[发明专利]一种基于改进麻雀搜索算法的RBF神经网络优化算法

说明书

本发明提出一种基于改进麻雀搜索算法的RBF神经网络优化方法,通过改进的麻雀搜索算法来优化RBF初始参数，以此来进一步提高海杂波预测精度，进而达到抑制的目的。本发明引入精英反向学习策略，选取当前最优解作为精英个体并生成其反向解，来增强算法的全局搜索能力。采用自适应高斯变异对最优解进行变异并进行贪婪选择，另外，针对麻雀侦查预警的位置更新方式也进行了改进。促使种群向最优解方向进化，在一定程度上避免了麻雀搜索算法中麻雀在向适应度小的趋同过程中，容易陷入局部最优问题。改进的麻雀搜索算法跳出局部最优的能力得到加强，用其进行优化的RBF网络收敛速度和精度也进一步提高。

技术领域

本发明属于神经网络优化技术领域，具体地说，是一种基于改进麻雀搜索算法的RBF神经网络优化方法。

背景技术

高频地波雷达(HF Surface Wave Radar)作为一种新兴的海面探测雷达，因具有探测距离远、全天候、实时准确探测等优点被广泛应用于海面移动目标探测与跟踪。但在高频地波雷达对海面目标进行探测时，海杂波掺杂在雷达回波中，构成对目标检测的主要干扰。因此降低海杂波对检测目标的干扰，对海面雷达目标检测来说是重要的前提。

最初的研究中，海杂波被假设为平稳的随机过程，建立成如对数正态分布、韦伯分布、复合K分布等统计分布的随机过程模型。但是这些线性建模难以契合的描述海杂波的内在特性，不具有普适性。随着海杂波研究的进一步深入，发现海杂波并不完全是随机信号，其具有许多混沌的典型特征。因此，学者自然地将研究目标从海杂波统计特性研究转向海杂波混沌特性研究。通过学习海杂波混沌动力学特性，建立混沌动力学模型，就可能实现海杂波的准确预测。由于神经网络具有较强的学习和非线性逼近能力，利用神经网络学习和建立海杂波的混沌模型来进行海杂波的预测是可行并且有实际意义的。又因RBF可以逼近任意非线性函数，选用其来学习海杂波内在特性并建立海杂波预测模型。网络初始参数的选取极大影响网络收敛速度和精度，因此引入麻雀搜索算法来对RBF初始参数优化，来寻找到最优的参数进行初始化，提高海杂波预测模型的精度和收敛速度。

麻雀搜索算法(sparrow search optimization,SSA)是从麻雀觅食和逃避捕食的自然活动衍生出的智能优化算法。麻雀按比例将种群分成发现者和跟随者来进行觅食，同时还叠加了危险预警机制进行反捕食。麻雀中发现者负责种群发现食物的职责并为跟随者提供觅食的方向，选取一定比例麻雀作为侦查者发现危险后则放弃食物。每只麻雀通过位置和适应度值来表示自身属性，计算每个个体的适应度值并排序，随着迭代次数的增加，不断更新发现者、加入者、侦查者的位置，整个种群不断靠近最优解，即最佳的食物的位置。SSA因寻优能力强，收敛速度快，稳定性好已被应用于许多实际工程领域，利用其优化RBF神经网络可以改善网络收敛速度和精度不高的问题。

SSA算法虽然在一定程度上可以优化RBF神经网络，但是它与其他的智能优化算法存在共同的问题，即当麻雀都在向全局最优的位置靠近的过程中，所有麻雀个体最后在较小的范围内太过于聚集，种群的多样性降低，易于陷入局部最优，出现“早熟”的现象。其次，麻雀搜索算法侦查预警位置更新，是通过判别麻雀是否处在最优位置来决定麻雀移动的新位置。如果麻雀处于当前的最优位置上，麻雀逃离到自身当前位置附近。而如果位于种群的边缘位置的麻雀意识到危险，它将直接逃到当前最优位置附近。这种向最优位置跳跃的更新方式，会使麻雀在向当前最优值移动的过程中不能充分搜索其他可能的最优解，最后聚集性太强跳不出局部最优。

发明内容

针对SSA易陷入局部最优的缺陷，本发明提出一种基于自适应高斯变异的精英反向学习麻雀搜索优化方法，并针对麻雀侦查预警的位置更新方式进行改进。充分平衡全局搜索和局部搜索的能力，丰富了种群的多样性，同时也减少因陷入局部最优而导致的搜索停滞无法收敛到最优解的可能性。因此，将改进的SSA应用于RBF神经网络的优化是可行且必要的。

本发明为实现上述目的，采用以下技术方案：

一种基于改进麻雀搜索算法的RBF神经网络优化方法，包括以下步骤：