[发明专利]基于复值神经网络的复值时序信号预测方法

权利要求书

1.一种基于复值神经网络的复值时序信号预测方法，其特征在于，包括以下步骤：

S1：构建复值时序信号的数据集，分成训练集和测试集；

S2：构建全复神经网络并初始化参数；

S3：使用自适应复值正交梯度下降法和所述训练集训练所述全复神经网络，直至达到预设的迭代次数停止训练，得到训练完成的全复神经网络；

S4：将所述测试集输入所述训练完成的全复神经网络，得到复值时序信号的预测值。

2.根据权利要求1所述的一种基于复值神经网络的复值时序信号预测方法，其特征在于：所述S2中的全复神经网络为复值前向单隐层神经网络。

3.根据权利要求2所述的一种基于复值神经网络的复值时序信号预测方法，其特征在于：所述复值前向单隐层神经网络中，第l层的激活函数o_l的表达式为：

o_l＝h_l(w_lo_l-1+b_l)；

其中，l＝2,3，h_l(·)为第l层的激活函数，w_l是第(l-1)层与第l层之间的权值，o_l-1是第(l-1)层的输出，b_l是与o_l-1对应的偏置向量。

4.根据权利要求3所述的一种基于复值神经网络的复值时序信号预测方法，其特征在于：所述复值前向单隐层神经网络的输出层的损失函数E为：

其中，(·)^H表示共轭转置，o_j表示所述复值前向单隐层神经网络的最终输出，J是训练样本的总数；训练样本表示为其中x_j是输入向量，y_j是期望输出，表示样本的输入空间是P维的复数空间，表示输出空间是Q维的复数空间。

5.根据权利要求4所述的一种基于复值神经网络的复值时序信号预测方法，其特征在于：所述S3中使用自适应复值正交梯度下降法和所述训练集训练所述全复神经网络，所述自适应复值正交梯度下降法的第t次迭代中，全复神经网络中需要调整的参数的表达式为：

其中，w^(t)包括第t次迭代中每层神经元的权值和偏置，为第t次迭代中的复梯度向量，η_t为第t次迭代中的自适应复步长。

6.根据权利要求5所述的一种基于复值神经网络的复值时序信号预测方法，其特征在于：所述第t次迭代中的复梯度向量通过Wirtinger算子得到。

7.根据权利要求5所述的一种基于复值神经网络的复值时序信号预测方法，其特征在于：所述第t次迭代中的自适应复步长η_t解耦成实部和虚部两个部分，第t次迭代的迭代方向表示为：

其中，α_t为第t次迭代的自适应复步长η_t的实步长，所述β_t为第t次迭代的自适应复步长η_t的虚步长，