[发明专利]基于改进的果蝇优化算法优化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果蝇算法优化RBF神经网络的海杂波最优软测量仪表及方法，包括海杂波观察过程雷达、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模型最优软测量上位机以及预报软测量值显示仪，所述的基于改进的果蝇算法优化RBF神经网络的最优软测量模型最优软测量上位机，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

一种基于改进的果蝇优化算法优化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果蝇优化算法优化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果蝇优化算法优化RBF神经网络的最优软测量上位机的输入端连接，所述基于改进的果蝇优化算法优化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；所述基于改进的果蝇优化算法优化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，Ri为径向基核函数。Ri(·)通常采用高斯函数，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。改进的果蝇优化算法模块，用于采用改进的果蝇优化算法对RBF神经网络的核函数宽度进行优化，具体步骤如下：①确定改进的果蝇优化算法的优化参数为RBF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，搜索系数n，初始权重ε0以及权重系数α。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RBF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RBF神经网络模型的预测输出，Oi为RBF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，IntiX_axis＝n*rand(domain of defination)  (9)式中，rand为搜索距离；④给定随机值作为果蝇群体觅食的搜索方向和范围，重新定义果蝇群体味道浓度判定值Si：Xi′=IntiX_axis+ϵ*rand(domainofdefination)ϵ=ϵ0*αgen---(10)]]>Si＝Xi'(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RBF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RBF神经网络模型。