[發明專利]一種基于改進鯨魚算法的RBF神經網絡優化方法

在審

• 申請號: 202011240024.6
• 申請日: 2020-11-09
• 公開（公告）號: CN112232493A
• 公開（公告）日: 2021-01-15
• 發明（設計）人: 尚尚;何康寧;王召斌;楊童;劉明
• 申請（專利權）人: 江蘇科技大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/00
• 代理公司: 南京正聯知識產權代理有限公司 32243
• 代理人: 杭行

本發明屬于神經網絡優化的技術領域，具體地說，是一種基于改進鯨魚算法的RBF神經網絡優化方法，將改進的鯨魚算法用于尋找RBF神經網絡的最優初始參數，接著通過訓練網絡建立起海雜波的預測模型，對臨近單元的海雜波進行預測和抑制，在鯨魚算法迭代過程中動態的計算每一代種群的適應度均值，設置下一代種群的適應度閾值，將整個種群分為優質鯨魚和非優質鯨魚兩個子種群，以不同的步長向全局最優靠近；另外，在執行收縮更新時，引入物質交換的思想，讓新產生的粒子獲得全局認知，能夠穩定的向全局最優的方向搜索，改進的鯨魚算法在迭代過程中兼具全局和局部的搜索能力，提高了收斂速度和精度。

技術領域

本發明屬于神經網絡優化技術領域，具體地說，是一種基于改進鯨魚算法的RBF神經網絡優化方法。

背景技術

高頻雷達發射高頻電磁波，短波能夠沿著海洋表面繞射傳播，實現對海洋的全天候、超視距監測。目前，高頻雷達已經被廣泛應用于海上預警、海上資源探測以及海上救援等諸多領域。歐盟海上交通監測項目RANGER在高頻雷達體制方面的創新性研究，使得高頻雷達在越來越多的領域實現了越來越好的應用。然而，高頻雷達在對海上目標進行探測的時候，回波當中往往會摻雜著大量的干擾回波，其中主要干擾成分即為海雜波，海雜波在多普勒普當中呈現出較高的幅度特征，給目標的檢測帶來很大的干擾，對高頻雷達回波當中的海雜波實現精準抑制成了精確檢測海上目標的關鍵。

追溯學者們對海雜波的研究歷程，最早是在海雜波統計特性模型方面的研究。學者們試圖用一些標準的幅度模型來描述海雜波，但是沒有任何一種模型可以精確的模擬海雜波的幅度特性，更重要的是，沒有任何一種模型能夠適用于各種海況下的海雜波。當學者們從其他角度探究海雜波特性時，發現海雜波具有混沌的諸多特性，是一種混沌的動力學系統，而混沌系統的內部是有著復雜的確定性規律的，如果能夠學習海雜波內在的動力學規律，就有可能建立起精確的海雜波的預測模型，也就能更好的實現海雜波的精確抑制。近年來蓬勃發展的神經網絡對學習復雜的動力學系統有著得天獨厚的優勢，徑向基(RadialBasis Function,RBF)神經網絡由于結構簡單且具有強大的非線性映射能力，成為學習海雜波混沌特性的首選。由于RBF神經網絡模型訓練的精度很大程度上受到其初始參數的影響，引入鯨魚優化算法，能夠很好的找到最優的網絡初始化參數，提高網絡對海雜波混沌特性的學習能力。

鯨魚優化算法(Whale OptimizationAlgorithm)是模仿自然界中鯨魚群捕食行為而產生的一種優化模型。在捕食過程中，鯨魚群會一起編制泡泡網，泡泡網呈現螺旋狀收縮，收縮到最后魚群就會被集中在一片很小的區域，鯨魚就能夠輕易的捕食。體現在算法中，粒子在尋優的過程中有兩個更新的方式，即收縮更新方式和螺旋更新方式，兩種更新方式在整個過程中各占一半。這種螺旋上升的更新方式，能夠很好的考慮到粒子的周圍信息，不容易陷入局部最優解，整個螺旋更新結束之后，鯨魚粒子群就能找到問題的最優解。鯨魚優化算法于2016年由S.Mirjalili提出，目前在電力系統、控制工程以及通信系統等領域得到很好的應用。將鯨魚優化算法引入RBF神經網絡中，很好的解決了RBF神經網絡初始參數難以選取的問題，增強了網絡模型的精確度和穩定性。

鯨魚優化算法在尋優過程中也有諸多不足，在每一次的迭代更新中，每一個粒子都以同樣的方式向全局最優解靠近。但事實上，在每一代中，每個粒子距離全局最優解的長度都是不相等的，遠離全局最優的粒子應該加大更新的步長，而靠近全局最優解的粒子應該減小更新的步長，否則都會影響收斂速度和尋優精度。也就是說，在整個的更新過程中，粒子之間沒有協同分工尋優的意識，更新的步長單一，缺乏搜索的靈活性。另一方面，粒子在執行收縮更新策略時，當|A|≥1，算法會從種群中隨機選取一個粒子作為基準進行更新，此機制意在讓粒子跳出局部最優，但是隨機選取的這種策略只考慮到某一個粒子的信息，以單個粒子的信息作為更新的基準，無法讓粒子向正確的方向更新，缺乏結合全局信息的能力。

發明內容