[发明专利]基于果蝇优化算法优化最小二乘支持向量机的海杂波最优软测量仪表及方法

权利要求书

1.一种基于果蝇优化算法优化最小二乘支持向量机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果蝇优化算法优化最小二乘支持向量机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最小二乘支持向量机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最小二乘支持向量机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最小二乘支持向量机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。

最小二乘支持向量机模块，采用最小二乘支持向量机进行建模。设模型第i个标准化后的训练样本X_i的目标输出为O_i，最小二乘支持向量机通过变换把拟合问题等价于如下二次规划问题：

min R(w,ξ)=12wTw+12γΣi=1Nωiξi2---(4)]]>

其中，R(w,ξ)是优化问题的目标函数，是非线性映射函数，N是训练样本数，ξ＝{ξ₁,…,ξ_N}是松弛变量，w是最小二乘支持向量机超平面的法向量，b是相应的偏移量，而ω_i,i＝1,…,N和γ分别是最小二乘支持向量机的权重和惩罚因子，其中是松弛变量ξ_i标准差的估计，常量c₁,c2通常取为c₁＝2.5，c₂＝3，由此可得第i个标准化后的训练样本X_i的输出为：

y^i=Σm=1Nαm×K<Xm,Xi>+b---(7)]]>

其中，K<·>是最小二乘支持向量机的核函数，这里K<·>取线性核函数；α_m，m＝1,…,N是对应的拉格朗日乘子。

果蝇优化算法模块，用于采用果蝇优化算法对最小二乘支持向量机的惩罚因子和误差容限值进行优化，具体步骤如下：

①确定果蝇优化算法的优化参数为最小二乘支持向量机模块的惩罚因子和误差容限值、粒子群个体数目popsize、最大循环寻优次数iter_max、第p个粒子的初始位置区域X_axis,Y_axis。

②设定优化目标函数，将其转换为适应度，通过相应的误差函数计算适应度函数，并认为误差大的粒子适应度小，粒子p的适应度函数f表示为：

f_p＝1/(E_p+1)(8)

式中，E_p是最小二乘支持向量机模型的误差函数，表示为：

Ep=1NΣi=1N(y^i-Oi)2---(9)]]>

式中，是最小二乘支持向量机模型的预测输出，O_i为最小二乘支持向量机模型的目标输出；N为训练样本数；

③按照如下公式，粒子进行搜索，

Xi=X_axis+Random valueYi=Y_axis+Random value---(10)]]>

式中，RandomValue为搜索距离；

④对于粒子p，预先估计与原点的距离Dist，再计算味道浓度判定值S，该值为距离倒数：

Dist_i＝(X_i²+Y_i²)^1/2(11)

S_i＝1/Dist_i(12)

⑤将味道浓度判定值S_i代人味道浓度判定函数(或称为适应度函数fitness function)，用来求出果蝇个体位置的味道浓度Smell_i:

[bestSmell bestIndex]＝min(Smell)(13)

⑥找到果蝇群体中味道浓度最优的个体，这里取最小值：

[bestSmell bestIndex]＝min(Smell)(14)

⑦记录最优个体位置及味道浓度值，此时所有果蝇个体利用视觉将向这个位置飞去：

Smellbest=bestSmellX_axis=X(bestIndex)Y_axis=Y(bestIndex)---(15)]]>

⑧判断是否满足性能要求，若是，结束寻优，得到一组优化的最小二乘支持向量机的参数；否则返回步骤③，继续迭代寻优，直至达到最大迭代次数iter_max。

⑨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，更新最小二乘支持向量机模型。

2.一种如权利要求1所述的基于果蝇优化算法优化最小二乘支持向量机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，采用最小二乘支持向量机进行建模。设第i个标准化后的训练样本X_i的目标输出为O_i，最小二乘支持向量机通过变换把建模问题等价于如下二次规划问题：

min R(w,ξ)=12wTw+12γΣi=1Nωiξi2---(4)]]>

其中，R(w,ξ)是优化问题的目标函数，是非线性映射函数，N是训练样本数，ξ＝{ξ₁,…,ξ_N}是松弛变量，w是最小二乘支持向量机超平面的法向量，b是相应的偏移量，而ω_i,i＝1,…,N和γ分别是最小二乘支持向量机的权重和惩罚因子，其中是松弛变量ξ_i标准差的估计，常量c₁,c₂通常取为c₁＝2.5，c₂＝3，由此可得标准化后的训练样本X_i的输出为：

y^i=Σm=1Nαm×K<Xm,Xi>+b---(7)]]>

其中，K<·>是最小二乘支持向量机的核函数，这里K<·>取线性核函数；α_m，m＝1,…,N是对应的拉格朗日乘子。

4)、采用果蝇优化算法对最小二乘支持向量机的惩罚因子和误差容限值进行优化，具体步骤如下：

①确定果蝇优化算法的优化参数为最小二乘支持向量机模块的惩罚因子和误差容限值、粒子群个体数目popsize、最大循环寻优次数iter_max、第p个粒子的初始位置区域X_axis,Y_axis。

②设定优化目标函数，将其转换为适应度，通过相应的误差函数计算适应度函数，并认为误差大的粒子适应度小，粒子p的适应度函数f表示为：

f_p＝1/(E_p+1)(8)

式中，E_p是最小二乘支持向量机模型的误差函数，表示为：

Ep=1NΣi=1N(y^i-Oi)2---(9)]]>

式中，是最小二乘支持向量机模型的预测输出，O_i为最小二乘支持向量机模型的目标输出；N为训练样本数；

③按照如下公式，粒子进行搜索，

Xi=X_axis+Random valueYi=Y_axis+Random value---(10)]]>

式中，RandomValue为搜索距离；

④对于粒子p，预先估计与原点的距离Dist，再计算味道浓度判定值S，该值为距离倒数：

Dist_i＝(X_i²+Y_i²)^1/2(11)

S_i＝1/Dist_i(12)

⑤将味道浓度判定值S_i代人味道浓度判定函数(或称为适应度函数fitness function)，用来求出果蝇个体位置的味道浓度Smell_i:

[bestSmell bestIndex]＝min(Smell)(13)

⑥找到果蝇群体中味道浓度最优的个体，这里取最小值：

[bestSmell bestIndex]＝min(Smell)(14)

⑦记录最优个体位置及味道浓度值，此时所有果蝇个体利用视觉将向这个位置飞去：

Smellbest=bestSmellX_axis=X(bestIndex)Y_axis=Y(bestIndex)---(15)]]>

⑧判断是否满足性能要求，若是，结束寻优，得到一组优化的最小二乘支持向量机的参数；否则返回步骤③，继续迭代寻优，直至达到最大迭代次数iter_max。

5)、定期将离线化验数据输入到训练集中，更新最小二乘支持向量机模型。