[发明专利]一种基于改进鲸鱼算法的RBF神经网络优化方法

说明书

本发明属于神经网络优化的技术领域，具体地说，是一种基于改进鲸鱼算法的RBF神经网络优化方法，将改进的鲸鱼算法用于寻找RBF神经网络的最优初始参数，接着通过训练网络建立起海杂波的预测模型，对临近单元的海杂波进行预测和抑制，在鲸鱼算法迭代过程中动态的计算每一代种群的适应度均值，设置下一代种群的适应度阈值，将整个种群分为优质鲸鱼和非优质鲸鱼两个子种群，以不同的步长向全局最优靠近；另外，在执行收缩更新时，引入物质交换的思想，让新产生的粒子获得全局认知，能够稳定的向全局最优的方向搜索，改进的鲸鱼算法在迭代过程中兼具全局和局部的搜索能力，提高了收敛速度和精度。

技术领域

本发明属于神经网络优化技术领域，具体地说，是一种基于改进鲸鱼算法的RBF神经网络优化方法。

背景技术

高频雷达发射高频电磁波，短波能够沿着海洋表面绕射传播，实现对海洋的全天候、超视距监测。目前，高频雷达已经被广泛应用于海上预警、海上资源探测以及海上救援等诸多领域。欧盟海上交通监测项目RANGER在高频雷达体制方面的创新性研究，使得高频雷达在越来越多的领域实现了越来越好的应用。然而，高频雷达在对海上目标进行探测的时候，回波当中往往会掺杂着大量的干扰回波，其中主要干扰成分即为海杂波，海杂波在多普勒普当中呈现出较高的幅度特征，给目标的检测带来很大的干扰，对高频雷达回波当中的海杂波实现精准抑制成了精确检测海上目标的关键。

追溯学者们对海杂波的研究历程，最早是在海杂波统计特性模型方面的研究。学者们试图用一些标准的幅度模型来描述海杂波，但是没有任何一种模型可以精确的模拟海杂波的幅度特性，更重要的是，没有任何一种模型能够适用于各种海况下的海杂波。当学者们从其他角度探究海杂波特性时，发现海杂波具有混沌的诸多特性，是一种混沌的动力学系统，而混沌系统的内部是有着复杂的确定性规律的，如果能够学习海杂波内在的动力学规律，就有可能建立起精确的海杂波的预测模型，也就能更好的实现海杂波的精确抑制。近年来蓬勃发展的神经网络对学习复杂的动力学系统有着得天独厚的优势，径向基(RadialBasis Function,RBF)神经网络由于结构简单且具有强大的非线性映射能力，成为学习海杂波混沌特性的首选。由于RBF神经网络模型训练的精度很大程度上受到其初始参数的影响，引入鲸鱼优化算法，能够很好的找到最优的网络初始化参数，提高网络对海杂波混沌特性的学习能力。

鲸鱼优化算法(Whale OptimizationAlgorithm)是模仿自然界中鲸鱼群捕食行为而产生的一种优化模型。在捕食过程中，鲸鱼群会一起编制泡泡网，泡泡网呈现螺旋状收缩，收缩到最后鱼群就会被集中在一片很小的区域，鲸鱼就能够轻易的捕食。体现在算法中，粒子在寻优的过程中有两个更新的方式，即收缩更新方式和螺旋更新方式，两种更新方式在整个过程中各占一半。这种螺旋上升的更新方式，能够很好的考虑到粒子的周围信息，不容易陷入局部最优解，整个螺旋更新结束之后，鲸鱼粒子群就能找到问题的最优解。鲸鱼优化算法于2016年由S.Mirjalili提出，目前在电力系统、控制工程以及通信系统等领域得到很好的应用。将鲸鱼优化算法引入RBF神经网络中，很好的解决了RBF神经网络初始参数难以选取的问题，增强了网络模型的精确度和稳定性。

鲸鱼优化算法在寻优过程中也有诸多不足，在每一次的迭代更新中，每一个粒子都以同样的方式向全局最优解靠近。但事实上，在每一代中，每个粒子距离全局最优解的长度都是不相等的，远离全局最优的粒子应该加大更新的步长，而靠近全局最优解的粒子应该减小更新的步长，否则都会影响收敛速度和寻优精度。也就是说，在整个的更新过程中，粒子之间没有协同分工寻优的意识，更新的步长单一，缺乏搜索的灵活性。另一方面，粒子在执行收缩更新策略时，当|A|≥1，算法会从种群中随机选取一个粒子作为基准进行更新，此机制意在让粒子跳出局部最优，但是随机选取的这种策略只考虑到某一个粒子的信息，以单个粒子的信息作为更新的基准，无法让粒子向正确的方向更新，缺乏结合全局信息的能力。

发明内容