[发明专利]一种基于改进郊狼算法的ELM神经网络优化方法

说明书

本发明公开了一种基于改进郊狼算法的ELM神经网络优化方法，通过改进后的郊狼算法寻找ELM神经网络的最优初始化参数，建立基于ELM神经网络的海杂波预测模型，实现对海杂波的预测和抑制，提高了神经网络模型的稳定性和精度。本发明在迭代过程中以一定的概率对郊狼种群进行随机分组，这种方式既保留了分成多个组群分别并行搜索的优势，也加强了整个种群之间的交流与信息共享。采用新型成长公式指导郊狼成长，较好的平衡了算法的开采能力与搜索能力。对组内最优郊狼进行动态莱维变异，郊狼在迭代初期变异的维度更多，帮助探索更多新区域，在迭代后期变异维度减少，可对最优解区域进行精细搜索，增强了种群的多样性，有效避免了陷入局部最优的问题。

技术领域

本发明涉及神经网络优化技术领域，具体的说是一种基于改进郊狼算法的ELM神经网络优化方法。

背景技术

在雷达回波中，海杂波的存在严重干扰了雷达对海面目标的检测和定位跟踪的性能，无论是对海洋环境的监测还是海上目标的检测都有着极大的影响。在强海杂波背景和低虚警概率的情况下，雷达系统发现目标的能力收到了极大的影响。如果能够在一定程度上降低或者消除海杂波的影响，将会很大程度提高雷达对海洋的监测能力，对保卫领海主权，巩固国防建设具有重大意义。

学者对海杂波进行了大量的研究，建立了很多以传统统计学为基础的经典海杂波模型，但是这些模型大多是出于经验和数据的拟合，并没有反映海杂波产生的物理机制，因此只通过某种模型分布来描述海杂波的泛化能力差。因而衍生出了一系列的由混沌动力学基础上发展起来的对于海杂波内在动力学特征的研究。其中，非线性理论主要是研究复杂对象隐含在不规律表象之中的规律性，从而提出了通过极限学习机(Extreme LearningMachine,ELM)神经网络训练从而获得海杂波的内在动态特性。在训练ELM神经网络之前，首先要确定神经网络的初始化参数，初始化参数对神经网络的训练结果有着重要的影响，常用的初始化方法是随机产生初始化参数，初始参数的随机选择容易导致训练精度差以及泛化能力差，同时也会影响神经网络的稳定性。针对上述问题，引入了郊狼算法对ELM神经网络的初始参数进行优化，通过郊狼优化算法(Coyote Optimization Algorithm,COA)寻找神经网络的最优初始参数，从而提高网络的可靠性及稳定性。

郊狼算法是一种受郊狼社会生活以及其行为启发的基于群体的随机算法，通过模拟郊狼群居生活、成长、生死、被组驱离和接纳等现象从而进行实际问题求解以及寻优的过程。郊狼的位置相当于优化问题的解，随着迭代次数的增加，精英郊狼逐渐向全局最优位置靠近，寻优结束后，精英郊狼最后的位置即为所求最优解。郊狼算法不仅具有独特的搜索模型、结构以及出色的优化能力，而且在解决全局优化问题中具有明显的优势。已经广泛应用于计算机、电力系统等诸多领域。此处将其应用于寻找ELM神经网络的最优初始化参数，提高了ELM神经网络的可靠性和稳定性。

虽然COA算法操作简单，易于实现，改善了ELM神经网络的性能，提高了神经网络的训练精度，但是在COA算法寻优的过程中，仍然存在着很多问题需要改善。郊狼的成长是依靠组内最优郊狼和组文化趋势等的引导进行的，每只郊狼在自己的区域内并行搜索，且成长不受其他组群的影响，仅受组内最优郊狼与组文化趋势的影响，郊狼的成长都是围绕组内最优郊狼展开的，组内最优郊狼的好坏直接决定组内其他郊狼的成长效果，进而影响算法整体的优化效果。虽然该引导使得COA具有较高的开采能力，但种群内郊狼的信息共享程度不高，使组群之间的信息交流严重不足，导致前期种群的多样性不足及后期开发不足。另外，在COA中，幼狼的诞生次数远远低于郊狼成长的次数，这使得郊狼种群的多样性不足。