[发明专利]一种基于改进粒子群算法的RBF神经网络优化方法

说明书

本发明属于神经网络优化技术领域，具体地说，是一种基于改进粒子群算法的RBF神经网络优化方法，用分段函数作为粒子群惯性权重变更策略，用变换后的sigmoid函数作为粒子群学习因子的变更策略，通过改进后的粒子群算法寻找最优的RBF神经网络初始参数，以此训练出更精确的预测模型对海杂波进行预测。本发明将粒子群寻优过程分为三个阶段：第一阶段主要寻找全局最优的大体位置，第二阶段从全局搜索向局部探索进化，第三阶段主要进行局部精细探索。三个寻优阶段分工明确，使得粒子群具备了较强的全局搜索和局部探索能力，提高了寻优的精度和收敛速度，提高了RBF神经网络的精度和稳定性。

技术领域

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

背景技术

随着雷达技术的不断升级，各式雷达在民事和军事方面得到越来越广泛的应用。雷达进行海上探测时，回波当中掺杂着强度较高的海杂波，不管是对海洋环境的监测还是海上目标的检测都有着极大的影响。在这样的背景下，实现低成本、高精度的海杂波预测和抑制，将大大提高雷达对海洋的监测能力，对国家海洋环境的观测以及国防力量的增强均起到关键作用。

学者们通过对海杂波统计特性的深入研究，建立了很多经典的海杂波统计模型，但是这些模型精度低、泛化能力弱，达不到预测海杂波的目标。因此，学者们从混沌理论出发，希望通过学习海杂波内在混沌特性，建立模型来实现精确的预测。近年来蓬勃发展的神经网络在处理非线性问题上有着得天独厚的优势，而径向基(Radial Basis Function,RBF)神经网络凭借自身多方面优势自然成为建立海杂波预测模型的首选。训练RBF神经网络时，网络的初始参数是根据数据特征随机产生或者根据聚类算法计算生成，但是这些方法都不能精确的找到最优的初始参数。同时，初始参数的选取对网络训练精度的影响较大，如果选取不好，可能增加了网络模型训练的精度和不稳定性。针对这样的劣势，引进粒子群优化(Particle Swarm Optimization,PSO)算法，用PSO算法寻找网络的最佳初始参数，增加了网络预测的可靠性和稳定性。

粒子群算法的寻优是模仿鸟类捕食过程，鸟群中每一只鸟都搜索当前最靠近食物的那只鸟的周边范围。粒子群中的每一个粒子都代表一个潜在的解，用速度、位置和适应度值三项指标表征粒子的特征，粒子的速度表达式控制着粒子的移动距离和移动方向，粒子在空间当中通过跟踪个体极值和全局极值来更新自己的位置。粒子群随着迭代次数的增加，不断更新自身位置，向全局最优靠近，最后寻得问题的最优解。粒子群算法已经在优化问题的求解、计算机、电力系统、控制等很多工程领域得到了成功运用，将其用于优化RBF神经网络，寻找网络的最佳初始参数，弥补了上述RBF神经网络精度不足和稳定性较差的缺点。

虽然PSO算法的引入弥补了RBF神经网络的先天不足，但是从PSO算法自身寻优的角度来说，还存在诸多问题。首先，粒子群算法当中包含很多参数，这些参数的设置没有系统的理论指导，针对不同的问题，参数的设置往往不尽相同，需要进行多次试验，根据经验来选取合适的参数，这从一定程度上加大了工程应用的工作量。其次，粒子群优化算法存迭代过程中容易出现“早熟”的现象，当一个问题涉及到很高维度的时候，粒子往往收敛到一个局部最优点之后，就在这个局部最优附近徘徊而不再继续收敛，其实当前粒子寻得的并不是全局最优解，粒子陷入局部最优无法跳出，就导致了“早熟”。最后，粒子群优化算法面临的另一个问题就是到了迭代后期，由于搜索的步长得不到合理的调整，在最优解附近表现出搜索步长过长的问题，导致的结果就是粒子不能一直向着最优解方向收敛，而是在最优解上方摆动，收敛速度慢。