[发明专利]基于果蝇优化算法优化RBF模糊神经网络的海杂波最优软测量仪表及方法

说明书

技术领域

本发明涉及最优软测量仪表及方法领域，具体是一种基于果蝇优化算法优化RBF模糊神经网络的海杂波最优软测量仪表及方法。

背景技术

雷达领域中把从海水表面反射的回波信号称为海杂波，海杂波与海情、风潮、雷达参数等多种因素有关。对于海岸警戒雷达、舰载雷达等工作于海洋环境的雷达来说，严重的海面反射回波将影响对海面目标的检测与跟踪性能，掌握海杂波的性质，建立准确的海杂波模型是分析和改善雷达性能的前提。海杂波的统计特性包括幅度特性和相关特性。海杂波的相关特性包括时间相关性和空间相关性。时间相关性也称为脉间相关性，反映了海杂波幅度随时间的起伏，可以等价地用功率谱来表示。海杂波的空间相关性分为方位相关性和距离相关性。海杂波能为我们研究海洋的动态特性提供帮助，但是，如果要从海杂波背景下检测目标，如浮冰、船只等，它就成为很大的障碍，必须尽可能地抑制以减弱或消除这些干扰。研究海杂波的主要目的：一方面是对海杂波的自然机理进行解释，进而提出合理的模型；另一方面，是要降低海杂波对检测目标的干扰，找出如何将淹没于强海杂波背景中目标信号提取出来的方法。精确的海杂波模型的建立是实现上述各目的的关键

近年来关于海杂波的建模预报的研究工作大部分都集中在人工神经网络上面，取得了不错的效果。但是人工神经网络也有其自身的缺点，例如过拟合、隐含层的节点数目和参数不好确定。其次，观测现场采集到的数据也因为噪音、人工操作误差等带有一定的不确定误差，所以使用确定性强的人工神经网络的预报模型一般推广能力不强。支持向量机，由Vapnik在 1998年引入，由于其良好的推广能力，被广泛应用在模式识别、拟合和分类问题中。由于标准支持向量机对孤立点和噪点敏感，所以后来又提出了RBF模糊神经网络。RBF模糊神经网络相比于标准支持向量机能够更好地处理带有噪点的样本数据，这里用来建模。果蝇优化算法，即Fruit Fly Optimization Algorithm，是由中国台湾Wen-Tsao Pan教授提出来的一种基于果蝇觅食行为从尔推演出的一种生物智能寻优算法，简称FOA。该算法通过群体中粒子间的相互影响，减少了搜索算法陷入局部最优解的风险，具有很好的全局搜索性能。果蝇优化算法被用来搜索RBF模糊神经网络的最优参数组合，以达到优化模型的目的。

发明内容

为了克服已有的雷达的测量精度不高、对噪声敏感度低、推广性能差的不足，本发明提供一种在线测量、计算速度快、模型自动更新、抗噪声能力强、推广性能好的基于果蝇优化算法优化RBF模糊神经网络的海杂波最优软测量仪表及方法。

本发明的目的是通过以下技术方案来实现的：一种基于果蝇优化算法优化RBF模糊神经网络的海杂波最优软测量仪表，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预报软测量值显示仪，所述现场智能仪表、控制站与丙烯聚合生产过程连接，所述现场智能仪表、控制站与现场数据库连接，所述软测量仪表还包括基于果蝇优化算法优化RBF模糊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果蝇优化算法优化RBF模糊神经网络的最优软测量上位机的输入端连接，所述基于果蝇优化算法优化RBF模糊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，所述基于果蝇优化算法优化RBF模糊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。

RBF神经网络用径向基函数作为隐单元的“基”构成隐含层空间，将输人矢量直接映射到隐含层空间.隐含层空间到输出空间的映射是线性的。从总体上看，网络由输入到输出的映射是非线性的，而网络输出对可调参数而言却又是线性的。理论已经证明，RBF网络具有全局和最佳逼近性能，是前馈神经网络中完成映射功能最优的网络。只要有足够多的隐层神经元，RBF能以任意精度近似任何连续函数。图1为RBF神经网络的结构图，采用前向网络拓扑结构，隐含层的每个单元输出为:

其中，X是N维输入向量，C_i是与X同维数的向量，R_i为径向基核函数。

R_i(·)通常采用高斯函数，即：

因此网络输出层的输出为