公开(公告)号：CN113408726A

公开(公告)日：2021-09-17

申请号：CN202110740526.3

申请日：2021-06-30

Applicant: 苏州大学

Inventor： 黄鹤 ,  赵伟靖

IPC: G06N3/08

Abstract: 本发明公开了一种基于AP‑NAG算法的复值神经网络信道均衡器设计方法，包括以下步骤：将从非线性信道中采集的畸变信号y(n)作为复值神经网络的输入，将延时τ个单位的原始输入信号s(n‑τ)作为期望输出，将复值神经网络的实际输出和期望输出的均方误差作为损失函数；B、采用AP‑NAG算法训练复值神经网络，直至将损失函数值降低到预设值以下；C、将训练之后的复值神经网络模型作为信道均衡器。本发明解决了NAG算法用于复值神经网络训练的理论问题，并使其参数能自适应调整，实现了复值神经网络的高效训练，相对于传统的一阶优化算法性能有了明显提升，收敛速度更快。相对于二阶优化算法，本算法的计算量和存储量更小，但是收敛速度并不逊色。

公开(公告)号：CN116187517A

公开(公告)日：2023-05-30

申请号：CN202211606967.5

申请日：2022-12-13

Applicant: 苏州大学

Inventor： 黄鹤 ,  赵伟靖

IPC: G06Q10/04 ,  G06N3/0499 ,  G06N3/08

Abstract: 本发明提供一种基于ASM‑CNAG算法的复值神经网络太阳辐射预测方法及系统，该方法包括对采集到的太阳辐射原始数据进行预处理，得到数据集，将所述数据集划分为训练集和测试集；根据数据集的大小构建复值神经网络模型；使用训练集的数据对所述复值神经网络模型进行训练；将测试集的数据输入到训练完成后的复值神经网络模型中测试模型的预测能力，得到太阳辐射预测模型；利用得到的太阳辐射预测模型对太阳辐射进行预测。本发明克服了传统的CNAG算法在训练复值神经网络时需要手动调参的问题，提高了模型的预测精度，在进行太阳辐射预测时达到很好的预测效果。

公开(公告)号：CN113408726B

公开(公告)日：2022-12-06

申请号：CN202110740526.3

申请日：2021-06-30

Applicant: 苏州大学

Inventor： 黄鹤 ,  赵伟靖

IPC: G06N3/08

Abstract: 本发明公开了一种基于AP‑NAG算法的复值神经网络信道均衡器设计方法，包括以下步骤：将从非线性信道中采集的畸变信号y(n)作为复值神经网络的输入，将延时τ个单位的原始输入信号s(n‑τ)作为期望输出，将复值神经网络的实际输出和期望输出的均方误差作为损失函数；B、采用AP‑NAG算法训练复值神经网络，直至将损失函数值降低到预设值以下；C、将训练之后的复值神经网络模型作为信道均衡器。本发明解决了NAG算法用于复值神经网络训练的理论问题，并使其参数能自适应调整，实现了复值神经网络的高效训练，相对于传统的一阶优化算法性能有了明显提升，收敛速度更快。相对于二阶优化算法，本算法的计算量和存储量更小，但是收敛速度并不逊色。

公开(公告)号：CN114897144A

公开(公告)日：2022-08-12

申请号：CN202210520164.1

申请日：2022-05-13

Applicant: 苏州大学

Inventor： 黄鹤 ,  赵伟靖

IPC: G06N3/04 ,  G06N3/08 ,  G06K9/62

Abstract: 本发明涉及一种基于复值神经网络的复值时序信号预测方法，包括以下步骤：构建复值时序信号的数据集，分成训练集和测试集；构建全复神经网络并初始化参数；使用训练集和自适应复值正交梯度下降法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；将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。本发明采用全复神经网络直接进行复值时序信号的预测并在训练全复神经网络时使用的自适应复值正交梯度下降法，避免了破坏复值信号的内在联系，加快了训练的收敛速度，提高了对复值时序信号预测的精度。