[发明专利]基于果蝇优化算法优化小波神经网络的海杂波最优软测量仪表及方法

摘要

本发明公开了一种基于果蝇算法优化小波神经网络的海杂波最优软测量仪表及方法，包括雷达、现场智能仪表、控制站、存放数据的现场数据库、基于改进的果蝇优化算法优化小波神经网络的最优软测量上位机以及预报软测量值显示仪。所述的基于果蝇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、小波神经网络模块、模型更新模块。本发明实现了海杂波的在线最优软测量，克服了人为因素造成的随机性影响，提高了模型预报的稳定性，降低了模型预报陷入局部最优的可能性。

主权项

一种基于果蝇优化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果蝇优化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果蝇优化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，所述基于果蝇优化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；所述基于果蝇优化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，σx为为计算方差。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Xn，输出为Y，输入层与隐含层节点的连接权值为wkj,而输出层与隐含层节点的连接权值为wji,第j个隐含层节点的伸缩平移系数分别为aj和bj。隐含层的小波神经元采用Morlet小波作为基函数ψ：ψa,b(t)=e-ti2/2cos(1.75ti)---(4)]]>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h(j)=(Σi=1kwijxi-bjaj),j=1,2,...,l---(5)]]>因此网络输出层的输出y为y=Σi=1lwjh(i)---(6)]]>其中w是连接权重，h是隐含层的单元输出。果蝇优化算法模块，用于采用果蝇优化算法对小波神经网络的平移因子和伸缩因子进行优化，具体步骤如下：①确定果蝇优化算法的优化参数为小波神经网络模块的平移因子和伸缩因子、粒子群个体数目popsize、最大循环寻优次数itermax、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：fp＝1/(Ep+1)       (7)式中，Ep是小波神经网络模型的误差函数，表示为：Ep=1NΣi=1N(y^i-Oi)2---(8)]]>式中，是小波神经网络模型的预测输出，Oi为小波神经网络模型的目标输出；N为训练样本数；③按照如下公式，粒子进行搜索，Xi＝X_axis+Random value        (9)Yi＝Y_axis+Random value式中，Random Value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：Disti＝(Xi2+Yi2)1/2       (10)Si＝1/Disti        (11)⑤将味道浓度判定值Si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Smelli:[bestSmell bestIndex]＝min(Smell)       (12)⑥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)---(13)]]>⑦判断是否满足性能要求，若是，结束寻优，得到一组优化的小波神经网络的参数；否则返回步骤③，继续迭代寻优，直至达到最大迭代次数itermax。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。