34、人工智能辅助战术导弹系统不确定性量化及音乐分类研究

人工智能辅助战术导弹系统不确定性量化及音乐分类研究

一、ANN样本大小确定算法

在训练人工神经网络（ANN）时，样本大小的确定至关重要。样本大小确定（SSD）算法受机器学习中K折交叉验证技术的启发，常用于在多个可选模型中找出最具泛化能力的模型。具体步骤如下：
1. 选择MLP架构与样本大小 ：选定一个多层感知器（MLP）架构[3 - N1 - N2 - N3 - 1]后，选择样本大小，通常为K倍的输入数量（这里输入数量为3，K是折数）。使用Sobol采样方案创建这些点，该方案能在输入空间中最均匀地创建样本。然后使用计算成本高的有限元法（FPM）生成相应的输出。
2. 划分数据与计算验证误差 ：将生成的输入 - 输出数据集划分为K折，用K - 1折的数据训练模型，剩余一折的数据计算验证误差。由于有K种随机划分方式，将所有这些误差的平均值作为交叉验证（CV）误差。
3. 增加样本点与评估CV误差斜率 ：增加样本点数量，并按上述步骤评估相应的CV误差。使用两个连续的CV值及其对应的样本大小来评估CV误差与样本大小曲线的斜率，并将其与容差进行比较。
4. 终止条件 ：重复上述步骤，直到满足终止条件。一个可能的终止条件是，随着采样大小的增加，验证误差不再有进一步的变化（通常用容差表示）。

K折交叉验证方法虽然能防止过拟合，但计算时间长，因为需要反复进行验证。为减少重复训练和验证，降低计算复杂度，提出了一种基于超立方体采样的算法。在超立方体采样中，通过最均匀地对输入空间进行采样形成单个验证集，将整个输入空间划分为相同体积的