[發明專利]基于改進的果蠅優化算法優化RBF神經網絡的海雜波最優軟測量儀表及方法

在審

• 申請號: 201711115273.0
• 申請日: 2017-11-13
• 公開（公告）號: CN107703491A
• 公開（公告）日: 2018-02-16
• 發明（設計）人: 劉興高;王文川
• 申請（專利權）人: 浙江大學
• 主分類號: G01S7/36
• 分類號: G01S7/36;G01S13/88
• 代理公司: 杭州求是專利事務所有限公司33200
• 代理人: 邱啟旺

1.一種基于改進的果蠅優化算法優化RBF神經網絡的海雜波最優軟測量儀表，所述的最優軟測量儀表，包括雷達、用于測量易測變量的現場智能儀表、用于測量操作變量的控制站、存放數據的現場數據庫以及海雜波軟測量值顯示儀；所述現場智能儀表、控制站與雷達連接，所述現場智能儀表、控制站與現場數據庫連接，其特征在于：所述軟測量儀表還包括基于改進的果蠅優化算法優化RBF神經網絡的最優軟測量上位機，所述現場數據庫與所述基于改進的果蠅優化算法優化RBF神經網絡的最優軟測量上位機的輸入端連接，所述基于改進的果蠅優化算法優化RBF神經網絡的最優軟測量上位機的輸出端與海雜波軟測量值顯示儀連接；所述基于改進的果蠅優化算法優化RBF神經網絡的最優軟測量上位機包括：

數據預處理模塊，用于將從現場數據庫輸入的模型訓練樣本進行預處理，對訓練樣本中心化，即減去樣本的平均值，然后對其進行標準化：

計算均值：

計算方差：

標準化：

其中，TX為訓練樣本，N為訓練樣本數，為訓練樣本的均值，X為標準化后的訓練樣本，σ_x為計算方差。

采用前向網絡拓撲結構，隱含層的每個單元輸出h為:

hi=Ri(X)=Ri(||X-C||/σi)i=1,2,3,...,L---(4)]]>

其中，X是N維輸入向量，R_i為徑向基核函數。

R_i(·)通常采用高斯函數，即：

Ri(X)=exp(-||X-Ci||2/σi2)---(5)]]>

因此網絡輸出層的輸出y為

y=Σi=1lwjh(i)---(6)]]>

其中w是連接權重，h是隱含層的單元輸出。

改進的果蠅優化算法模塊，用于采用改進的果蠅優化算法對RBF神經網絡的核函數寬度進行優化，具體步驟如下：

①確定改進的果蠅優化算法的優化參數為RBF神經網絡模塊的平移因子和伸縮因子、粒子群個體數目popsize、最大循環尋優次數iter_max、第p個粒子的初始位置區域X_axis,Y_axis，搜索系數n，初始權重ε₀以及權重系數α。

②設定優化目標函數，將其轉換為適應度，通過相應的誤差函數計算適應度函數，并認為誤差大的粒子適應度小，粒子p的適應度函數f表示為：

f_p＝1/(E_p+1)(7)

式中，E_p是RBF神經網絡模型的誤差函數，表示為：

Ep=1NΣi=1N(y^i-Oi)2---(8)]]>

式中，是RBF神經網絡模型的預測輸出，O_i為RBF神經網絡模型的目標輸出；N為訓練樣本數；

③按照如下公式，粒子進行搜索，

IntiX_axis＝n*rand(domain of defination)(9)

式中，rand為搜索距離；

④給定隨機值作為果蠅群體覓食的搜索方向和范圍，重新定義果蠅群體味道濃度判定值S_i：

Xi′=IntiX_axis+ϵ*rand(domain of defination)ϵ=ϵ0*αgen---(10)]]>

S_i＝X_i'(11)

⑤將味道濃度判定值S_i代人味道濃度判定函數(或稱為適應度函數fitness function)，用來求出果蠅個體位置的味道濃度Smell_i:

[bestSmell bestIndex]＝min(Smell)(12)

⑥記錄最優個體位置及味道濃度值，此時所有果蠅個體利用視覺將向這個位置飛去：

Smellbest=bestSmellX_axis=X(bestIndex)Y_axis=Y(bestIndex)---(13)]]>

⑦判斷是否滿足性能要求，若是，結束尋優，得到一組優化的RBF神經網絡的參數；否則返回步驟③，繼續迭代尋優，直至達到最大迭代次數iter_max。

模型更新模塊，用于模型的在線更新，定期將離線化驗數據輸入到訓練集中，更新RBF神經網絡模型。

2.一種如權利要求1所述的基于改進的果蠅優化算法優化RBF神經網絡的海雜波最優軟測量儀表實現的軟測量方法，其特征在于：所述軟測量方法包括以下步驟：

1)、對雷達對象，根據特性分析和氣候分析，選擇操作變量和易測變量作為模型的輸入，操作變量和易測變量由現場數據庫獲得；

2)、將從現場數據庫輸入的模型訓練樣本進行預處理，對訓練樣本中心化，即減去樣本的平均值，然后對其進行標準化，使得其均值為0，方差為1。該處理采用以下算式過程來完成：

2.1)計算均值：

2.2)計算方差：

2.3)標準化：

其中，TX為訓練樣本，N為訓練樣本數，為訓練樣本的均值，X為標準化后的訓練樣本，σ_x為計算方差。

3)對從數據預處理模塊傳過來的訓練樣本，采用RBF神經網絡進行建。RBF神經網絡用徑向基函數作為隱單元的“基”構成隱含層空間，將輸人矢量直接映射到隱含層空間.隱含層空間到輸出空間的映射是線性的。從總體上看，網絡由輸入到輸出的映射是非線性的，而網絡輸出對可調參數而言卻又是線性的。理論已經證明，RBF網絡具有全局和最佳逼近性能，是前饋神經網絡中完成映射功能最優的網絡。只要有足夠多的隱層神經元，RBF能以任意精度近似任何連續函數。采用前向網絡拓撲結構，隱含層的每個單元輸出h為:

hi=Ri(X)=Ri(||X-C||/σi)i=1,2,3,...,L---(4)]]>

其中，X是N維輸入向量，C_i是與X同維數的向量，R_i具有局部感受的特點。

R_i(·)通常采用高斯函數，即：

Ri(X)=exp(-||X-Ci||2/σi2)---(5)]]>

因此網絡輸出層的輸出為

y=Σi=1lwjh(i)---(6)]]>

其中w是連接權重，h是隱含層的單元輸出。

4)、采用改進的果蠅優化算法對RBF神經網絡的核函數寬度進行優化，具體步驟如下：

①確定改進的果蠅優化算法的優化參數為RBF神經網絡模塊的平移因子和伸縮因子、粒子群個體數目popsize、最大循環尋優次數iter_max、第p個粒子的初始位置區域X_axis,Y_axis，搜索系數n，初始權重ε₀以及權重系數α。

②設定優化目標函數，將其轉換為適應度，通過相應的誤差函數計算適應度函數，并認為誤差大的粒子適應度小，粒子p的適應度函數f表示為：

f_p＝1/(E_p+1)(7)

式中，E_p是RBF神經網絡模型的誤差函數，表示為：

Ep=1NΣi=1N(y^i-Oi)2---(8)]]>

式中，是RBF神經網絡模型的預測輸出，O_i為RBF神經網絡模型的目標輸出；N為訓練樣本數；

③按照如下公式，粒子進行搜索，

IntiX_axis＝n*rand(domain of defination)(9)

式中，rand為搜索距離；

④給定隨機值作為果蠅群體覓食的搜索方向和范圍，重新定義果蠅群體味道濃度判定值S_i：

Xi′=IntiX_axis+ϵ*rand(domain of defination)ϵ=ϵ0*αgen---(10)]]>

S_i＝X_i'(11)

⑤將味道濃度判定值S_i代人味道濃度判定函數(或稱為適應度函數fitness function)，用來求出果蠅個體位置的味道濃度Smell_i:

[bestSmell bestIndex]＝min(Smell)(12)

⑥記錄最優個體位置及味道濃度值，此時所有果蠅個體利用視覺將向這個位置飛去：

Smellbest=bestSmellX_axis=X(bestIndex)Y_axis=Y(bestIndex)---(13)]]>

⑦判斷是否滿足性能要求，若是，結束尋優，得到一組優化的RBF神經網絡的參數；否則返回步驟③，繼續迭代尋優，直至達到最大迭代次數iter_max。

定期將離線化驗數據輸入到訓練集中，更新RBF神經網絡模型。