[發明專利]基于自適應變異果蠅優化算法優化小波神經網絡的海雜波最優軟測量儀表及方法在審
| 申請號： | 201711117128.6 | 申請日： | 2017-11-13 |
| 公開（公告）號： | CN107942313A | 公開（公告）日： | 2018-04-20 |
| 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： | G01S7/41 | 分類號： | 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 |
| 地址： | 310058 浙江*** | 國省代碼： | 浙江;33 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 自適應 變異 果蠅 優化 算法 神經網絡 海雜波 最優 測量 儀表 方法 | ||
1.一種基于自適應變異果蠅優化算法優化小波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自適應變異果蠅優化算法優化小波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自適應變異果蠅優化算法優化小波神經網絡的最優軟測量上位機的輸入端連接，所述基于自適應變異果蠅優化算法優化小波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；所述基于自適應變異果蠅優化算法優化小波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，σx為為計算方差。
小波神經網絡模塊，采用小波神經網絡進行建模，小波神經網絡拓撲結構如圖1所示。假設輸入層的節點個數為m個，隱含層小波神經元的個數為n，而輸出層節點個數為N，輸入樣本為Xn，輸出為Y，輸入層與隱含層節點的連接權值為wkj,而輸出層與隱含層節點的連接權值為wji,第j個隱含層節點的伸縮平移系數分別為aj和bj。隱含層的小波神經元采用Morlet小波作為基函數ψ：
其中
通過前向計算得到隱含層第j個小波神經元的輸出h為
因此網絡輸出層的輸出y為
其中w是連接權重，h是隱含層的單元輸出。
自適應變異果蠅優化算法模塊，用于采用自適應變異果蠅優化算法對小波神經網絡的平移因子和伸縮因子進行優化，具體步驟如下：
①確定自適應變異果蠅優化算法的優化參數為小波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itermax、第p個粒子的初始位置區域X_axis,Y_axis。
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：
fp＝1/(Ep+1)(7)
式中，Ep是小波神經網絡模型的誤差函數，表示為：
式中，是小波神經網絡模型的預測輸出，Oi為小波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，
式中，RandomValue為搜索距離；
④對于粒子p，預先估計與原點的距離Dist，再計算味道濃度判定值S，該值為距離倒數：
Disti＝(Xi2+Yi2)1/2(10)
Si＝1/Disti(11)
⑤將味道濃度判定值Si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Smelli:
[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：
⑦按照公式(14)計算該果蠅群體的平均味道濃Smellave，然后按照公式(15)計算果蠅群體適應度方差τ2
⑧假如τ2≤δ1并且Smellbest>δ2或者產生分布于[0，1]之間的隨機數r<P，則首先按照式(16)復制個最優果蠅個體(X_axismj,Y_axismj)(j＝1,2,…,M)；其次按照式(17)對復制的最優果蠅個體進行變異，將復制的最優果蠅個體位置更新為新位置(X_axismj,Y_axismj)(j＝1,2,…,M):
⑨按照下式先再次估計新位置(X_axismj,Y_axismj)與原點的距離Dist'，再按照公式計算新位置味道濃度判定值S':
⑩將再次計算出的味道濃度判定值S'代入味道濃度判定函數，求出新位置的味道濃度Smell‘。
Smelli'＝Function(Si')(19)
假如滿足Smelli'<Smellbest的條件，那么Smellbest＝Smell'j,X_axis＝X_axism'j,Y_axis＝Y_axism'j,(j＝1,2,…,M).
判斷是否滿足性能要求，若是，結束尋優，得到一組優化的小波神經網絡的參數；否則返回步驟③，繼續迭代尋優，直至達到最大迭代次數itermax。
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，更新小波神經網絡模型。
2.一種如權利要求1所述的基于自適應變異果蠅優化算法優化小波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，σx為計算方差。
3)對從數據預處理模塊傳過來的訓練樣本，采用小波神經網絡進行建模。假設輸入層的節點個數為m個，隱含層小波神經元的個數為n，而輸出層節點個數為N，輸入樣本為Xn，輸出為Y，輸入層與隱含層節點的連接權值為wkj,而輸出層與隱含層節點的連接權值為wji,第j個隱含層節點的伸縮平移系數分別為aj和bj。隱含層的小波神經元采用Morlet小波作為基函數ψ：
其中
通過前向計算得到隱含層第j個小波神經元的輸出h為
因此網絡輸出層的輸出y為
其中w是連接權重，h是隱含層的單元輸出。
4)、采用自適應變異果蠅優化算法對小波神經網絡的平移因子和伸縮因子進行優化，具體步驟如下：
①確定自適應變異果蠅優化算法的優化參數為小波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itermax、第p個粒子的初始位置區域X_axis,Y_axis。
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：
fp＝1/(Ep+1)(7)
式中，Ep是小波神經網絡模型的誤差函數，表示為：
式中，是小波神經網絡模型的預測輸出，Oi為小波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，
式中，RandomValue為搜索距離；
④對于粒子p，預先估計與原點的距離Dist，再計算味道濃度判定值S，該值為距離倒數：
Disti＝(Xi2+Yi2)1/2(10)
Si＝1/Disti(11)
⑤將味道濃度判定值Si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Smelli:
[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：
⑦按照公式(14)計算該果蠅群體的平均味道濃Smellave，然后按照公式(15)計算果蠅群體適應度方差τ2
⑧假如τ2≤δ1并且Smellbest>δ2或者產生分布于[0，1]之間的隨機數r<P，則首先按照式(16)復制個最優果蠅個體(X_axismj,Y_axismj)(j＝1,2,…,M)；其次按照式(17)對復制的最優果蠅個體進行變異，將復制的最優果蠅個體位置更新為新位置(X_axismj,Y_axismj)(j＝1,2,…,M):
⑨按照下式先再次估計新位置(X_axismj,Y_axismj)與原點的距離Dist'，再按照公式計算新位置味道濃度判定值S':
⑩將再次計算出的味道濃度判定值S'代入味道濃度判定函數，求出新位置的味道濃度Smell‘。
Smelli'＝Function(Si')(19)
假如滿足Smelli'<Smellbest的條件，那么Smellbest＝Smell'j,X_axis＝X_axism'j,Y_axis＝Y_axism'j,(j＝1,2,…,M).
判斷是否滿足性能要求，若是，結束尋優，得到一組優化的小波神經網絡的參數；否則返回步驟③，繼續迭代尋優，直至達到最大迭代次數itermax。
定期將離線化驗數據輸入到訓練集中，更新小波神經網絡模型。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于浙江大學，未經浙江大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201711117128.6/1.html，轉載請聲明來源鉆瓜專利網。
