[發(fā)明專利]基于自適應(yīng)變異果蠅優(yōu)化算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的海雜波最優(yōu)軟測量儀表及方法

在審

• 申請?zhí)枺?/td>: 201711117128.6
• 申請日: 2017-11-13
• 公開（公告）號: CN107942313A
• 公開（公告）日: 2018-04-20
• 發(fā)明（設(shè)計(jì)）人: 劉興高;王文川
• 申請（專利權(quán)）人: 浙江大學(xué)
• 主分類號: G01S7/41
• 分類號: G01S7/41
• 代理公司: 杭州求是專利事務(wù)所有限公司33200
• 代理人: 邱啟旺

技術(shù)領(lǐng)域

本發(fā)明涉及最優(yōu)軟測量儀表及方法領(lǐng)域，具體是一種基于自適應(yīng)變異果蠅優(yōu)化算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的海雜波最優(yōu)軟測量儀表及方法。

背景技術(shù)

雷達(dá)領(lǐng)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(fēng)潮、雷達(dá)參數(shù)等多種因素有關(guān)。對于海岸警戒雷達(dá)、艦載雷達(dá)等工作于海洋環(huán)境的雷達(dá)來說，嚴(yán)重的海面反射回波將影響對海面目標(biāo)的檢測與跟蹤性能，掌握海雜波的性質(zhì)，建立準(zhǔn)確的海雜波模型是分析和改善雷達(dá)性能的前提。海雜波的統(tǒng)計(jì)特性包括幅度特性和相關(guān)特性。海雜波的相關(guān)特性包括時(shí)間相關(guān)性和空間相關(guān)性。時(shí)間相關(guān)性也稱為脈間相關(guān)性，反映了海雜波幅度隨時(shí)間的起伏，可以等價(jià)地用功率譜來表示。海雜波的空間相關(guān)性分為方位相關(guān)性和距離相關(guān)性。海雜波能為我們研究海洋的動態(tài)特性提供幫助，但是，如果要從海雜波背景下檢測目標(biāo)，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(jī)理進(jìn)行解釋，進(jìn)而提出合理的模型；另一方面，是要降低海雜波對檢測目標(biāo)的干擾，找出如何將淹沒于強(qiáng)海雜波背景中目標(biāo)信號提取出來的方法。精確的海雜波模型的建立是實(shí)現(xiàn)上述各目的的關(guān)鍵

近年來關(guān)于海雜波的建模預(yù)報(bào)的研究工作大部分都集中在人工神經(jīng)網(wǎng)絡(luò)上面，取得了不錯(cuò)的效果。但是人工神經(jīng)網(wǎng)絡(luò)也有其自身的缺點(diǎn)，例如過擬合、隱含層的節(jié)點(diǎn)數(shù)目和參數(shù)不好確定。其次，觀測現(xiàn)場采集到的數(shù)據(jù)也因?yàn)樵胍簟⑷斯げ僮髡`差等帶有一定的不確定誤差，所以使用確定性強(qiáng)的人工神經(jīng)網(wǎng)絡(luò)的預(yù)報(bào)模型一般推廣能力不強(qiáng)。支持向量機(jī)，由Vapnik在 1998年引入，由于其良好的推廣能力，被廣泛應(yīng)用在模式識別、擬合和分類問題中。由于標(biāo)準(zhǔn)支持向量機(jī)對孤立點(diǎn)和噪點(diǎn)敏感，所以后來又提出了小波神經(jīng)網(wǎng)絡(luò)。小波神經(jīng)網(wǎng)絡(luò)相比于標(biāo)準(zhǔn)支持向量機(jī)能夠更好地處理帶有噪點(diǎn)的樣本數(shù)據(jù)，這里用來建模。果蠅優(yōu)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(yōu)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(yōu)解的風(fēng)險(xiǎn)，具有很好的全局搜索性能。自適應(yīng)變異果蠅優(yōu)化算法被用來搜索小波神經(jīng)網(wǎng)絡(luò)的最優(yōu)參數(shù)組合，以達(dá)到優(yōu)化模型的目的。

發(fā)明內(nèi)容

為了克服已有的雷達(dá)的測量精度不高、對噪聲敏感度低、推廣性能差的不足，本發(fā)明提供一種在線測量、計(jì)算速度快、模型自動更新、抗噪聲能力強(qiáng)、推廣性能好的基于自適應(yīng)變異果蠅優(yōu)化算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的海雜波最優(yōu)軟測量儀表及方法。

本發(fā)明的目的是通過以下技術(shù)方案來實(shí)現(xiàn)的：一種基于自適應(yīng)變異果蠅優(yōu)化算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的海雜波最優(yōu)軟測量儀表，包括雷達(dá)、用于測量易測變量的現(xiàn)場智能儀表、用于測量操作變量的控制站、存放數(shù)據(jù)的現(xiàn)場數(shù)據(jù)庫以及海雜波預(yù)報(bào)軟測量值顯示儀，所述現(xiàn)場智能儀表、控制站與丙烯聚合生產(chǎn)過程連接，所述現(xiàn)場智能儀表、控制站與現(xiàn)場數(shù)據(jù)庫連接，所述軟測量儀表還包括基于自適應(yīng)變異果蠅優(yōu)化算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的最優(yōu)軟測量上位機(jī)，所述現(xiàn)場數(shù)據(jù)庫與所述基于自適應(yīng)變異果蠅優(yōu)化算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的最優(yōu)軟測量上位機(jī)的輸入端連接，所述基于自適應(yīng)變異果蠅優(yōu)化算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的最優(yōu)軟測量上位機(jī)的輸出端與海雜波軟測量值顯示儀連接，所述基于自適應(yīng)變異果蠅優(yōu)化算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的最優(yōu)軟測量上位機(jī)包括：

數(shù)據(jù)預(yù)處理模塊，用于將從現(xiàn)場數(shù)據(jù)庫輸入的模型訓(xùn)練樣本進(jìn)行預(yù)處理，對訓(xùn)練樣本中心化，即減去樣本的平均值，然后對其進(jìn)行標(biāo)準(zhǔn)化：

計(jì)算均值：

計(jì)算方差：

標(biāo)準(zhǔn)化：

其中，TX為訓(xùn)練樣本，N為訓(xùn)練樣本數(shù)，為訓(xùn)練樣本的均值，X為標(biāo)準(zhǔn)化后的訓(xùn)練樣本，σ_x為計(jì)算方差。

小波神經(jīng)網(wǎng)絡(luò)模塊，采用小波神經(jīng)網(wǎng)絡(luò)進(jìn)行建模。假設(shè)輸入層的節(jié)點(diǎn)個(gè)數(shù)為m個(gè)，隱含層小波神經(jīng)元的個(gè)數(shù)為n，而輸出層節(jié)點(diǎn)個(gè)數(shù)為N，輸入樣本為X_n，輸出為Y，輸入層與隱含層節(jié)點(diǎn)的連接權(quán)值為w_kj,而輸出層與隱含層節(jié)點(diǎn)的連接權(quán)值為w_ji,第j個(gè)隱含層節(jié)點(diǎn)的伸縮平移系數(shù)分別為a_j和b_j。隱含層的小波神經(jīng)元采用Morlet小波作為基函數(shù)ψ：

其中

通過前向計(jì)算得到隱含層第j個(gè)小波神經(jīng)元的輸出h為

因此網(wǎng)絡(luò)輸出層的輸出y為

其中w是連接權(quán)重，h是隱含層的單元輸出。