CN102183749A - 一种自适应雷达海上目标检测系统及方法 - Google Patents

Abstract

一种自适应雷达海上目标检测系统，包括雷达、数据库以及上位机；雷达、数据库和上位机依次相连，所述雷达对所检测海域进行照射，并将雷达海杂波数据储存到所述的数据库，所述的上位机包括数据预处理模块、鲁棒预报模型建模模块、自适应群智寻优模块、目标检测模块、模型更新模块以及结果显示模块。以及提出了一种自适应雷达海上目标检测方法。本发明提供一种参数自适应、寻优效果好、预报效率高的自适应雷达海上目标检测系统及方法。

Description

一种自适应雷达海上目标检测系统及方法

技术领域

本发明涉及雷达数据处理领域，特别地，涉及一种自适应雷达海上目标检测系统及方法。

背景技术

海杂波，即来自于海面的雷达后向散射回波。近几十年来，随着对海杂波认识的深入，德国、挪威等国家相继尝试利用雷达观测海杂波获取雷达海浪图像来反演海浪信息，以获得关于海洋状态的实时信息，如海浪的波高、方向和周期等，从而进一步对海上微小目标进行检测，这对海上活动具有十分重要的意义。

海上目标检测技术具有重要的地位，提供准确的目标判决是对海雷达工作的重要任务之一。雷达自动检测系统依据判决准则在给定的检测阈值下做出判决，而强海杂波往往成为微弱目标信号的主要干扰。如何处理海杂波将直接影响到雷达在海洋环境下的检测能力：1)识别导航浮标、小片的冰，漂浮在海面的油污，这些可能会对导航带来潜在的危机；2)监测非法捕鱼是环境监测的一项重要的任务。

在传统的目标检测时，海杂波被认为是干扰导航的一种噪声被去掉。然而，在雷达对海观测目标时，微弱的运动目标回波常常湮没在海杂波中，信杂比较低，雷达不易检测到目标，同时海杂波的大量尖峰还会造成严重虚警，对雷达的检测性能产生较大影响。对于各种对海警戒和预警雷达而言，研究的主要目标是提高海杂波背景下目标的检测能力。因此，不仅具有重要的理论意义和实际意义，而且也是国内外海上目标检测的难点和热点。

发明内容

为了克服已有雷达海上目标检测方法自适应预报效率差的不足，本发明提供一种参数自适应、寻优效果好、预报效率高的自适应雷达海上目标检测系统及方法。

本发明解决其技术问题所采用的技术方案是：

一种自适应雷达海上目标检测系统，包括雷达、数据库以及上位机，雷达、数据库和上位机依次相连，所述雷达对所检测海域进行照射，并将雷达海杂波数据储存到所述的数据库，所述的上位机包括：

数据预处理模块，用以进行雷达海杂波数据预处理，采用如下过程完成：

1)从数据库中采集N个雷达海杂波回波信号幅值x_i作为训练样本，i＝1，...，N；

2)对训练样本进行归一化处理，得到归一化幅值

${\stackrel{\‾}{x}}_i=\frac{x_i-\min x}{\max x-\min x}$

其中，minx表示训练样本中的最小值，maxx表示训练样本中的最大值；

3)将归一化后的训练样本重构，分别得到输入矩阵X和对应的输出矩阵Y：

$X=\left[\begin{array}{cccc}{\stackrel{\‾}{x}}_1& {\stackrel{\‾}{x}}_2& L& {\stackrel{\‾}{x}}_D\\ {\stackrel{\‾}{x}}_2& {\stackrel{\‾}{x}}_3& L& {\stackrel{\‾}{x}}_{D+1}\\ M& M& O& M\\ {\stackrel{\‾}{x}}_{N-D}& {\stackrel{\‾}{x}}_{N-D+1}& L& {\stackrel{\‾}{x}}_{N-1}\end{array}\right]$

$Y=\left[\begin{array}{c}{\stackrel{\‾}{x}}_{D+1}\\ {\stackrel{\‾}{x}}_{D+2}\\ M\\ {\stackrel{\‾}{x}}_N\end{array}\right]$

其中，D表示重构维数，D为自然数，且D＜N，D的取值范围为50-70；

鲁棒预报模型建模模块，用以建立预报模型，采用如下过程完成：

将得到的X、Y代入如下线性方程：

$\left[\begin{array}{cc}0& 1_v^T\\ 1_v& K{+V}_{\mathrm{\γ}}\end{array}\right]\left[\begin{array}{c}{b}^{*}\\ {\mathrm{\α}}^{*}\end{array}\right]=\left[\begin{array}{c}0\\ Y\end{array}\right]$

其中 $V_{\mathrm{\γ}}=\mathrm{diag}\{\frac{1}{\mathrm{\γ}{v}_1},K,\frac{1}{\mathrm{\γ}{v}_M}\}$

权重因子v_i由下式计算：

其中

是误差变量ξ_i标准差的估计，c₁，c₂为常量；

求解得待估计函数f(x)：

$f\left(x\right)=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{{\mathrm{\α}}_i}^{*}\exp (-||x-x_i||/{\mathrm{\θ}}^2)+b^{*}$

其中，M是支持向量的数目，1_v＝[1，...，1]^T，

K＝exp(-‖x_i-x_j‖/θ²)，上标T表示矩阵的转置，

是拉格朗日乘子，其中，i＝1，...，M，j＝1，…，M，b^*是偏置量，

和exp(-‖x-x_i‖/θ²)均为支持向量机的核函数，x_j为第j个雷达海杂波回波信号幅值，θ是核参数，x表示输入变量，γ是惩罚系数；

自适应群智寻优模块，用以采用自适应粒子群算法对预报模型的核参数θ和惩罚系数γ进行优化，采用如下过程完成：

5.1)随机产生初始粒子群速度和位置；

5.2)计算种群多样性指数D(t)：

$D\left(t\right)=\frac{F\left(\mathrm{Gbest}\left(t\right)\right)}{\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}F\left(r_i\left(t\right)\right)}$

其中，Gbest(t)是整个粒子群在第t次迭代时到达过的全局最优解，F(Gbest(t))表示Gbest(t)对应的适应度值，m是粒子群规模，r_i(t)是第i个粒子在第t次迭代时的位置，F(r_i(t))表示r_i(t)对应的适应度值；

5.3)更新学习速率参数μ(t)：

$\mathrm{\μ}\left(t\right)=1-\frac{1}{1+e^{-12(D\left(t\right)-0.5)}}$

5.4)更新粒子的速度和位置，产生新的群体；

i＝1，2，…，p；k＝1，2

r_ik(t+1)＝r_ik(t)+v_ik(t+1)

其中，α₁是个体加速度参数，α₂是全局加速度参数，

和

是0-1之间的随机数，t为迭代次数，p为粒子群规模；v_ik(t+1)是第i个粒子的第k个分量在第t+1次迭代的速度，v_ik(t)是第i个粒子的第k个分量在第t次迭代的速度，r_ik(t+1)是第i个粒子的第k个分量在第t+1次迭代的位置，r_ik(t)是第i个粒子的第k个分量在第t次迭代的位置，Lbest_ik是第i个粒子的第k个分量到达过的最优解，k＝1，2分别对应于核参数θ和惩罚系数γ；

5.5)判断是否符合算法终止条件，若符合，输出全局最优粒子及其代表的最优解，并结束迭代；否则返回5.2)继续迭代；

其中，粒子群规模为50-100，个体加速度参数为0.5，全局加速度参数为0.35，个体适应度选择模型的泛化均方根误差，终止条件为连续五次迭代全局最优解不变；

目标检测模块，用以进行目标检测，采用如下过程完成：

1)在采样时刻t采集D个海杂波回波信号幅值得到TX＝[x_t-D+1，K，x_t]，x_t-D+1表示第t-D+1采样时刻的海杂波回波信号幅值，x_t表示第t采样时刻的海杂波回波信号幅值；

2)进行归一化处理；

$\stackrel{\‾}{\mathrm{TX}}=\frac{\mathrm{TX}-\min x}{\max x-\min x}$

3)代入鲁棒预报模型建模模块得到的待估计函数f(x)计算得到采样时刻(t+1)的海杂波预报值；

4)计算海杂波预报值与雷达回波实测值的差值e，计算控制限Q_α：

$Q_{\mathrm{\α}}={\mathrm{\θ}}_1{[\frac{C_{\mathrm{\α}}{h}_0\sqrt{2{\mathrm{\θ}}_2}}{{\mathrm{\θ}}_1}+1+\frac{{\mathrm{\θ}}_2{h}_0(h_0-1)}{{\mathrm{\θ}}_2}]}^{\frac{1}{h_0}}$

${\mathrm{\θ}}_i=\underset{j=k+1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_j^i,i=\mathrm{1,2,3}$

$h_0=1-\frac{2{\mathrm{\θ}}_1{\mathrm{\θ}}_3}{3{\mathrm{\θ}}_2^2}$

其中，α是置信度，θ₁，θ₂，θ₃，h₀是中间变量，表示协方差矩阵的第j个特征值的i次方，k是样本维数，C_α是正态分布置信度为α的统计；

5)进行检测判断：当e²差值大于控制限Q_α时，该点存在目标，否则没有目标。

作为优选的一种方案：所述上位机还包括：判别模型更新模块，用以按设定的采样时间间隔，采集数据，将得到的实测数据与模型预报值比较，如果相对误差大于10％，则将新数据加入训练样本数据，更新预报模型。

作为优选的另一种方案：所述上位机还包括：结果显示模块，用以将目标检测模块的检测结果在上位机显示。

一种自适应雷达海上目标检测系统所使用的雷达海上目标检测方法，所述的方法包括以下步骤：

(1)从数据库中采集N个雷达海杂波回波信号幅值x_i作为训练样本i＝1，...，N；

(2)对训练样本进行归一化处理，得到归一化幅值

${\stackrel{\‾}{x}}_i=\frac{x_i-\min x}{\max x-\min x}$

其中，minx表示训练样本中的最小值，maxx表示训练样本中的最大值；

(3)将归一化后的训练样本重构，分别得到输入矩阵X和对应的输出矩阵Y：

$X=\left[\begin{array}{cccc}{\stackrel{\‾}{x}}_1& {\stackrel{\‾}{x}}_2& L& {\stackrel{\‾}{x}}_D\\ {\stackrel{\‾}{x}}_2& {\stackrel{\‾}{x}}_3& L& {\stackrel{\‾}{x}}_{D+1}\\ M& M& O& M\\ {\stackrel{\‾}{x}}_{N-D}& {\stackrel{\‾}{x}}_{N-D+1}& L& {\stackrel{\‾}{x}}_{N-1}\end{array}\right]$

$Y=\left[\begin{array}{c}{\stackrel{\‾}{x}}_{D+1}\\ {\stackrel{\‾}{x}}_{D+2}\\ M\\ {\stackrel{\‾}{x}}_N\end{array}\right]$

其中，D表示重构维数，D为自然数，且D＜N，D的取值范围为50-70；

(4)将得到的X、Y代入如下线性方程：

$\left[\begin{array}{cc}0& 1_v^T\\ 1_v& K{+V}_{\mathrm{\γ}}\end{array}\right]\left[\begin{array}{c}{b}^{*}\\ {\mathrm{\α}}^{*}\end{array}\right]=\left[\begin{array}{c}0\\ Y\end{array}\right]$

其中 $V_{\mathrm{\γ}}=\mathrm{diag}\{\frac{1}{\mathrm{\γ}{v}_1},K,\frac{1}{\mathrm{\γ}{v}_M}\}$

权重因子v_i由下式计算：

$v_i=\left\{\begin{array}{cc}1& \mathrm{if}|{\mathrm{\ξ}}_i/\hat{s}|\≤c_1\\ \frac{c_2-|{\mathrm{\ξ}}_i/\hat{s}|}{c_2-c_1}& \mathrm{if}{c}_1\≤|{\mathrm{\ξ}}_i/\hat{s}|\≤c_2\\ {10}^{-4}& \mathrm{otherwise}\end{array}\right.$

其中是误差变量ξ_i标准差的估计，c₁，c₂为常量；

求解得待估计函数f(x)：

$f\left(x\right)=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{{\mathrm{\α}}_i}^{*}\exp (-||x-x_i||/{\mathrm{\θ}}^2)+b^{*}$

其中，M是支持向量的数目，1_v＝[1，...，1]^T，

K＝exp(-‖x_i-x_j‖/θ²)，上标T表示矩阵的转置，

是拉格朗日乘子，其中，i＝1，...，M，j＝1，…，M，b^*是偏置量，

和exp(-‖x-x_i‖/θ²)均为支持向量机的核函数，x_j为第j个雷达海杂波回波信号幅值，θ是核参数，x表示输入变量，γ是惩罚系数；

(5)用自适应粒子群算法对步骤(4)的核参数θ和惩罚系数γ进行优化，采用如下过程完成：

5.1)随机产生初始粒子群速度和位置；

5.2)计算种群多样性指数D(t)：

$D\left(t\right)=\frac{F\left(\mathrm{Gbest}\left(t\right)\right)}{\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}F\left(r_i\left(t\right)\right)}$

其中，Gbest(t)是整个粒子群在第t次迭代时到达过的全局最优解，F(Gbest(t))表示Gbest(t)对应的适应度值，m是粒子群规模，r_i(t)是第i个粒子在第t次迭代时的位置，F(r_i(t))表示r_i(t)对应的适应度值；

5.3)更新学习速率参数μ(t)：

$\mathrm{\μ}\left(t\right)=1-\frac{1}{1+e^{-12(D\left(t\right)-0.5)}}$

5.4)更新粒子的速度和位置，产生新的群体；

i＝1，2，…，p；k＝1，2

r_ik(t+1)＝r_ik(t)+v_ik(t+1)

其中，α₁是个体加速度参数，α₂是全局加速度参数，

和

是0-1之间的随机数，t为迭代次数，p为粒子群规模；v_ik(t+1)是第i个粒子的第k个分量在第t+1次迭代的速度，v_ik(t)是第i个粒子的第k个分量在第t次迭代的速度，r_ik(t+1)是第i个粒子的第k个分量在第t+1次迭代的位置，r_ik(t)是第i个粒子的第k个分量在第t次迭代的位置，Lbest_ik是第i个粒子的第k个分量到达过的最优解，k＝1，2分别对应于核参数θ和惩罚系数γ；

5.5)判断是否符合算法终止条件，若符合，输出全局最优粒子及其代表的最优解，并结束迭代；否则返回5.2)继续迭代；

其中，粒子群规模为50-100，个体加速度参数为0.5，全局加速度参数为0.35，个体适应度选择模型的泛化均方根误差，终止条件为连续五次迭代全局最优解不变；

(6)在采样时刻t采集D个海杂波回波信号幅值得到TX＝[x_t-D+1，K，x_t]，x_t-D+1表示第t-D+1采样时刻的海杂波回波信号幅值，x_t表示第t采样时刻的海杂波回波信号幅值；

(7)进行归一化处理；

$\stackrel{\‾}{\mathrm{TX}}=\frac{\mathrm{TX}-\min x}{\max x-\min x}$

(8)代入步骤(4)得到的待估计函数f(x)计算得到采样时刻(t+1)的海杂波预报值；

(9)计算海杂波预报值与雷达回波实测值的差值e，计算控制限Q_α：

$Q_{\mathrm{\α}}={\mathrm{\θ}}_1{[\frac{C_{\mathrm{\α}}{h}_0\sqrt{2{\mathrm{\θ}}_2}}{{\mathrm{\θ}}_1}+1+\frac{{\mathrm{\θ}}_2{h}_0(h_0-1)}{{\mathrm{\θ}}_2}]}^{\frac{1}{h_0}}$

${\mathrm{\θ}}_i=\underset{j=k+1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_j^i,i=\mathrm{1,2,3}$

$h_0=1-\frac{2{\mathrm{\θ}}_1{\mathrm{\θ}}_3}{3{\mathrm{\θ}}_2^2}$

其中，α是置信度，θ₁，θ₂，θ₃，h₀是中间变量，

表示协方差矩阵的第j个特征值的i次方，k是样本维数，C_α是正态分布置信度为α的统计；

(10)进行检测判断：当e²差值大于控制限Q_α时，该点存在目标，否则没有目标。

作为优选的一种方案：所述的方法还包括：

(11)、按设定的采样时间间隔采集数据，将得到的实测数据与模型预报值比较，如果相对误差大于10％，则将新数据加入训练样本数据，更新预报模型。

作为优选的另一种方案：在所述的步骤(10)中，将目标检测模块的检测结果在上位机显示。

本发明的技术构思为：本发明针对雷达海杂波的混沌特性，对雷达海杂波数据进行重构，并对重构后的数据进行非线性拟合，建立雷达海杂波的预报模型，计算雷达海杂波的预报值和实测值的差，有目标存在时的误差会显著大于没有目标时，引入参数自适应最优方法，从而实现海杂波背景下的自适应最优目标检测。

本发明的有益效果主要表现在：1、可在线检测海上目标；2、所用的检测方法只需较少样本；3、参数自适应、寻优效果好、目标检测效率高。。

附图说明

图1是本发明所提出的系统的硬件结构图；

图2是本发明所提出的上位机的功能模块图。

具体实施方式

下面结合附图对本发明作进一步描述。本发明实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

实施例1

参照图1、图2，一种自适应雷达海上目标检测系统，包括雷达1、数据库2及上位机3，雷达1、数据库2和上位机3依次相连，所述雷达1对所检测海域进行照射，并将雷达海杂波数据储存到所述的数据库2，所述的上位机3包括：

数据预处理模块4，用以进行雷达海杂波数据预处理，采用如下过程完成：

1)从数据库中采集N个雷达海杂波回波信号幅值x_i作为训练样本，i＝1，...，N；

2)对训练样本进行归一化处理，得到归一化幅值

${\stackrel{\‾}{x}}_i=\frac{x_i-\min x}{\max x-\min x}$

其中，minx表示训练样本中的最小值，maxx表示训练样本中的最大值；

3)将归一化后的训练样本重构，分别得到输入矩阵X和对应的输出矩阵Y：

$X=\left[\begin{array}{cccc}{\stackrel{\‾}{x}}_1& {\stackrel{\‾}{x}}_2& L& {\stackrel{\‾}{x}}_D\\ {\stackrel{\‾}{x}}_2& {\stackrel{\‾}{x}}_3& L& {\stackrel{\‾}{x}}_{D+1}\\ M& M& O& M\\ {\stackrel{\‾}{x}}_{N-D}& {\stackrel{\‾}{x}}_{N-D+1}& L& {\stackrel{\‾}{x}}_{N-1}\end{array}\right]$

$Y=\left[\begin{array}{c}{\stackrel{\‾}{x}}_{D+1}\\ {\stackrel{\‾}{x}}_{D+2}\\ M\\ {\stackrel{\‾}{x}}_N\end{array}\right]$

其中，D表示重构维数，D为自然数，且D＜N，D的取值范围为50-70；

鲁棒预报模型建模模块5，用以建立预报模型，采用如下过程完成：

将得到的X、Y代入如下线性方程：

$\left[\begin{array}{cc}0& 1_v^T\\ 1_v& K{+V}_{\mathrm{\γ}}\end{array}\right]\left[\begin{array}{c}{b}^{*}\\ {\mathrm{\α}}^{*}\end{array}\right]=\left[\begin{array}{c}0\\ Y\end{array}\right]$

其中 $V_{\mathrm{\γ}}=\mathrm{diag}\{\frac{1}{\mathrm{\γ}{v}_1},K,\frac{1}{\mathrm{\γ}{v}_M}\}$

权重因子v_i由下式计算：

其中

是误差变量ξ_i标准差的估计，c₁，c₂为常量；

求解得待估计函数f(x)：

$f\left(x\right)=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{{\mathrm{\α}}_i}^{*}\exp (-||x-x_i||/{\mathrm{\θ}}^2)+b^{*}$

其中，M是支持向量的数目，1_v＝[1，...，1]^T，

K＝exp(-‖x_i-x_j‖/θ²)，上标T表示矩阵的转置，

是拉格朗日乘子，其中，i＝1，...，M，j＝1，…，M，b^*是偏置量，和exp(-‖x-x_i‖/θ²)均为支持向量机的核函数，x_j为第j个雷达海杂波回波信号幅值，θ是核参数，x表示输入变量，γ是惩罚系数；

自适应群智寻优模块6，用以采用自适应粒子群算法对预报模型的核参数θ和惩罚系数γ进行优化，采用如下过程完成：

5.1)随机产生初始粒子群速度和位置；

5.2)计算种群多样性指数D(t)：

$D\left(t\right)=\frac{F\left(\mathrm{Gbest}\left(t\right)\right)}{\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}F\left(r_i\left(t\right)\right)}$

其中，Gbest(t)是整个粒子群在第t次迭代时到达过的全局最优解，F(Gbest(t))表示Gbest(t)对应的适应度值，m是粒子群规模，r_i(t)是第i个粒子在第t次迭代时的位置，F(r_i(t))表示r_i(t)对应的适应度值；

5.3)更新学习速率参数μ(t)：

$\mathrm{\μ}\left(t\right)=1-\frac{1}{1+e^{-12(D\left(t\right)-0.5)}}$

5.4)更新粒子的速度和位置，产生新的群体；

i＝1，2，…，p；k＝1，2

r_ik(t+1)＝r_ik(t)+v_ik(t+1)

其中，α₁是个体加速度参数，α₂是全局加速度参数，

和

是0-1之间的随机数，t为迭代次数，p为粒子群规模；v_ik(t+1)是第i个粒子的第k个分量在第t+1次迭代的速度，v_ik(t)是第i个粒子的第k个分量在第t次迭代的速度，r_ik(t+1)是第i个粒子的第k个分量在第t+1次迭代的位置，r_ik(t)是第i个粒子的第k个分量在第t次迭代的位置，Lbest_ik是第i个粒子的第k个分量到达过的最优解，k＝1，2分别对应于核参数θ和惩罚系数γ；

5.5)判断是否符合算法终止条件，若符合，输出全局最优粒子及其代表的最优解，并结束迭代；否则返回5.2)继续迭代；

其中，粒子群规模为50-100，个体加速度参数为0.5，全局加速度参数为0.35，个体适应度选择模型的泛化均方根误差，终止条件为连续五次迭代全局最优解不变；

目标检测模块7，用以进行目标检测，采用如下过程完成：

1)在采样时刻t采集D个海杂波回波信号幅值得到TX＝[x_t-D+1，K，x_t]，x_t-D+1表示第t-D+1采样时刻的海杂波回波信号幅值，x_t表示第t采样时刻的海杂波回波信号幅值；

2)进行归一化处理；

$\stackrel{\‾}{\mathrm{TX}}=\frac{\mathrm{TX}-\min x}{\max x-\min x}$

3)代入预报模型建模模块得到的待估计函数f(x)得到采样时刻(t+1)的海杂波预报值；

4)计算海杂波预报值与雷达回波实测值的差值e，计算控制限Q_α：

$Q_{\mathrm{\α}}={\mathrm{\θ}}_1{[\frac{C_{\mathrm{\α}}{h}_0\sqrt{2{\mathrm{\θ}}_2}}{{\mathrm{\θ}}_1}+1+\frac{{\mathrm{\θ}}_2{h}_0(h_0-1)}{{\mathrm{\θ}}_2}]}^{\frac{1}{h_0}}$

${\mathrm{\θ}}_i=\underset{j=k+1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_j^i,i=\mathrm{1,2,3}$

$h_0=1-\frac{2{\mathrm{\θ}}_1{\mathrm{\θ}}_3}{3{\mathrm{\θ}}_2^2}$

其中，α是置信度，θ₁，θ₂，θ₃，h₀是中间变量，

 表示协方差矩阵的第j个特征值的i次方，k是样本维数，C_α是正态分布置信度为α的统计；

5)进行检测判断：当e²差值大于控制限Q_α时，该点存在目标，否则没有目标。

所述的上位机3还包括：模型更新模块8，按设定的时间间隔采集数据，将得到的实测数据与模型预报值比较，如果相对误差大于10％，则将新数据加入训练样本数据，更新预报模型。

所述上位机3还包括：结果显示模块9，将目标检测模块的检测结果在上位机显示。

所述上位机3的硬件部分包括：I/O元件，用于数据的采集和信息的传递；数据存储器，存储运行所需的数据样本和运行参数等；程序存储器，存储实现功能模块的软件程序；运算器，执行程序，实现指定的功能；显示模块，显示设置的参数和检测结果。

实施例2

参照图1、图2，一种自适应雷达海上目标检测方法，所述的方法包括以下步骤：

(1)从数据库中采集N个雷达海杂波回波信号幅值x_i作为训练样本，i＝1，...，N；

(2)对训练样本进行归一化处理，得到归一化幅值

${\stackrel{\‾}{x}}_i=\frac{x_i-\min x}{\max x-\min x}$

其中，minx表示训练样本中的最小值，maxx表示训练样本中的最大值；

(3)将归一化后的训练样本重构，分别得到输入矩阵X和对应的输出矩阵Y：

$X=\left[\begin{array}{cccc}{\stackrel{\‾}{x}}_1& {\stackrel{\‾}{x}}_2& L& {\stackrel{\‾}{x}}_D\\ {\stackrel{\‾}{x}}_2& {\stackrel{\‾}{x}}_3& L& {\stackrel{\‾}{x}}_{D+1}\\ M& M& O& M\\ {\stackrel{\‾}{x}}_{N-D}& {\stackrel{\‾}{x}}_{N-D+1}& L& {\stackrel{\‾}{x}}_{N-1}\end{array}\right]$

$Y=\left[\begin{array}{c}{\stackrel{\‾}{x}}_{D+1}\\ {\stackrel{\‾}{x}}_{D+2}\\ M\\ {\stackrel{\‾}{x}}_N\end{array}\right]$

其中，D表示重构维数，D为自然数，且D＜N，D的取值范围为50-70；

(4)将得到的X、Y代入如下线性方程：

$\left[\begin{array}{cc}0& 1_v^T\\ 1_v& K{+V}_{\mathrm{\γ}}\end{array}\right]\left[\begin{array}{c}{b}^{*}\\ {\mathrm{\α}}^{*}\end{array}\right]=\left[\begin{array}{c}0\\ Y\end{array}\right]$

其中 $V_{\mathrm{\γ}}=\mathrm{diag}\{\frac{1}{\mathrm{\γ}{v}_1},K,\frac{1}{\mathrm{\γ}{v}_M}\}$

权重因子v_i由下式计算：

其中

是误差变量ξ_i标准差的估计，c₁，c₂为常量；

求解得待估计函数f(x)：

$f\left(x\right)=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{{\mathrm{\α}}_i}^{*}\exp (-||x-x_i||/{\mathrm{\θ}}^2)+b^{*}$

其中，M是支持向量的数目，1_v＝[1，...，1]^T，K＝exp(-‖x_i-x_j‖/θ²)，上标T表示矩阵的转置，

是拉格朗日乘子，其中，i＝1，...，M，j＝1，…，M，b^*是偏置量，和exp(-‖x-x_i‖/θ²)均为支持向量机的核函数，x_j为第j个雷达海杂波回波信号幅值，θ是核参数，x表示输入变量，γ是惩罚系数；

(5)用自适应粒子群算法对步骤(4)的核参数θ和惩罚系数γ进行优化，采用如下过程完成：

5.1)随机产生初始粒子群速度和位置；

5.2)计算种群多样性指数D(t)：

$D\left(t\right)=\frac{F\left(\mathrm{Gbest}\left(t\right)\right)}{\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}F\left(r_i\left(t\right)\right)}$

其中，Gbest(t)是整个粒子群在第t次迭代时到达过的全局最优解，F(Gbest(t))表示Gbest(t)对应的适应度值，m是粒子群规模，r_i(t)是第i个粒子在第t次迭代时的位置，F(r_i(t))表示r_i(t)对应的适应度值；

5.3)更新学习速率参数μ(t)：

$\mathrm{\μ}\left(t\right)=1-\frac{1}{1+e^{-12(D\left(t\right)-0.5)}}$

5.4)更新粒子的速度和位置，产生新的群体；

i＝1，2，…，p；k＝1，2

r_ik(t+1)＝r_ik(t)+v_ik(t+1)

其中，α₁是个体加速度参数，α₂是全局加速度参数，

和

是0-1之间的随机数，t为迭代次数，p为粒子群规模；v_ik(t+1)是第i个粒子的第k个分量在第t+1次迭代的速度，v_ik(t)是第i个粒子的第k个分量在第t次迭代的速度，r_ik(t+1)是第i个粒子的第k个分量在第t+1次迭代的位置，r_ik(t)是第i个粒子的第k个分量在第t次迭代的位置，Lbest_ik是第i个粒子的第k个分量到达过的最优解，k＝1，2分别对应于核参数θ和惩罚系数γ；

5.5)判断是否符合算法终止条件，若符合，输出全局最优粒子及其代表的最优解，并结束迭代；否则返回5.2)继续迭代；

其中，粒子群规模为50-100，个体加速度参数为0.5，全局加速度参数为0.35，个体适应度选择模型的泛化均方根误差，终止条件为连续五次迭代全局最优解不变；

(6)在采样时刻t采集D个海杂波回波信号幅值得到TX＝[x_t-D+1，K，x_t]，x_t-D+1表示第t-D+1采样时刻的海杂波回波信号幅值，x_t表示第t采样时刻的海杂波回波信号幅值；

(7)进行归一化处理；

$\stackrel{\‾}{\mathrm{TX}}=\frac{\mathrm{TX}-\min x}{\max x-\min x}$

(8)代入步骤(4)得到的待估计函数f(x)计算得到采样时刻(t+1)的海杂波预报值；

(9)计算海杂波预报值与雷达回波实测值的差值e，计算控制限Q_α：

$Q_{\mathrm{\α}}={\mathrm{\θ}}_1{[\frac{C_{\mathrm{\α}}{h}_0\sqrt{2{\mathrm{\θ}}_2}}{{\mathrm{\θ}}_1}+1+\frac{{\mathrm{\θ}}_2{h}_0(h_0-1)}{{\mathrm{\θ}}_2}]}^{\frac{1}{h_0}}$

${\mathrm{\θ}}_i=\underset{j=k+1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_j^i,i=\mathrm{1,2,3}$

$h_0=1-\frac{2{\mathrm{\θ}}_1{\mathrm{\θ}}_3}{3{\mathrm{\θ}}_2^2}$

其中，α是置信度，θ₁，θ₂，θ₃，h₀是中间变量，

表示协方差矩阵的第j个特征值的i次方，k是样本维数，C_α是正态分布置信度为α的统计；

(10)进行检测判断：当e²差值大于控制限Q_α时，该点存在目标，否则没有目标。

所述的方法还包括：(11)、按设定的时间间隔采集数据，将得到的实测数据与模型预报值比较，如果相对误差大于10％，则将新数据加入训练样本数据，更新预报模型。

所述的方法还包括：在所述的步骤(10)中，将目标检测模块的检测结果在上位机显示。

Claims (6)

1.一种自适应雷达海上目标检测系统，包括雷达、数据库以及上位机，雷达、数据库和上位机依次相连，其特征在于：所述雷达对所检测海域进行照射，并将雷达海杂波数据储存到所述的数据库，所述的上位机包括：

数据预处理模块，用以进行雷达海杂波数据预处理，采用如下过程完成：

1)从数据库中采集N个雷达海杂波回波信号幅值x_i作为训练样本，i＝1，...，N；

2)对训练样本进行归一化处理，得到归一化幅值

${\stackrel{\‾}{x}}_i=\frac{x_i-\min x}{\max x-\min x}$

其中，minx表示训练样本中的最小值，maxx表示训练样本中的最大值；

3)将归一化后的训练样本重构，分别得到输入矩阵X和对应的输出矩阵Y：

$X=\left[\begin{array}{cccc}{\stackrel{\‾}{x}}_1& {\stackrel{\‾}{x}}_2& L& {\stackrel{\‾}{x}}_D\\ {\stackrel{\‾}{x}}_2& {\stackrel{\‾}{x}}_3& L& {\stackrel{\‾}{x}}_{D+1}\\ M& M& O& M\\ {\stackrel{\‾}{x}}_{N-D}& {\stackrel{\‾}{x}}_{N-D+1}& L& {\stackrel{\‾}{x}}_{N-1}\end{array}\right]$

$Y=\left[\begin{array}{c}{\stackrel{\‾}{x}}_{D+1}\\ {\stackrel{\‾}{x}}_{D+2}\\ M\\ {\stackrel{\‾}{x}}_N\end{array}\right]$

其中，D表示重构维数，D为自然数，且D＜N，D的取值范围为50-70；

鲁棒预报模型建模模块，用以建立预报模型，采用如下过程完成：

将得到的X、Y代入如下线性方程：

$\left[\begin{array}{cc}0& 1_v^T\\ 1_v& K{+V}_{\mathrm{\γ}}\end{array}\right]\left[\begin{array}{c}{b}^{*}\\ {\mathrm{\α}}^{*}\end{array}\right]=\left[\begin{array}{c}0\\ Y\end{array}\right]$

其中 $V_{\mathrm{\γ}}=\mathrm{diag}\{\frac{1}{\mathrm{\γ}{v}_1},K,\frac{1}{\mathrm{\γ}{v}_M}\}$

权重因子v_i由下式计算：

其中

是误差变量ξ_i标准差的估计，c₁，c₂为常量；

求解得待估计函数f(x)：

$f\left(x\right)=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{{\mathrm{\α}}_i}^{*}\exp (-||x-x_i||/{\mathrm{\θ}}^2)+b^{*}$

其中，M是支持向量的数目，1_v＝[1，...，1]^T，K＝exp(-‖x_i-x_j‖/θ²)，上标T表示矩阵的转置，

是拉格朗日乘子，其中，i＝1，...，M，j＝1，…，M，b^*是偏置量，

和exp(-‖x-x_i‖/θ²)均为支持向量机的核函数，x_j为第j个雷达海杂波回波信号幅值，θ是核参数，x表示输入变量，γ是惩罚系数；

自适应群智寻优模块，用以采用自适应粒子群算法对预报模型的核参数θ和惩罚系数γ进行优化，采用如下过程完成：

5.1)随机产生初始粒子群速度和位置；

5.2)计算种群多样性指数D(t)：

$D\left(t\right)=\frac{F\left(\mathrm{Gbest}\left(t\right)\right)}{\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}F\left(r_i\left(t\right)\right)}$

其中，Gbest(t)是整个粒子群在第t次迭代时到达过的全局最优解，F(Gbest(t))表示Gbest(t)对应的适应度值，m是粒子群规模，r_i(t)是第i个粒子在第t次迭代时的位置，F(r_i(t))表示r_i(t)对应的适应度值；

5.3)更新学习速率参数μ(t)：

$\mathrm{\μ}\left(t\right)=1-\frac{1}{1+e^{-12(D\left(t\right)-0.5)}}$

5.4)更新粒子的速度和位置，产生新的群体；

i＝1，2，…，p；k＝1，2

r_ik(t+1)＝r_ik(t)+v_ik(t+1)

其中，α₁是个体加速度参数，α₂是全局加速度参数，和

是0-1之间的随机数，t为迭代次数，p为粒子群规模；v_ik(t+1)是第i个粒子的第k个分量在第t+1次迭代的速度，v_ik(t)是第i个粒子的第k个分量在第t次迭代的速度，r_ik(t+1)是第i个粒子的第k个分量在第t+1次迭代的位置，r_ik(t)是第i个粒子的第k个分量在第t次迭代的位置，Lbest_ik是第i个粒子的第k个分量到达过的最优解，k＝1，2分别对应于核参数θ和惩罚系数γ；

5.5)判断是否符合算法终止条件，若符合，输出全局最优粒子及其代表的最优解，并结束迭代；否则返回5.2)继续迭代；

其中，粒子群规模为50-100，个体加速度参数为0.5，全局加速度参数为0.35，个体适应度选择模型的泛化均方根误差，终止条件为连续五次迭代全局最优解不变；

目标检测模块，用以进行目标检测，采用如下过程完成：

1)在采样时刻t采集D个海杂波回波信号幅值得到TX＝[x_t-D+1，K，x_t]，x_t-D+1表示第t-D+1采样时刻的海杂波回波信号幅值，x_t表示第t采样时刻的海杂波回波信号幅值；

2)进行归一化处理；

$\stackrel{\‾}{\mathrm{TX}}=\frac{\mathrm{TX}-\min x}{\max x-\min x}$

3)代入鲁棒预报模型建模模块得到的待估计函数f(x)计算得到采样时刻(t+1)的海杂波预报值；

4)计算海杂波预报值与雷达回波实测值的差值e，计算控制限Q_α：

$Q_{\mathrm{\α}}={\mathrm{\θ}}_1{[\frac{C_{\mathrm{\α}}{h}_0\sqrt{2{\mathrm{\θ}}_2}}{{\mathrm{\θ}}_1}+1+\frac{{\mathrm{\θ}}_2{h}_0(h_0-1)}{{\mathrm{\θ}}_2}]}^{\frac{1}{h_0}}$

${\mathrm{\θ}}_i=\underset{j=k+1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_j^i,i=\mathrm{1,2,3}$

$h_0=1-\frac{2{\mathrm{\θ}}_1{\mathrm{\θ}}_3}{3{\mathrm{\θ}}_2^2}$

其中，α是置信度，θ₁，θ₂，θ₃，h₀是中间变量，

表示协方差矩阵的第j个特征值的i次方，k是样本维数，C_α是正态分布置信度为α的统计；

5)进行检测判断：当e²差值大于控制限Q_α时，该点存在目标，否则没有目标。

2.如权利要求1所述的自适应雷达海上目标检测系统，其特征在于：所述上位机还包括：判别模型更新模块，用以按设定的采样时间间隔，采集数据，将得到的实测数据与模型预报值比较，如果相对误差大于10％，则将新数据加入训练样本数据，更新预报模型。

3.如权利要求1所述的自适应雷达海上目标检测系统，其特征在于：所述上位机还包括：结果显示模块，用以将目标检测模块的检测结果在上位机显示。

4.一种如权利要求1所述的自适应雷达海上目标检测系统所使用的雷达海上目标检测方法，其特征在于：所述的方法包括以下步骤：

(1)从数据库中采集N个雷达海杂波回波信号幅值x_i作为训练样本i＝1，...，N；

(2)对训练样本进行归一化处理，得到归一化幅值

${\stackrel{\‾}{x}}_i=\frac{x_i-\min x}{\max x-\min x}$

其中，minx表示训练样本中的最小值，maxx表示训练样本中的最大值；

(3)将归一化后的训练样本重构，分别得到输入矩阵X和对应的输出矩阵Y：

$X=\left[\begin{array}{cccc}{\stackrel{\‾}{x}}_1& {\stackrel{\‾}{x}}_2& L& {\stackrel{\‾}{x}}_D\\ {\stackrel{\‾}{x}}_2& {\stackrel{\‾}{x}}_3& L& {\stackrel{\‾}{x}}_{D+1}\\ M& M& O& M\\ {\stackrel{\‾}{x}}_{N-D}& {\stackrel{\‾}{x}}_{N-D+1}& L& {\stackrel{\‾}{x}}_{N-1}\end{array}\right]$

$Y=\left[\begin{array}{c}{\stackrel{\‾}{x}}_{D+1}\\ {\stackrel{\‾}{x}}_{D+2}\\ M\\ {\stackrel{\‾}{x}}_N\end{array}\right]$

其中，D表示重构维数，D为自然数，且D＜N，D的取值范围为50-70；

(4)将得到的X、Y代入如下线性方程：

$\left[\begin{array}{cc}0& 1_v^T\\ 1_v& K{+V}_{\mathrm{\γ}}\end{array}\right]\left[\begin{array}{c}{b}^{*}\\ {\mathrm{\α}}^{*}\end{array}\right]=\left[\begin{array}{c}0\\ Y\end{array}\right]$

其中 $V_{\mathrm{\γ}}=\mathrm{diag}\{\frac{1}{\mathrm{\γ}{v}_1},K,\frac{1}{\mathrm{\γ}{v}_M}\}$

权重因子v_i由下式计算：

其中

是误差变量ξ_i标准差的估计，c₁，c₂为常量；

求解得待估计函数f(x)：

$f\left(x\right)=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{{\mathrm{\α}}_i}^{*}\exp (-||x-x_i||/{\mathrm{\θ}}^2)+b^{*}$

其中，M是支持向量的数目，1_v＝[1，...，1]^T，

K＝exp(-‖x_i-x_j‖/θ²)，上标T表示矩阵的转置，

是拉格朗日乘子，其中，i＝1，...，M，j＝1，…，M，b^*是偏置量，

和exp(-‖x-x_i‖/θ²)均为支持向量机的核函数，x_j为第j个雷达海杂波回波信号幅值，θ是核参数，x表示输入变量，γ是惩罚系数；

(5)用自适应粒子群算法对步骤(4)的核参数θ和惩罚系数γ进行优化，采用如下过程完成：

5.1)随机产生初始粒子群速度和位置；

5.2)计算种群多样性指数D(t)：

$D\left(t\right)=\frac{F\left(\mathrm{Gbest}\left(t\right)\right)}{\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}F\left(r_i\left(t\right)\right)}$

其中，Gbest(t)是整个粒子群在第t次迭代时到达过的全局最优解，F(Gbest(t))表示Gbest(t)对应的适应度值，m是粒子群规模，r_i(t)是第i个粒子在第t次迭代时的位置，F(r_i(t))表示r_i(t)对应的适应度值；

5.3)更新学习速率参数μ(t)：

$\mathrm{\μ}\left(t\right)=1-\frac{1}{1+e^{-12(D\left(t\right)-0.5)}}$

5.4)更新粒子的速度和位置，产生新的群体；

i＝1，2，…，p；k＝1，2

r_ik(t+1)＝r_ik(t)+v_ik(t+1)

其中，α₁是个体加速度参数，α₂是全局加速度参数，

和

是0-1之间的随机数，t为迭代次数，p为粒子群规模；v_ik(t+1)是第i个粒子的第k个分量在第t+1次迭代的速度，v_ik(t)是第i个粒子的第k个分量在第t次迭代的速度，r_ik(t+1)是第i个粒子的第k个分量在第t+1次迭代的位置，r_ik(t)是第i个粒子的第k个分量在第t次迭代的位置，Lbest_ik是第i个粒子的第k个分量到达过的最优解，k＝1，2分别对应于核参数θ和惩罚系数γ；

5.5)判断是否符合算法终止条件，若符合，输出全局最优粒子及其代表的最优解，并结束迭代；否则返回5.2)继续迭代；

其中，粒子群规模为50-100，个体加速度参数为0.5，全局加速度参数为0.35，个体适应度选择模型的泛化均方根误差，终止条件为连续五次迭代全局最优解不变；

(6)在采样时刻t采集D个海杂波回波信号幅值得到TX＝[x_t-D+1，K，x_t]，x_t-D+1表示第t-D+1采样时刻的海杂波回波信号幅值，x_t表示第t采样时刻的海杂波回波信号幅值；

(7)进行归一化处理；

$\stackrel{\‾}{\mathrm{TX}}=\frac{\mathrm{TX}-\min x}{\max x-\min x}$

(8)代入步骤(4)得到的待估计函数f(x)计算得到采样时刻(t+1)的海杂波预报值；

(9)计算海杂波预报值与雷达回波实测值的差值e，计算控制限Q_α：

$Q_{\mathrm{\α}}={\mathrm{\θ}}_1{[\frac{C_{\mathrm{\α}}{h}_0\sqrt{2{\mathrm{\θ}}_2}}{{\mathrm{\θ}}_1}+1+\frac{{\mathrm{\θ}}_2{h}_0(h_0-1)}{{\mathrm{\θ}}_2}]}^{\frac{1}{h_0}}$

${\mathrm{\θ}}_i=\underset{j=k+1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_j^i,i=\mathrm{1,2,3}$

$h_0=1-\frac{2{\mathrm{\θ}}_1{\mathrm{\θ}}_3}{3{\mathrm{\θ}}_2^2}$

其中，α是置信度，θ₁，θ₂，θ₃，h₀是中间变量，

表示协方差矩阵的第j个特征值的i次方，k是样本维数，C_α是正态分布置信度为α的统计；

(10)进行检测判断：当e²差值大于控制限Q_α时，该点存在目标，否则没有目标。

5.如权利要求4所述的雷达海上目标检测方法，其特征在于：所述的方法还包括：

(11)、按设定的采样时间间隔采集数据，将得到的实测数据与模型预报值比较，如果相对误差大于10％，则将新数据加入训练样本数据，更新预报模型。

6.如权利要求4或5所述的雷达海上目标检测方法，其特征在于：在所述的步骤(10)中，将目标检测模块的检测结果在上位机显示。

Images