[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

权利要求书

1.一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，σ_x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，C_i是与X同维数的向量，R_i为径向基核函数。

R_i(·)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，[X_mini，X_maxi]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R_ji∈[R_min,R_max]。根据这些设置即可对种群位置x进行初始化设置：

x_tji＝x_0ji-Δx_tji+2Δx_tji*random_tji(0,1) (7)

X_0ji是随机产生的初始值：

Δx_tji＝R_ji*(X_max-X_min)*random_tji(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：

x_0ji＝X_mini+(X_maxi-X_mini)*random_ji(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(x_tji)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S_min和S_max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P_min和P_max，并且在此规定P_min＝S_min和P_min＝S_max。

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p_j∈(0,1)。灾变的策略是：相对密度p_j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r_l＝random(0,1)。

(c)若r_l≤p_l，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。

2.一种如权利要求1所述的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RBF神经网络进行建。RBF神经网络用径向基函数作为隐单元的“基”构成隐含层空间，将输人矢量直接映射到隐含层空间.隐含层空间到输出空间的映射是线性的。从总体上看，网络由输入到输出的映射是非线性的，而网络输出对可调参数而言却又是线性的。理论已经证明，RBF网络具有全局和最佳逼近性能，是前馈神经网络中完成映射功能最优的网络。只要有足够多的隐层神经元，RBF能以任意精度近似任何连续函数。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，C_i是与X同维数的向量，R_i具有局部感受的特点。

R_i(·)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。

4)、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，[X_mini，X_maxi]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R_ji∈[R_min,R_max]。根据这些设置即可对种群位置进行初始化设置：

x_tji＝x_0ji-Δx_tji+2Δx_tji*random_tji(0,1)(7)

X_0ji是随机产生的初始值：

Δx_tji＝R_ji*(X_max-X_min)*random_tji(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：

x_0ji＝X_mini+(X_maxi-X_mini)*random_ji(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(x_tji)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S_min和S_max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P_min和P_max，并且在此规定P_min＝S_min和P_min＝S_max。

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)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p_j∈(0,1)。灾变的策略是：相对密度p_j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：

(a)令j＝1。

(b)对于个体j，产生r_l＝random(0,1)。

(c)若r_l≤p_l，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。

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。