小值，Tmax表示最大迭代次数，t表示迭代次数。
4.根据权利要求1所述的一种基于改进GWO优化BPNN的数据融合方法，其特征在于，进行RNA交叉操作更新剩余灰狼的位置，包括：
步骤1：将灰狼位置上的两个编码长度为L的传感器数据P1和P2从十进制转换成RNA编码，并将传感器数据的前半部分定义为低位，传感器数据的后半部分定义为高位；
步骤2：将P1的高位连接到P2的低位，并标记连接点；
步骤3：将P1的低位折叠到P2的低位，从P1的低位随机选择两个核苷酸碱基位置，记为
和
从P2的低位随机选择两个核苷酸碱基，记为
和
如果
和
中的核苷酸碱基是互补碱基，同时
和
中的核苷酸碱基是互补碱基，则形成第一内环，如果不是，则重新选择
和
如果第一个内环存在，则停止执行交叉，并切换到步骤7；
步骤4：将P2的高位折叠到P1的高位，执行步骤3中相同的核苷酸碱基的操作，寻找可形成第二内环的满意核苷酸碱基
和
如果存在第二内环，则停止执行交叉，并切换到步骤7；
步骤5：逆时针旋转半圈两个内环，打破互补碱基之间的磷酸二脂键，打开连接结构，从标记的连接点将旋转半圈后的序列划分为两个子序列；
步骤6：将两个子序列编码长度恢复到L，如果两个子序列的编码长度不同，则将多余的核苷酸碱基从较长的核苷酸碱基的低位移动到较短核苷酸酸碱；
步骤7：将恢复长度后的两个子序列从RNA编码转换为十进制，获得新的传感器数据，得到更新后的灰狼位置。
5.根据权利要求1所述的一种基于改进GWO优化BPNN的数据融合方法，其特征在于，将处理后的高铁传感器数据输入最优的BP神经网络进行数据融合，包括：
S31：将处理后的高铁传感器数据输入最优的BP神经网络，前向求出隐含层和输出层的输出；
S32：反向传播误差，求得隐含层和输出层的误差；
S33：判断输出层的误差是否在阈值范围内，若是则输出输出层的输出，得到数据融合结果，否则根据隐含层和输出层的误差调整权值和神经元偏置，并执行S31。
6.根据权利要求5所述的一种基于改进GWO优化BPNN的数据融合方法，其特征在于，反向传播误差，求得所有隐含层的误差，包括：
Eij＝Oij(1-Oij)∑kWjkEk
其中，Eij表示隐含层的误差，Oij表示第i个隐含层的第j个神经元的实际输出，Wjk表示第j个神经元与其后一层所有神经元k的网络权重，Ek表示第j个神经元后一层所有神经元k的误差。
7.根据权利要求5所述的一种基于改进GWO优化BPNN的数据融合方法，其特征在于，反向传播误差，求得所有输出层的误差，包括：
Ei＝Oi(1-Oi)(Ti-Oi)
其中，Ei表示输出层的误差，Oi表示输出层第i个神经元的实际输出，Ti表示输出层第i个神经元的期望输出。
8.根据权利要求5所述的一种基于改进GWO优化BPNN的数据融合方法，其特征在于，根据隐含层和输出层的误差调整权值和神经元偏置，包括：
Wij＝W′ij+ΔWij＝W′ij+l·Oi·Ej
θj＝θ′j+Δθj＝θ′j+l·Ej
其中，Wij表示调整后的第i个神经元与第j个神经元之间的网络权重，W′ij表示调整前的第i个神经元与第j个神经元之间的网络权重，ΔWij表示需要调整的权值，l表示学习率，Oi表示输出层第i个神经元的实际输出，Ej表示第i个神经元的后一层所有神经元j的误差，θj表示调整后的第j个神经元的神经偏置，θ′j表示调整前的第j个神经元的神经偏置，Δθj表示需要调整的神经偏置。
9.一种基于改进GWO优化BPNN的数据融合装置，包括：处理器和存储器，其中，所述存储器中存储有适于所述处理器执行的计算机程序指令，所述计算机程序指令被所述处理器运行时使得所述处理器执行如权利要求1-8任一项所述的基于改进GWO优化BPNN的数据融合方法。
10.一种存储介质，包括存储在所述存储介质上的计算机程序指令，其中，所述计算机程序指令被处理器运行时执行如权利要求1-8任一项所述的基于改进GWO优化BPNN的数据融合方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211359711.9A CN115688049A (zh) | 2022-11-02 | 2022-11-02 | 一种基于改进gwo优化bpnn的数据融合方法、装置和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211359711.9A CN115688049A (zh) | 2022-11-02 | 2022-11-02 | 一种基于改进gwo优化bpnn的数据融合方法、装置和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115688049A true CN115688049A (zh) | 2023-02-03 |
Family
ID=85047186
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211359711.9A Pending CN115688049A (zh) | 2022-11-02 | 2022-11-02 | 一种基于改进gwo优化bpnn的数据融合方法、装置和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115688049A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116109897A (zh) * | 2023-04-14 | 2023-05-12 | 中国科学院自动化研究所 | 基于空域图像融合的机器鱼传感器故障检测方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106355192A (zh) * | 2016-08-16 | 2017-01-25 | 温州大学 | 一种基于混沌灰狼优化的支持向量机方法 |
| CN111024433A (zh) * | 2019-12-30 | 2020-04-17 | 辽宁大学 | 一种改进灰狼算法优化支持向量机的工业装备健康状态检测方法 |
| CN113449474A (zh) * | 2021-07-05 | 2021-09-28 | 南京工业大学 | 一种基于改进灰狼算法优化bp神经网络的管材成形质量预测方法 |
-
2022
- 2022-11-02 CN CN202211359711.9A patent/CN115688049A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106355192A (zh) * | 2016-08-16 | 2017-01-25 | 温州大学 | 一种基于混沌灰狼优化的支持向量机方法 |
| CN111024433A (zh) * | 2019-12-30 | 2020-04-17 | 辽宁大学 | 一种改进灰狼算法优化支持向量机的工业装备健康状态检测方法 |
| CN113449474A (zh) * | 2021-07-05 | 2021-09-28 | 南京工业大学 | 一种基于改进灰狼算法优化bp神经网络的管材成形质量预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| XIU LIU，NING WANG: "A novel gray wolf optimizer with RNA crossover operation for tackling the non-parametric modeling problem of FCC process", 《KNOWLEDGE-BASED SYSTEMS》 * |
| 张孟健 等: "基于非线性控制参数组合策略的灰狼优化算法", 《计算机应用与软件》 * |
| 曹轲 等: "基于改进灰狼算法优化BP神经网络的无线传感器网络数据融合算法", 《中国科学院大学学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116109897A (zh) * | 2023-04-14 | 2023-05-12 | 中国科学院自动化研究所 | 基于空域图像融合的机器鱼传感器故障检测方法及装置 |
| CN116109897B (zh) * | 2023-04-14 | 2023-08-15 | 中国科学院自动化研究所 | 基于空域图像融合的机器鱼传感器故障检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116635866A (zh) | 用于挖掘少数类数据样本以训练神经网络的方法和*** | |
| Bandyopadhyay et al. | Pattern classification with genetic algorithms | |
| CN111226232A (zh) | 混合生成器模型 | |
| CN112905801B (zh) | 基于事件图谱的行程预测方法、***、设备及存储介质 | |
| Zhang et al. | Artificial intelligence and its applications | |
| KR102583582B1 (ko) | 어노말리 데이터 생성 방법 | |
| US11816554B2 (en) | Method and apparatus for generating weather data based on machine learning | |
| CN114443827A (zh) | 基于预训练语言模型的局部信息感知对话方法及*** | |
| CN108985515A (zh) | 一种基于独立循环神经网络的新能源出力预测方法及*** | |
| Li et al. | A classification surrogate-assisted multi-objective evolutionary algorithm for expensive optimization | |
| CN116562740B (zh) | 一种基于改进型深度学***台 | |
| CN115688049A (zh) | 一种基于改进gwo优化bpnn的数据融合方法、装置和存储介质 | |
| Zhou et al. | Feature subset selection via an improved discretization-based particle swarm optimization | |
| Wu et al. | Estimating fund-raising performance for start-up projects from a market graph perspective | |
| Yan et al. | Data collection optimization of ocean observation network based on AUV path planning and communication | |
| Zou et al. | An evolutionary algorithm based on dynamic sparse grouping for sparse large scale multiobjective optimization | |
| CN113904844B (zh) | 基于跨模态教师-学生网络的智能合约漏洞检测方法 | |
| CN113254602B (zh) | 面向科技政策领域的知识图谱构建方法及*** | |
| Thirumalai et al. | Bike sharing prediction using deep neural networks | |
| Bougie et al. | Towards interpretable reinforcement learning with state abstraction driven by external knowledge | |
| CN116739940A (zh) | 一种点云补全的方法、装置、设备及介质 | |
| CN116050413A (zh) | 一种面向涉税法律文本的命名实体识别依赖增强方法 | |
| CN114386966A (zh) | 一种基于深度学习的区块链加密货币地址身份识别方法 | |
| Im et al. | Cross-active connection for image-text multimodal feature fusion | |
| Zhou et al. | Intrusion detection based on convolutional neural network in complex network environment |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230203 |