[發(fā)明專利]基于自由搜索算法優(yōu)化RBF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> | 201711117140.7 | 申請日： | 2017-11-13 |
| 公開（公告）號： | CN107832831A | 公開（公告）日： | 2018-03-23 |
| 發(fā)明（設(shè)計）人： | 劉興高;王文川;朱宇;宋政吉;惠俊鵬;王志誠;張澤銀;王澤;余渝生;張?zhí)戽I | 申請（專利權(quán)）人： | 浙江大學(xué) |
| 主分類號： | G06N3/02 | 分類號： | G06N3/02 |
| 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 |
| 地址： | 310058 浙江*** | 國省代碼： | 浙江;33 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 基于 自由 搜索 算法 優(yōu)化 rbf 神經(jīng)網(wǎng)絡(luò) 海雜波 最優(yōu) 測量 儀表 方法 | ||
1.一種基于自由搜索算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的海雜波最優(yōu)軟測量儀表，所述的最優(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)庫以及海雜波軟測量值顯示儀；所述現(xiàn)場智能儀表、控制站與雷達(dá)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，其特征在于：所述軟測量儀表還包括基于自由搜索算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的最優(yōu)軟測量上位機，所述現(xiàn)場數(shù)據(jù)庫與所述基于自由搜索算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的最優(yōu)軟測量上位機的輸入端連接，所述基于自由搜索算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的最優(yōu)軟測量上位機的輸出端與海雜波軟測量值顯示儀連接；所述基于自由搜索算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的最優(yōu)軟測量上位機包括：
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：
計算均值：
計算方差：
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，σx為計算方差。
采用前向網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，隱含層的每個單元輸出h為:
其中，X是N維輸入向量，Ci是與X同維數(shù)的向量，Ri為徑向基核函數(shù)。
Ri(·)通常采用高斯函數(shù)，其中σ為核函數(shù)寬度，即：
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。
自由搜索算法模塊，用于采用自由搜索算法對RBF神經(jīng)網(wǎng)絡(luò)的核函數(shù)寬度進(jìn)行優(yōu)化，具體步驟如下：
(1)初始化種群的規(guī)模n和維數(shù)m，[Xmini，Xmaxi]作為第i維的變化范圍，最大迭代次數(shù)為Maxgen，勘測步數(shù)為T，第i個體第j維的可變鄰域值為Rji∈[Rmin,Rmax]。根據(jù)這些設(shè)置即可對種群位置x進(jìn)行初始化設(shè)置：
xtji＝x0ji-Δxtji+2Δxtji*randomtji(0,1)(7)
X0ji是隨機產(chǎn)生的初始值：
Δxtji＝Rji*(Xmax-Xmin)*randomtji(0,1) (8)
(2)每個個體開始行動，個體i每次進(jìn)行T步探測，位置的更新由以下表達(dá)式確定：
x0ji＝Xmini+(Xmaxi-Xmini)*randomji(0,1) (9)
在一次的勘探行為中，個體的勘探行為可表示為：
式中f(xtji)是每個個體完成搜索后作標(biāo)記的位置。
信息素P定義如下：
且靈敏度S按照如下公式更新：
式中Smin和Smax分別是靈敏度的最小值和最大值，信息素的最小值和最大值分別為Pmin和Pmax，并且在此規(guī)定Pmin＝Smin和Pmin＝Smax。
在本輪的搜索結(jié)束后，按照如下公式更新下一輪搜索的起始點：
(3)算法的終止策略有3種情況：
a)目標(biāo)函數(shù)已經(jīng)達(dá)到其全局最優(yōu)解，即fmax≥fopt；
b)當(dāng)前迭代次數(shù)g已經(jīng)超過最大迭代數(shù)Maxgen；
c)滿足上述任意一種情況。否則重復(fù)步驟(2)。
模型更新模塊，用于模型的在線更新，定期將離線化驗數(shù)據(jù)輸入到訓(xùn)練集中，更新RBF神經(jīng)網(wǎng)絡(luò)模型。
2.一種如權(quán)利要求1所述的基于自由搜索算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的海雜波最優(yōu)軟測量儀表實現(xiàn)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(dá)對象，根據(jù)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(xiàn)場數(shù)據(jù)庫獲得；
2)、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，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(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，σx為計算方差。
3)對從數(shù)據(jù)預(yù)處理模塊傳過來的訓(xùn)練樣本，采用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行建。RBF神經(jīng)網(wǎng)絡(luò)用徑向基函數(shù)作為隱單元的“基”構(gòu)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(wǎng)絡(luò)由輸入到輸出的映射是非線性的，而網(wǎng)絡(luò)輸出對可調(diào)參數(shù)而言卻又是線性的。理論已經(jīng)證明，RBF網(wǎng)絡(luò)具有全局和最佳逼近性能，是前饋神經(jīng)網(wǎng)絡(luò)中完成映射功能最優(yōu)的網(wǎng)絡(luò)。只要有足夠多的隱層神經(jīng)元，RBF能以任意精度近似任何連續(xù)函數(shù)。采用前向網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，隱含層的每個單元輸出h為:
其中，X是N維輸入向量，Ci是與X同維數(shù)的向量，Ri為徑向基核函數(shù)。
Ri(·)通常采用高斯函數(shù)，其中σ為核函數(shù)寬度，即：
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。
4)、采用自由搜索算法對RBF神經(jīng)網(wǎng)絡(luò)的核函數(shù)寬度進(jìn)行優(yōu)化，具體步驟如下：
(1)初始化種群的規(guī)模n和維數(shù)m，[Xmini，Xmaxi]作為第i維的變化范圍，最大迭代次數(shù)為Maxgen，勘測步數(shù)為T，第i個體第j維的可變鄰域值為Rji∈[Rmin,Rmax]。根據(jù)這些設(shè)置即可對種群位置進(jìn)行初始化設(shè)置：
xtji＝x0ji-Δxtji+2Δxtji*randomtji(0,1)(7)
X0ji是隨機產(chǎn)生的初始值：
Δxtji＝Rji*(Xmax-Xmin)*randomtji(0,1)(8)
(2)每個個體開始行動，個體i每次進(jìn)行T步探測，位置的更新由以下表達(dá)式確定：
x0ji＝Xmini+(Xmaxi-Xmini)*randomji(0,1) (9)
在一次的勘探行為中，個體的勘探行為可表示為：
式中f(xtji)是每個個體完成搜索后作標(biāo)記的位置。
信息素P定義如下：
且靈敏度S按照如下公式更新：
式中Smin和Smax分別是靈敏度的最小值和最大值，信息素的最小值和最大值分別為Pmin和Pmax，并且在此規(guī)定Pmin＝Smin和Pmin＝Smax。
在本輪的搜索結(jié)束后，按照如下公式更新下一輪搜索的起始點：
(3)算法的終止策略有3種情況：
a)目標(biāo)函數(shù)已經(jīng)達(dá)到其全局最優(yōu)解，即fmax≥fopt；
b)當(dāng)前迭代次數(shù)g已經(jīng)超過最大迭代數(shù)Maxgen；
c)滿足上述任意一種情況。否則重復(fù)步驟(2)。
定期將離線化驗數(shù)據(jù)輸入到訓(xùn)練集中，更新RBF神經(jīng)網(wǎng)絡(luò)模型。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于浙江大學(xué)，未經(jīng)浙江大學(xué)許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201711117140.7/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
