[發明專利]基于果蠅優化算法優化最小二乘支持向量機的海雜波最優軟測量儀表及方法

在審

• 申請號: 201711117119.7
• 申請日: 2017-11-13
• 公開（公告）號: CN107942304A
• 公開（公告）日: 2018-04-20
• 發明（設計）人: 劉興高;王文川;王志誠;張澤銀;余渝生;張天鍵
• 申請（專利權）人: 浙江大學
• 主分類號: G01S7/36
• 分類號: G01S7/36;G01S7/41
• 代理公司: 杭州求是專利事務所有限公司33200
• 代理人: 邱啟旺

技術領域

本發明涉及最優軟測量儀表及方法領域，具體是一種基于果蠅優化算法優化最小二乘支持向量機的海雜波最優軟測量儀表及方法。

背景技術

雷達領域中把從海水表面反射的回波信號稱為海雜波，海雜波與海情、風潮、雷達參數等多種因素有關。對于海岸警戒雷達、艦載雷達等工作于海洋環境的雷達來說，嚴重的海面反射回波將影響對海面目標的檢測與跟蹤性能，掌握海雜波的性質，建立準確的海雜波模型是分析和改善雷達性能的前提。海雜波的統計特性包括幅度特性和相關特性。海雜波的相關特性包括時間相關性和空間相關性。時間相關性也稱為脈間相關性，反映了海雜波幅度隨時間的起伏，可以等價地用功率譜來表示。海雜波的空間相關性分為方位相關性和距離相關性。海雜波能為我們研究海洋的動態特性提供幫助，但是，如果要從海雜波背景下檢測目標，如浮冰、船只等，它就成為很大的障礙，必須盡可能地抑制以減弱或消除這些干擾。研究海雜波的主要目的：一方面是對海雜波的自然機理進行解釋，進而提出合理的模型；另一方面，是要降低海雜波對檢測目標的干擾，找出如何將淹沒于強海雜波背景中目標信號提取出來的方法。精確的海雜波模型的建立是實現上述各目的的關鍵

近年來關于海雜波的建模預報的研究工作大部分都集中在人工神經網絡上面，取得了不錯的效果。但是人工神經網絡也有其自身的缺點，例如過擬合、隱含層的節點數目和參數不好確定。其次，觀測現場采集到的數據也因為噪音、人工操作誤差等帶有一定的不確定誤差，所以使用確定性強的人工神經網絡的預報模型一般推廣能力不強。支持向量機，由Vapnik在 1998年引入，由于其良好的推廣能力，被廣泛應用在模式識別、擬合和分類問題中。由于標準支持向量機對孤立點和噪點敏感，所以后來又提出了最小二乘支持向量機。最小二乘支持向量機相比于標準支持向量機能夠更好地處理帶有噪點的樣本數據，這里用來建模。果蠅優化算法，即Fruit Fly Optimization Algorithm，是由中國臺灣Wen-Tsao Pan教授提出來的一種基于果蠅覓食行為從爾推演出的一種生物智能尋優算法，簡稱FOA。該算法通過群體中粒子間的相互影響，減少了搜索算法陷入局部最優解的風險，具有很好的全局搜索性能。果蠅優化算法被用來搜索最小二乘支持向量機的最優參數組合，以達到優化模型的目的。

發明內容

為了克服已有的雷達的測量精度不高、對噪聲敏感度低、推廣性能差的不足，本發明提供一種在線測量、計算速度快、模型自動更新、抗噪聲能力強、推廣性能好的基于果蠅優化算法優化最小二乘支持向量機的海雜波最優軟測量儀表及方法。

本發明的目的是通過以下技術方案來實現的：一種基于果蠅優化算法優化最小二乘支持向量機的海雜波最優軟測量儀表，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預報軟測量值顯示儀，所述現場智能儀表、控制站與丙烯聚合生產過程連接，所述現場智能儀表、控制站與現場數據庫連接，所述軟測量儀表還包括基于果蠅優化算法優化最小二乘支持向量機的最優軟測量上位機，所述現場數據庫與所述基于果蠅優化算法優化最小二乘支持向量機的最優軟測量上位機的輸入端連接，所述基于果蠅優化算法優化最小二乘支持向量機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，所述基于果蠅優化算法優化最小二乘支持向量機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。

最小二乘支持向量機模塊，采用最小二乘支持向量機進行建模。設模型第i個標準化后的訓練樣本X_i的目標輸出為O_i，最小二乘支持向量機通過變換把擬合問題等價于如下二次規劃問題：