基于自适应变异果蝇优化算法优化小波神经网络的海杂波最优软测量仪表及方法技术

本发明专利技术公开了一种基于自适应变异果蝇算法优化小波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小波神经网络的以及预报软测量值显示仪，现场智能仪表及控制站与雷达相连，与现场数据库相连；最优软测量上位机与现场数据库及软测量值显示仪相连。所述的基于自适应变异果蝇算法优化小波神经网络的最优软测量上位机，包括数据预处理模块、小波神经网络模块、模型更新模块。本发明专利技术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。

【技术实现步骤摘要】
基于自适应变异果蝇优化算法优化小波神经网络的海杂波最优软测量仪表及方法
本专利技术涉及最优软测量仪表及方法领域，具体是一种基于自适应变异果蝇优化算法优化小波神经网络的海杂波最优软测量仪表及方法。
技术介绍
雷达领域中把从海水表面反射的回波信号称为海杂波，海杂波与海情、风潮、雷达参数等多种因素有关。对于海岸警戒雷达、舰载雷达等工作于海洋环境的雷达来说，严重的海面反射回波将影响对海面目标的检测与跟踪性能，掌握海杂波的性质，建立准确的海杂波模型是分析和改善雷达性能的前提。海杂波的统计特性包括幅度特性和相关特性。海杂波的相关特性包括时间相关性和空间相关性。时间相关性也称为脉间相关性，反映了海杂波幅度随时间的起伏，可以等价地用功率谱来表示。海杂波的空间相关性分为方位相关性和距离相关性。海杂波能为我们研究海洋的动态特性提供帮助，但是，如果要从海杂波背景下检测目标，如浮冰、船只等，它就成为很大的障碍，必须尽可能地抑制以减弱或消除这些干扰。研究海杂波的主要目的：一方面是对海杂波的自然机理进行解释，进而提出合理的模型；另一方面，是要降低海杂波对检测目标的干扰，找出如何将淹没于强海杂波背景中目标信号提取本文档来自技高网...

【技术保护点】
一种基于自适应变异果蝇优化算法优化小波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自适应变异果蝇优化算法优化小波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自适应变异果蝇优化算法优化小波神经网络的最优软测量上位机的输入端连接，所述基于自适应变异果蝇优化算法优化小波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；所述基于自适应变异果蝇优化算...

【技术特征摘要】
1.一种基于自适应变异果蝇优化算法优化小波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自适应变异果蝇优化算法优化小波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自适应变异果蝇优化算法优化小波神经网络的最优软测量上位机的输入端连接，所述基于自适应变异果蝇优化算法优化小波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；所述基于自适应变异果蝇优化算法优化小波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为为计算方差。小波神经网络模块，采用小波神经网络进行建模，小波神经网络拓扑结构如图1所示。假设输入层的节点个数为m个，隐含层小波神经元的个数为n，而输出层节点个数为N，输入样本为Xn，输出为Y，输入层与隐含层节点的连接权值为wkj,而输出层与隐含层节点的连接权值为wji,第j个隐含层节点的伸缩平移系数分别为aj和bj。隐含层的小波神经元采用Morlet小波作为基函数ψ：其中通过前向计算得到隐含层第j个小波神经元的输出h为因此网络输出层的输出y为其中w是连接权重，h是隐含层的单元输出。自适应变异果蝇优化算法模块，用于采用自适应变异果蝇优化算法对小波神经网络的平移因子和伸缩因子进行优化，具体步骤如下：①确定自适应变异果蝇优化算法的优化参数为小波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。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是小波神经网络模型的误差函数，表示为：式中，是小波神经网络模型的预测输出，Oi为小波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，式中，RandomValue为搜索距离；④对于粒子p，预先估计与原点的距离Dist，再计算味道浓度判定值S，该值为距离倒数：Disti＝(Xi2+Yi2)1/2(10)Si＝1/Disti(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fitnessfunction)，用来求出果蝇个体位置的味道浓度Smelli:[bestSmellbestIndex]＝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：⑦按照公式(14)计算该果蝇群体的平均味道浓Smellave，然后按照公式(15)计算果蝇群体适应度方差τ2⑧假如τ2≤δ1并且Smellbest>δ2或者产生分布于[0，1]之间的随机数r<P，则首先按照式(16)复制个最优果蝇个体(X_axismj,Y_axismj)(j＝1,2,…,M)；其次按照式(17)对复制的最优果蝇个体进行变异，将复制的最优果蝇个体位置更新为新位置(X_axismj,Y_axismj)(j＝1,2,…,M):⑨按照下式先再次估计新位置(X_axismj,Y_axismj)与原点的距离Dist'，再按照公式计算新位置味道浓度判定值S':⑩将再次计算出的味道浓度判定值S'代入味道浓度判定函数，求出新位置的味道浓度Smell‘。Smelli'＝Function(Si')(19)假如满足Smelli'<Smellbest的条件，那么Smellbest＝Smell'j,X_axis＝X_axism'j,Y_axis＝Y_axism'j,(j＝1,2,…,M).判断是否满足性能要求，若是，结束寻...

【专利技术属性】
技术研发人员：刘兴高，王文川，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33