[发明专利]基于自由搜索算法优化小波神经网络的海杂波最优软测量仪表及方法

权利要求书

1.一种基于自由搜索算法优化小波神经网络的海杂波最优软测量仪表，所述的最优软测量仪表，包括雷达、用于测量易测变量的现场智能仪表、用于测量操作变量的控制站、存放数据的现场数据库以及海杂波软测量值显示仪；所述现场智能仪表、控制站与雷达连接，所述现场智能仪表、控制站与现场数据库连接，其特征在于：所述软测量仪表还包括基于自由搜索算法优化小波神经网络的最优软测量上位机，所述现场数据库与所述基于自由搜索算法优化小波神经网络的最优软测量上位机的输入端连接，所述基于自由搜索算法优化小波神经网络的最优软测量上位机的输出端与海杂波软测量值显示仪连接；所述基于自由搜索算法优化小波神经网络的最优软测量上位机包括：

数据预处理模块，用于将从现场数据库输入的模型训练样本进行预处理，对训练样本中心化，即减去样本的平均值，然后对其进行标准化：

计算均值：

计算方差：

标准化：

其中，TX为训练样本，N为训练样本数，为训练样本的均值，X为标准化后的训练样本，σ_x为计算方差。

小波神经网络模块，采用小波神经网络进行建模，小波神经网络拓扑结构如图1所示。假设输入层的节点个数为m个，隐含层小波神经元的个数为n，而输出层节点个数为N，输入样本为X_n，输出为Y，输入层与隐含层节点的连接权值为w_kj,而输出层与隐含层节点的连接权值为w_ji,第j个隐含层节点的伸缩平移系数分别为a_j和b_j。隐含层的小波神经元采用Morlet小波作为基函数ψ：

其中

通过前向计算得到隐含层第j个小波神经元的输出h为

因此网络输出层的输出y为

其中w是连接权重，h是隐含层的单元输出。

自由搜索算法模块，用于采用自由搜索算法对小波神经网络的核函数宽度进行优化，具体步骤如下：

(1)初始化种群的规模n和维数m，[X_mini，X_maxi]作为第i维的变化范围，最大迭代次数为Maxgen，勘测步数为T，第i个体第j维的可变邻域值为R_ji∈[R_min,R_max]。根据这些设置即可对种群位置x进行初始化设置：

x_tji＝x_0ji-Δx_tji+2Δx_tji*random_tji(0,1)(7)

X_0ji是随机产生的初始值：

Δx_tji＝R_ji*(X_max-X_min)*random_tji(0,1)(8)

(2)每个个体开始行动，个体i每次进行T步探测，位置的更新由以下表达式确定：

x_0ji＝X_mini+(X_maxi-X_mini)*random_ji(0,1)(9)

在一次的勘探行为中，个体的勘探行为可表示为：

式中f(x_tji)是每个个体完成搜索后作标记的位置。

信息素P定义如下：

且灵敏度S按照如下公式更新：

式中S_min和S_max分别是灵敏度的最小值和最大值，信息素的最小值和最大值分别为P_min和P_max，并且在此规定P_min＝S_min和P_min＝S_max。

在本轮的搜索结束后，按照如下公式更新下一轮搜索的起始点：

(3)算法的终止策略有3种情况：

a)目标函数已经达到其全局最优解，即f_max≥f_opt；

b)当前迭代次数g已经超过最大迭代数Maxgen；

c)满足上述任意一种情况。否则重复步骤(2)。

模型更新模块，用于模型的在线更新，定期将离线化验数据输入到训练集中，更新小波神经网络模型。

2.一种如权利要求1所述的基于自由搜索算法优化小波神经网络的海杂波最优软测量仪表实现的软测量方法，其特征在于：所述软测量方法包括以下步骤：

1)、对雷达对象，根据特性分析和气候分析，选择操作变量和易测变量作为模型的输入，操作变量和易测变量由现场数据库获得；

2)、将从现场数据库输入的模型训练样本进行预处理，对训练样本中心化，即减去样本的平均值，然后对其进行标准化，使得其均值为0，方差为1。该处理采用以下算式过程来完成：

2.1)计算均值：

2.2)计算方差：

2.3)标准化：

其中，TX为训练样本，N为训练样本数，为训练样本的均值，X为标准化后的训练样本，σ_x为计算方差。

3)对从数据预处理模块传过来的训练样本，采用小波神经网络进行建小波神经网络模块，采用小波神经网络进行建模，小波神经网络拓扑结构如图1所示。假设输入层的节点个数为m个，隐含层小波神经元的个数为n，而输出层节点个数为N，输入样本为X_n，输出为Y，输入层与隐含层节点的连接权值为w_kj,而输出层与隐含层节点的连接权值为w_ji,第j个隐含层节点的伸缩平移系数分别为a_j和b_j。隐含层的小波神经元采用Morlet小波作为基函数ψ：

其中

通过前向计算得到隐含层第j个小波神经元的输出h为

因此网络输出层的输出y为

其中w是连接权重，h是隐含层的单元输出。

4)、采用自由搜索算法对小波神经网络的核函数宽度进行优化，具体步骤如下：

自由搜索算法模块，用于采用自由搜索算法对小波神经网络的核函数宽度进行优化，具体步骤如下：

(1)初始化种群的规模n和维数m，[X_mini，X_maxi]作为第i维的变化范围，最大迭代次数为Maxgen，勘测步数为T，第i个体第j维的可变邻域值为R_ji∈[R_min,R_max]。根据这些设置即可对种群位置进行初始化设置：

x_tji＝x_0ji-Δx_tji+2Δx_tji*random_tji(0,1) (7)

X_0ji是随机产生的初始值：

Δx_tji＝R_ji*(X_max-X_min)*random_tji(0,1) (8)

(2)每个个体开始行动，个体i每次进行T步探测，位置的更新由以下表达式确定：

x_0ji＝X_mini+(X_maxi-X_mini)*random_ji(0,1) (9)

在一次的勘探行为中，个体的勘探行为可表示为：

式中f(x_tji)是每个个体完成搜索后作标记的位置。

信息素P定义如下：

且灵敏度S按照如下公式更新：

式中S_min和S_max分别是灵敏度的最小值和最大值，信息素的最小值和最大值分别为P_min和P_max，并且在此规定P_min＝S_min和P_min＝S_max。

在本轮的搜索结束后，按照如下公式更新下一轮搜索的起始点：

(3)算法的终止策略有3种情况：

a)目标函数已经达到其全局最优解，即f_max≥f_opt；

b)当前迭代次数g已经超过最大迭代数Maxgen；

c)满足上述任意一种情况。否则重复步骤(2)。

定期将离线化验数据输入到训练集中，更新小波神经网络模型。