[发明专利]基于改进的自由搜索算法优化RBF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改进的自由搜索算法优化RBF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RBF神经网络的最优软测量上位机以及预报软测量值显示仪，所述的基于改进的自由搜索算法优化RBF神经网络的最优软测量上位机，包括数据预处理模块、RBF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

一种基于改进的自由搜索算法优化RBF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改进的自由搜索算法优化RBF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改进的自由搜索算法优化RBF神经网络的最优软测量上位机的输入端连接，所述基于改进的自由搜索算法优化RBF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；所述基于改进的自由搜索算法优化RBF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为计算方差。采用前向网络拓扑结构，隐含层的每个单元输出h为:hi=Ri(X)=Ri(||X-C||/σi)i=1,2,3,...,L---(4)]]>其中，X是N维输入向量，Ci是与X同维数的向量，Ri为径向基核函数。Ri(·)通常采用高斯函数，其中σ为核函数宽度，即：Ri(X)=exp(-||X-Ci||2/σi2)---(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。改进的自由搜索算法模块，用于采用改进的自由搜索算法对RBF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，[Xmini，Xmaxi]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Rji∈[Rmin,Rmax]。根据这些设置即可对种群位置x进行初始化设置：xtji＝x0ji‑Δxtji+2Δxtji*randomtji(0,1)   (7)X0ji是随机产生的初始值：Δxtji＝Rji*(Xmax‑Xmin)*randomtji(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：x0ji＝Xmini+(Xmaxi‑Xmini)*randomji(0,1)  (9)在一次的勘探行为中，个体的勘探行为可表示为：ftj=f(xtji)fj=max(ftj)---(10)]]>式中f(xtji)是每个个体完成搜索后作标记的位置。信息素P定义如下：Pj=fjmax(fj)---(11)]]>且灵敏度S按照如下公式更新：Sj=Smin+ΔSjΔSj=(Smax-Smin)*randomj(0,1)---(12)]]>式中Smin和Smax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Pmin和Pmax，并且在此规定Pmin＝Smin和Pmin＝Smax。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：x0ji′=x0ji′,Pk<Sjxji,Pk≥Sj---(13)]]>(3)假设满足条件式(13)的个体为且对应的初始位置和每次的勘探位置为和定义个体的密度ρ为：ρj=1/Σt=1T(||xj0-xjt||)2---(14)]]>由此定义个体相对密度p为：pj=ρjmaxj=1m(ρj)---(15)]]>显然pj∈(0,1)。灾变的策略是：相对密度pj越大，则个体的勘探位置相对集中，易陷入局部最优，此时进行灾变的概率就越大。因此，将按照以下步骤产生灾变r：(a)令j＝1。(b)对于个体j，产生rl＝random(0,1)。(c)若rl≤pl，则重新产生新的起始位置作为下一次迭代的初始位置；否则，需要从中随机选择位置作为该个体进入下次迭代的初始位置。(d)令j＝j+1，若满足j≤m，则重复进行步骤(2)，否则终止该过程。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RBF神经网络模型。