CN107907868A - 一种基于改进入侵杂草优化算法的智能雷达海上目标检测系统及方法 - Google Patents
一种基于改进入侵杂草优化算法的智能雷达海上目标检测系统及方法 Download PDFInfo
- Publication number
- CN107907868A CN107907868A CN201711115260.3A CN201711115260A CN107907868A CN 107907868 A CN107907868 A CN 107907868A CN 201711115260 A CN201711115260 A CN 201711115260A CN 107907868 A CN107907868 A CN 107907868A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtd
- mtr
- population
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/292—Extracting wanted echo-signals
- G01S7/2923—Extracting wanted echo-signals based on data belonging to a number of consecutive radar periods
- G01S7/2927—Extracting wanted echo-signals based on data belonging to a number of consecutive radar periods by deriving and controlling a threshold value
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/295—Means for transforming co-ordinates or for evaluating data, e.g. using computers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/35—Details of non-pulse systems
- G01S7/352—Receivers
- G01S7/354—Extracting wanted echo-signals
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acyclic And Carbocyclic Compounds In Medicinal Compositions (AREA)
Abstract
本发明公开了一种基于改进入侵杂草算法的智能雷达海上目标检测系统及方法,系统由雷达、数据库和上位机依次相连组成,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、智能寻优模块、目标检测模块、模型更新模块以及结果显示模块:本发明针对海上目标检测的复杂特性,对雷达杂波数据进行重构,并对目标数据进行检测,引入改进入侵杂草算法,从而提供一种实现在线检测、智能性高的雷达海上目标检测系统及方法。
Description
技术领域
本发明涉及雷达数据处理领域,特别地,涉及一种基于改进入侵杂草优化算法的智能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;3)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无法实现在线检测、智能性较差的不足,本发明提供一种实现在线检测、智能性强的基于改进入侵杂草优化算法的智能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:
一种基于改进入侵杂草优化算法的智能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)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;
(2)从数据库中采集N个雷达海杂波回波信号幅值xi作为训练样本,i=1,...,N;
(3)对训练样本进行归一化处理,得到归一化幅值
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;
(4)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:
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;
所述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:
将数据预处理模块得到的X、Y代入如下线性方程:
其中
权重因子vi由下式计算:
其中是误差变量ξi标准差的估计,c1,c2为常量;
求解得待估计函数f(x):
其中,M是支持向量的数目,1v=[1,...,1]T,上标T表示矩阵的转置,是拉格朗日乘子,b*是偏置量,K=exp(-||xi-xj||/θ2),其中i=1,…,M,j=1,…,M,和exp(-||x-xi||/θ2)均为支持向量机的核函数,xj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;
智能寻优模块,采用改进入侵杂草优化算法对鲁棒预报模型的核参数θ和惩罚系数γ进行优化,采用如下过程完成:
步骤1:初始化改进入侵杂草优化算法的参数,设置最小种群规模Nmin、最大种群规模Nmax、杂草个体所能产生的最大种子规模smax、杂草个体所能产生的最小种子规模smin、种群初始状态时设定的最大值δmax、种群初始状态设定的最小值δmin、最大迭代次数itermax及非线性调和因子n等各个参数值,设种群数为P。由于模型有两个参数需要优化,所以位置pi的维度为2维,随机生成每个青蛙的位置pi=(pi1,pi2),置初始迭代次数iter=0;
步骤2:评估当前种群中每个杂草个体的适应度,标记种群最好适应度、最差适应度和最优个体;
步骤3:判断迭代次数是否达到itermax。若达到,终止算法;否则,跳转至步骤4;
步骤4:根据下式分别计算计算种群内个体繁殖的种子数目和更新当前迭代的标准差δ;
其中,fi表示第i个个体的适应度,fmax和fmin分别表示当前种群对应的最大和最小适应度,smax和smin分别表示杂草个体所能产生的最大和最小种子数目,floor(·)是向下取整函数,iter表示当前进化次数,itermax表示最大进化次数,δiter为当前标准差,δmax和δmin分别为种群初始状态时设定的最大值和最小值,n是非线性调和因子。
步骤5:按N(0,δ2)正态分布随机产生扩散值,并将其加入至当前种群;
步骤6:判断种群规模是否达到Nmax。若达到上限,跳转至步骤7;否则,跳转至步骤8;
步骤7:评估当前种群中所有个体的适应度,并按适应度大小进行排序,选择前Nmax个个体,淘汰剩余个体,标记最好适应度、最差适应度和最优个体;
步骤8:对每代最优个体执行Logistic搜索策略,然后跳转至步骤3;
其中Logistic搜索策略如下:
1)按下式将最优个体G投影到[0,1]范围内:
其中,Upnd和Dond分别为搜索空间的上界与下界;
2)将G'利用下式所示的Logistic映射公式迭代10次产生一组混沌序列y=[y1,y2,y3,...,y10];
yn+1=μ×yn×(1-yn)
其中,当μ=4,y0≠0.5,混沌序列将遍历[0,1]。
3)将产生的混沌序列y通过下式投影原来的搜索空间
G”=y×(Upnd-Dond)+Dond
4)计算G”(i=1,2,...,10)的适应度值,如果G”中适应度最优个体的适应度优于G的适应度,则用它替代G;否则,用G”中适应度最优个体替代当前种群中适应度最差的个体。
其中,初始种群大小为10,最小种群规模为10,最大种群规模为100,杂草个体所能产生的最大和最小种子规模分别为1和10,种群初始状态设定的最小和最大值分别为100和0,最大迭代数100,非线性调和因子为3,搜索空间的上界与下界分别为100,0。
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=[xt-D+1,…,xt],xt-D+1表示第t-D+1采样时刻的海杂波回波信号幅值,xt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;
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Qα:
其中,α是置信度,θ1,θ2,θ3,h0是中间变量,λj i表示协方差矩阵的第j个特征值的i次方,k是样本维数,Cα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Qα时,该点存在目标,否则没有目标。
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。
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。
一种基于改进入侵杂草优化算法的智能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)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;
(2)从数据库中采集N个雷达海杂波回波信号幅值xi作为训练样本,i=1,...,N;
(3)对训练样本进行归一化处理,得到归一化幅值
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;
(4)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:
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;
(5)将得到的X、Y代入如下线性方程:
其中
权重因子vi由下式计算:
其中是误差变量ξi标准差的估计,c1,c2为常量;
求解得待估计函数f(x):
其中,M是支持向量的数目,1v=[1,...,1]T,上标T表示矩阵的转置,是拉格朗日乘子,b*是偏置量,K=exp(-||xi-xj||/θ2),其中i=1,…,M,j=1,…,M,和exp(-||x-xi||/θ2)均为支持向量机的核函数,xj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;
(6)用改进入侵杂草优化算法对步骤4)的核参数θ和惩罚系数γ进行优化,采用如下过程完成:
(6.1)初始化改进入侵杂草优化算法的参数,设置最小种群规模Nmin、最大种群规模Nmax、杂草个体所能产生的最大种子规模smax、杂草个体所能产生的最小种子规模smin、种群初始状态时设定的最大值δmax、种群初始状态设定的最小值δmin、最大迭代次数itermax及非线性调和因子n等各个参数值,设种群数为P。由于模型有两个参数需要优化,所以位置pi的维度为2维,随机生成每个青蛙的位置pi=(pi1,pi2),置初始迭代次数iter=0;
(6.2)评估当前种群中每个杂草个体的适应度,标记种群最好适应度、最差适应度和最优个体;
(6.3)判断迭代次数是否达到itermax。若达到,终止算法;否则,跳转至步骤4;
(6.4)根据下式分别计算计算种群内个体繁殖的种子数目和更新当前迭代的标准差δ;
其中,fi表示第i个个体的适应度,fmax和fmin分别表示当前种群对应的最大和最小适应度,smax和smin分别表示杂草个体所能产生的最大和最小种子数目,floor(·)是向下取整函数,iter表示当前进化次数,itermax表示最大进化次数,δiter为当前标准差,δmax和δmin分别为种群初始状态时设定的最大值和最小值,n是非线性调和因子。
(6.5)按N(0,δ2)正态分布随机产生扩散值,并将其加入至当前种群;
(6.6)判断种群规模是否达到Nmax。若达到上限,跳转至步骤7;否则,跳转至步骤8;
(6.7)评估当前种群中所有个体的适应度,并按适应度大小进行排序,选择前Nmax个个体,淘汰剩余个体,标记最好适应度、最差适应度和最优个体;
(6.8)对每代最优个体执行Logistic搜索策略,然后跳转至步骤3;
其中Logistic搜索策略如下:
5)按下式将最优个体G投影到[0,1]范围内:
其中,Upnd和Dond分别为搜索空间的上界与下界;
6)将G'利用下式所示的Logistic映射公式迭代10次产生一组混沌序列y=[y1,y2,y3,...,y10];
yn+1=μ×yn×(1-yn)
其中,当μ=4,y0≠0.5,混沌序列将遍历[0,1]。
7)将产生的混沌序列y通过下式投影原来的搜索空间
G”=y×(Upnd-Dond)+Dond
8)计算G”(i=1,2,...,10)的适应度值,如果G”中适应度最优个体的适应度优于G的适应度,则用它替代G;否则,用G”中适应度最优个体替代当前种群中适应度最差的个体。
其中,初始种群大小为10,最小种群规模为10,最大种群规模为100,杂草个体所能产生的最大和最小种子规模分别为1和10,种群初始状态设定的最小和最大值分别为100和0,最大迭代数100,非线性调和因子为3,搜索空间的上界与下界分别为100,0。
(7)在采样时刻t采集D个海杂波回波信号幅值得到TX=[xt-D+1,…,xt],xt-D+1表示第t-D+1采样时刻的海杂波回波信号幅值,xt表示第t采样时刻的海杂波回波信号幅值;
(8)进行归一化处理;
(9)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。
(10)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Qα:
其中,α是置信度,θ1,θ2,θ3,h0是中间变量,λj i表示协方差矩阵的第j个特征值的i次方,k是样本维数,Cα是正态分布置信度为α的统计;
(11)进行检测判断:当e2差值大于控制限Qα时,该点存在目标,否则没有目标。
(12)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。
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,引入改进入侵杂草优化算法,从而实现海杂波背景下的强智能目标检测。
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、智能性强、受人为因素影响小。
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2,一种基于改进入侵杂草优化算法的智能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)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;
(2)从数据库中采集N个雷达海杂波回波信号幅值xi作为训练样本,i=1,...,N;
(3)对训练样本进行归一化处理,得到归一化幅值
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;
(4)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:
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;
所述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:
将数据预处理模块得到的X、Y代入如下线性方程:
其中
权重因子vi由下式计算:
其中是误差变量ξi标准差的估计,c1,c2为常量;
求解得待估计函数f(x):
其中,M是支持向量的数目,1v=[1,...,1]T,上标T表示矩阵的转置,是拉格朗日乘子,b*是偏置量,K=exp(-||xi-xj||/θ2),其中i=1,…,M,j=1,…,M,和exp(-||x-xi||/θ2)均为支持向量机的核函数,xj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;
智能寻优模块6,用以采用改进入侵杂草优化算法对鲁棒预报模型的核参数θ和惩罚系数γ进行优化,采用如下过程完成:
步骤1:初始化改进入侵杂草优化算法的参数,设置最小种群规模Nmin、最大种群规模Nmax、杂草个体所能产生的最大种子规模smax、杂草个体所能产生的最小种子规模smin、种群初始状态时设定的最大值δmax、种群初始状态设定的最小值δmin、最大迭代次数itermax及非线性调和因子n等各个参数值,设种群数为P。由于模型有两个参数需要优化,所以位置pi的维度为2维,随机生成每个青蛙的位置pi=(pi1,pi2),置初始迭代次数iter=0;
步骤2:评估当前种群中每个杂草个体的适应度,标记种群最好适应度、最差适应度和最优个体;
步骤3:判断迭代次数是否达到itermax。若达到,终止算法;否则,跳转至步骤4;
步骤4:根据下式分别计算计算种群内个体繁殖的种子数目和更新当前迭代的标准差δ;
其中,fi表示第i个个体的适应度,fmax和fmin分别表示当前种群对应的最大和最小适应度,smax和smin分别表示杂草个体所能产生的最大和最小种子数目,floor(·)是向下取整函数,iter表示当前进化次数,itermax表示最大进化次数,δiter为当前标准差,δmax和δmin分别为种群初始状态时设定的最大值和最小值,n是非线性调和因子。
步骤5:按N(0,δ2)正态分布随机产生扩散值,并将其加入至当前种群;
步骤6:判断种群规模是否达到Nmax。若达到上限,跳转至步骤7;否则,跳转至步骤8;
步骤7:评估当前种群中所有个体的适应度,并按适应度大小进行排序,选择前Nmax个个体,淘汰剩余个体,标记最好适应度、最差适应度和最优个体;
步骤8:对每代最优个体执行Logistic搜索策略,然后跳转至步骤3;
其中Logistic搜索策略如下:
1)按下式将最优个体G投影到[0,1]范围内:
其中,Upnd和Dond分别为搜索空间的上界与下界;
2)将G'利用下式所示的Logistic映射公式迭代10次产生一组混沌序列y=[y1,y2,y3,...,y10];yn+1=μ×yn×(1-yn)
其中,当μ=4,y0≠0.5,混沌序列将遍历[0,1]。
3)将产生的混沌序列y通过下式投影原来的搜索空间
G”=y×(Upnd-Dond)+Dond
4)计算G”(i=1,2,...,10)的适应度值,如果G”中适应度最优个体的适应度优于G的适应度,则用它替代G;否则,用G”中适应度最优个体替代当前种群中适应度最差的个体。
其中,初始种群大小为10,最小种群规模为10,最大种群规模为100,杂草个体所能产生的最大和最小种子规模分别为1和10,种群初始状态设定的最小和最大值分别为100和0,最大迭代数100,非线性调和因子为3,搜索空间的上界与下界分别为100,0。
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=[xt-D+1,…,xt],xt-D+1表示第t-D+1采样时刻的海杂波回波信号幅值,xt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;
3)代入鲁棒预报模型建模模块得到的函数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Qα:
其中,α是置信度,θ1,θ2,θ3,h0是中间变量,λj i表示协方差矩阵的第j个特征值的i次方,k是样本维数,Cα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Qα时,该点存在目标,否则没有目标。
模型更新模块8,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。
结果显示模块9,用以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2,一种基于改进入侵杂草优化算法的智能雷达海上目标检测方法,所述的方法包括以下步骤:
(1)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;
(2)从数据库中采集N个雷达海杂波回波信号幅值xi作为训练样本,i=1,...,N;
(3)对训练样本进行归一化处理,得到归一化幅值
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;
(4)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:
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;
(5)将得到的X、Y代入如下线性方程:
其中
权重因子vi由下式计算:
其中是误差变量ξi标准差的估计,c1,c2为常量;
求解得待估计函数f(x):
其中,M是支持向量的数目,1v=[1,...,1]T,上标T表示矩阵的转置,是拉格朗日乘子,b*是偏置量,K=exp(-||xi-xj||/θ2),其中i=1,…,M,j=1,…,M,和exp(-||x-xi||/θ2)均为支持向量机的核函数,xj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;
(6)用改进入侵杂草优化算法对步骤4)的核参数θ和惩罚系数γ进行优化,采用如下过程完成:
(6.1)初始化改进入侵杂草优化算法的参数,设置最小种群规模Nmin、最大种群规模Nmax、杂草个体所能产生的最大种子规模smax、杂草个体所能产生的最小种子规模smin、种群初始状态时设定的最大值δmax、种群初始状态设定的最小值δmin、最大迭代次数itermax及非线性调和因子n等各个参数值,设种群数为P。由于模型有两个参数需要优化,所以位置pi的维度为2维,随机生成每个青蛙的位置pi=(pi1,pi2),置初始迭代次数iter=0;
(6.2)评估当前种群中每个杂草个体的适应度,标记种群最好适应度、最差适应度和最优个体;
(6.3)判断迭代次数是否达到itermax。若达到,终止算法;否则,跳转至步骤4;
(6.4)根据下式分别计算计算种群内个体繁殖的种子数目和更新当前迭代的标准差δ;
其中,fi表示第i个个体的适应度,fmax和fmin分别表示当前种群对应的最大和最小适应度,smax和smin分别表示杂草个体所能产生的最大和最小种子数目,floor(·)是向下取整函数,iter表示当前进化次数,itermax表示最大进化次数,δiter为当前标准差,δmax和δmin分别为种群初始状态时设定的最大值和最小值,n是非线性调和因子。
(6.5)按N(0,δ2)正态分布随机产生扩散值,并将其加入至当前种群;
(6.6)判断种群规模是否达到Nmax。若达到上限,跳转至步骤7;否则,跳转至步骤8;
(6.7)评估当前种群中所有个体的适应度,并按适应度大小进行排序,选择前Nmax个个体,淘汰剩余个体,标记最好适应度、最差适应度和最优个体;
(6.8)对每代最优个体执行Logistic搜索策略,然后跳转至步骤3;
其中Logistic搜索策略如下:
9)按下式将最优个体G投影到[0,1]范围内:
其中,Upnd和Dond分别为搜索空间的上界与下界;
10)将G'利用下式所示的Logistic映射公式迭代10次产生一组混沌序列
y=[y1,y2,y3,...,y10];
yn+1=μ×yn×(1-yn)
其中,当μ=4,y0≠0.5,混沌序列将遍历[0,1]。
11)将产生的混沌序列y通过下式投影原来的搜索空间
G”=y×(Upnd-Dond)+Dond
12)计算G”(i=1,2,...,10)的适应度值,如果G”中适应度最优个体的适应度优于G的适应度,则用它替代G;否则,用G”中适应度最优个体替代当前种群中适应度最差的个体。
其中,初始种群大小为10,最小种群规模为10,最大种群规模为100,杂草个体所能产生的最大和最小种子规模分别为1和10,种群初始状态设定的最小和最大值分别为100和0,最大迭代数100,非线性调和因子为3,搜索空间的上界与下界分别为100,0。
(7)在采样时刻t采集D个海杂波回波信号幅值得到TX=[xt-D+1,…,xt],xt-D+1表示第t-D+1采样时刻的海杂波回波信号幅值,xt表示第t采样时刻的海杂波回波信号幅值;
(8)进行归一化处理;
(9)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。
(10)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Qα:
其中,α是置信度,θ1,θ2,θ3,h0是中间变量,λj i表示协方差矩阵的第j个特征值的i次方,k是样本维数,Cα是正态分布置信度为α的统计;
(11)进行检测判断:当e2差值大于控制限Qα时,该点存在目标,否则没有目标。
(12)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。
由以上实施例可见,本发明建立了智能雷达海上目标检测系统和方法,可以在线检测雷达目标;且所用的检测方法只需较少样本即可;另外,减少了人为因素的影响,智能性高,鲁棒性强。
Claims (2)
1.一种基于改进入侵杂草优化算法的智能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、鲁棒预报模型建模模块、智能寻优模块、目标检测模块、模型更新模块以及结果显示模块:
所述数据预处理模块,用以进行雷达海杂波数据预处理,采用如下过程完成:
(1)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;
(2)从数据库中采集N个雷达海杂波回波信号幅值xi作为训练样本,i=1,...,N;
(3)对训练样本进行归一化处理,得到归一化幅值
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mi>min</mi>
<mi> </mi>
<mi>x</mi>
</mrow>
<mrow>
<mi>max</mi>
<mi> </mi>
<mi>x</mi>
<mo>-</mo>
<mi>min</mi>
<mi> </mi>
<mi>x</mi>
</mrow>
</mfrac>
</mrow>
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;
(4)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:
<mrow>
<mi>Y</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>D</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>D</mi>
<mo>+</mo>
<mn>2</mn>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mi>N</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
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;
所述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:
将数据预处理模块得到的X、Y代入如下线性方程:
<mrow>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<msubsup>
<mn>1</mn>
<mi>v</mi>
<mi>T</mi>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mn>1</mn>
<mi>v</mi>
</msub>
</mtd>
<mtd>
<mrow>
<mi>K</mi>
<mo>+</mo>
<msub>
<mi>V</mi>
<mi>&gamma;</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msup>
<mi>b</mi>
<mo>*</mo>
</msup>
</mtd>
</mtr>
<mtr>
<mtd>
<msup>
<mi>&alpha;</mi>
<mo>*</mo>
</msup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>Y</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中
权重因子vi由下式计算:
其中是误差变量ξi标准差的估计,c1,c2为常量;
求解得待估计函数f(x):
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msup>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>*</mo>
</msup>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mo>|</mo>
<mo>|</mo>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<mo>|</mo>
<mo>/</mo>
<msup>
<mi>&theta;</mi>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msup>
<mi>b</mi>
<mo>*</mo>
</msup>
</mrow>
其中,M是支持向量的数目,1v=[1,...,1]T,上标T表示矩阵的转置,是拉格朗日乘子,b*是偏置量,K=exp(-||xi-xj||/θ2),其中i=1,…,M,j=1,…,M,和exp(-||x-xi||/θ2)均为支持向量机的核函数,xj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;
所述智能寻优模块,用以采用改进入侵杂草优化算法对鲁棒预报模型的核参数θ和惩罚系数γ进行优化,采用如下过程完成:
(A)初始化改进入侵杂草优化算法的参数,设置最小种群规模Nmin、最大种群规模Nmax、杂草个体所能产生的最大种子规模smax、杂草个体所能产生的最小种子规模smin、种群初始状态时设定的最大值δmax、种群初始状态设定的最小值δmin、最大迭代次数itermax及非线性调和因子n等各个参数值,设种群数为P。由于模型有两个参数需要优化,所以位置pi的维度为2维,随机生成每个青蛙的位置pi=(pi1,pi2),置初始迭代次数iter=0;
(B)评估当前种群中每个杂草个体的适应度,标记种群最好适应度、最差适应度和最优个体;
(C)判断迭代次数是否达到itermax。若达到,终止算法;否则,跳转至步骤4;
(D)根据下式分别计算计算种群内个体繁殖的种子数目和更新当前迭代的标准差δ;
<mrow>
<msub>
<mi>sd</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mi>f</mi>
<mi>l</mi>
<mi>o</mi>
<mi>o</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>s</mi>
<mi>min</mi>
</msub>
<mo>+</mo>
<mfrac>
<mrow>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>f</mi>
<mi>min</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>f</mi>
<mi>max</mi>
</msub>
<mo>-</mo>
<msub>
<mi>f</mi>
<mi>min</mi>
</msub>
</mrow>
</mfrac>
<mo>(</mo>
<mrow>
<msub>
<mi>s</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>s</mi>
<mi>min</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&delta;</mi>
<mrow>
<mi>i</mi>
<mi>t</mi>
<mi>e</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>&delta;</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&delta;</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
<mo>*</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>iter</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<mi>i</mi>
<mi>t</mi>
<mi>e</mi>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mi>n</mi>
</msup>
</mrow>
<mrow>
<msubsup>
<mi>iter</mi>
<mi>max</mi>
<mi>n</mi>
</msubsup>
</mrow>
</mfrac>
<mo>+</mo>
<msub>
<mi>&delta;</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
其中,fi表示第i个个体的适应度,fmax和fmin分别表示当前种群对应的最大和最小适应度,smax和smin分别表示杂草个体所能产生的最大和最小种子数目,floor(·)是向下取整函数,iter表示当前进化次数,itermax表示最大进化次数,δiter为当前标准差,δmax和δmin分别为种群初始状态时设定的最大值和最小值,n是非线性调和因子。
(E)按N(0,δ2)正态分布随机产生扩散值,并将其加入至当前种群;
(F)判断种群规模是否达到Nmax。若达到上限,跳转至步骤7;否则,跳转至步骤8;
(G)评估当前种群中所有个体的适应度,并按适应度大小进行排序,选择前Nmax个个体,淘汰剩余个体,标记最好适应度、最差适应度和最优个体;
(H)对每代最优个体执行Logistic搜索策略,然后跳转至步骤(C);
其中Logistic搜索策略如下:
1)按下式将最优个体G投影到[0,1]范围内:
<mrow>
<msup>
<mi>G</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mfrac>
<mrow>
<mi>G</mi>
<mo>-</mo>
<mi>D</mi>
<mi>o</mi>
<mi>n</mi>
<mi>d</mi>
</mrow>
<mrow>
<mi>U</mi>
<mi>p</mi>
<mi>n</mi>
<mi>d</mi>
<mo>-</mo>
<mi>D</mi>
<mi>o</mi>
<mi>n</mi>
<mi>d</mi>
</mrow>
</mfrac>
</mrow>
其中,Upnd和Dond分别为搜索空间的上界与下界;
2)将G'利用下式所示的Logistic映射公式迭代10次产生一组混沌序列y=[y1,y2,y3,...,y10];
yn+1=μ×yn×(1-yn)
其中,当μ=4,y0≠0.5,混沌序列将遍历[0,1]。
3)将产生的混沌序列y通过下式投影原来的搜索空间
G”=y×(Upnd-Dond)+Dond
4)计算G”(i=1,2,...,10)的适应度值,如果G”中适应度最优个体的适应度优于G的适应度,则用它替代G;否则,用G”中适应度最优个体替代当前种群中适应度最差的个体。
其中,初始种群大小为10,最小种群规模为10,最大种群规模为100,杂草个体所能产生的最大和最小种子规模分别为1和10,种群初始状态设定的最小和最大值分别为100和0,最大迭代数100,非线性调和因子为3,搜索空间的上界与下界分别为100,0。
目标检测模块,用以进行目标检测,采用如下过程完成:
(a)在采样时刻t采集D个海杂波回波信号幅值得到TX=[xt-D+1,…,xt],TX表示海杂波从第t-D+1采样时刻到第t采样时刻的信号幅值矩阵,xt-D+1表示第t-D+1采样时刻的海杂波回波信号幅值,xt表示第t采样时刻的海杂波回波信号幅值;
(b)进行归一化处理;
<mrow>
<mover>
<mrow>
<mi>T</mi>
<mi>X</mi>
</mrow>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mrow>
<mi>T</mi>
<mi>X</mi>
<mo>-</mo>
<mi>min</mi>
<mi> </mi>
<mi>x</mi>
</mrow>
<mrow>
<mi>max</mi>
<mi> </mi>
<mi>x</mi>
<mo>-</mo>
<mi>min</mi>
<mi> </mi>
<mi>x</mi>
</mrow>
</mfrac>
</mrow>
(c)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。
(d)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Qα:
<mrow>
<msub>
<mi>Q</mi>
<mi>&alpha;</mi>
</msub>
<mo>=</mo>
<msub>
<mi>&theta;</mi>
<mn>1</mn>
</msub>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<msub>
<mi>C</mi>
<mi>&alpha;</mi>
</msub>
<msub>
<mi>h</mi>
<mn>0</mn>
</msub>
<msqrt>
<mrow>
<mn>2</mn>
<msub>
<mi>&theta;</mi>
<mn>2</mn>
</msub>
</mrow>
</msqrt>
</mrow>
<msub>
<mi>&theta;</mi>
<mn>1</mn>
</msub>
</mfrac>
<mo>+</mo>
<mn>1</mn>
<mo>+</mo>
<mfrac>
<mrow>
<msub>
<mi>&theta;</mi>
<mn>2</mn>
</msub>
<msub>
<mi>h</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>h</mi>
<mn>0</mn>
</msub>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>&theta;</mi>
<mn>2</mn>
</msub>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
<mfrac>
<mn>1</mn>
<msub>
<mi>h</mi>
<mn>0</mn>
</msub>
</mfrac>
</msup>
</mrow>
<mrow>
<msub>
<mi>&theta;</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msubsup>
<mi>&lambda;</mi>
<mi>j</mi>
<mi>i</mi>
</msubsup>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
</mrow>
<mrow>
<msub>
<mi>h</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<mrow>
<mn>2</mn>
<msub>
<mi>&theta;</mi>
<mn>1</mn>
</msub>
<msub>
<mi>&theta;</mi>
<mn>3</mn>
</msub>
</mrow>
<mrow>
<mn>3</mn>
<msubsup>
<mi>&theta;</mi>
<mn>2</mn>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
</mrow>
其中,α是置信度,θ1,θ2,θ3,h0是中间变量,λj i表示协方差矩阵的第j个特征值的i次方,k是样本维数,Cα是正态分布置信度为α的统计;
(e)进行检测判断:当e2差值大于控制限Qα时,该点存在目标,否则没有目标。
所述模型更新模块,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。
所述结果显示模块,用以将目标检测模块的检测结果在上位机显示。
2.一种权利要求1所述的基于改进入侵杂草优化算法的智能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)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;
(2)从数据库中采集N个雷达海杂波回波信号幅值xi作为训练样本,i=1,...,N;
(3)对训练样本进行归一化处理,得到归一化幅值
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mi>min</mi>
<mi> </mi>
<mi>x</mi>
</mrow>
<mrow>
<mi>max</mi>
<mi> </mi>
<mi>x</mi>
<mo>-</mo>
<mi>min</mi>
<mi> </mi>
<mi>x</mi>
</mrow>
</mfrac>
</mrow>
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;
(4)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:
<mrow>
<mi>Y</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>D</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>D</mi>
<mo>+</mo>
<mn>2</mn>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mi>N</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
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;
(5)将得到的X、Y代入如下线性方程:
<mrow>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<msubsup>
<mn>1</mn>
<mi>v</mi>
<mi>T</mi>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mn>1</mn>
<mi>v</mi>
</msub>
</mtd>
<mtd>
<mrow>
<mi>K</mi>
<mo>+</mo>
<msub>
<mi>V</mi>
<mi>&gamma;</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msup>
<mi>b</mi>
<mo>*</mo>
</msup>
</mtd>
</mtr>
<mtr>
<mtd>
<msup>
<mi>&alpha;</mi>
<mo>*</mo>
</msup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>Y</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中
权重因子vi由下式计算:
其中是误差变量ξi标准差的估计,c1,c2为常量;
求解得待估计函数f(x):
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msup>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>*</mo>
</msup>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mo>|</mo>
<mo>|</mo>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<mo>|</mo>
<mo>/</mo>
<msup>
<mi>&theta;</mi>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msup>
<mi>b</mi>
<mo>*</mo>
</msup>
</mrow>
其中,M是支持向量的数目,1v=[1,...,1]T,上标T表示矩阵的转置,是拉格朗日乘子,b*是偏置量,K=exp(-||xi-xj||/θ2),其中i=1,…,M,j=1,…,M,和exp(-||x-xi||/θ2)均为支持向量机的核函数,xj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;
(6)用改进入侵杂草优化算法对步骤4)的核参数θ和惩罚系数γ进行优化,采用如下过程完成:
(6.1)初始化改进入侵杂草优化算法的参数,设置最小种群规模Nmin、最大种群规模Nmax、杂草个体所能产生的最大种子规模smax、杂草个体所能产生的最小种子规模smin、种群初始状态时设定的最大值δmax、种群初始状态设定的最小值δmin、最大迭代次数itermax及非线性调和因子n等各个参数值,设种群数为P。由于模型有两个参数需要优化,所以位置pi的维度为2维,随机生成每个青蛙的位置pi=(pi1,pi2),置初始迭代次数iter=0;
(6.2)评估当前种群中每个杂草个体的适应度,标记种群最好适应度、最差适应度和最优个体;
(6.3)判断迭代次数是否达到itermax。若达到,终止算法;否则,跳转至步骤4;
(6.4)根据下式分别计算计算种群内个体繁殖的种子数目和更新当前迭代的标准差δ;
<mrow>
<msub>
<mi>sd</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mi>f</mi>
<mi>l</mi>
<mi>o</mi>
<mi>o</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>s</mi>
<mi>min</mi>
</msub>
<mo>+</mo>
<mfrac>
<mrow>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>f</mi>
<mi>min</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>f</mi>
<mi>max</mi>
</msub>
<mo>-</mo>
<msub>
<mi>f</mi>
<mi>min</mi>
</msub>
</mrow>
</mfrac>
<mo>(</mo>
<mrow>
<msub>
<mi>s</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>s</mi>
<mi>min</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&delta;</mi>
<mrow>
<mi>i</mi>
<mi>t</mi>
<mi>e</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>&delta;</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&delta;</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
<mo>*</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>iter</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<mi>i</mi>
<mi>t</mi>
<mi>e</mi>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mi>n</mi>
</msup>
</mrow>
<mrow>
<msubsup>
<mi>iter</mi>
<mi>max</mi>
<mi>n</mi>
</msubsup>
</mrow>
</mfrac>
<mo>+</mo>
<msub>
<mi>&delta;</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
其中,fi表示第i个个体的适应度,fmax和fmin分别表示当前种群对应的最大和最小适应度,smax和smin分别表示杂草个体所能产生的最大和最小种子数目,floor(·)是向下取整函数,iter表示当前进化次数,itermax表示最大进化次数,δiter为当前标准差,δmax和δmin分别为种群初始状态时设定的最大值和最小值,n是非线性调和因子。
(6.5)按N(0,δ2)正态分布随机产生扩散值,并将其加入至当前种群;
(6.6)判断种群规模是否达到Nmax。若达到上限,跳转至步骤7;否则,跳转至步骤8;
(6.7)评估当前种群中所有个体的适应度,并按适应度大小进行排序,选择前Nmax个个体,淘汰剩余个体,标记最好适应度、最差适应度和最优个体;
(6.8)对每代最优个体执行Logistic搜索策略,然后跳转至步骤3;
其中Logistic搜索策略如下:
1)按下式将最优个体G投影到[0,1]范围内:
<mrow>
<msup>
<mi>G</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mfrac>
<mrow>
<mi>G</mi>
<mo>-</mo>
<mi>D</mi>
<mi>o</mi>
<mi>n</mi>
<mi>d</mi>
</mrow>
<mrow>
<mi>U</mi>
<mi>p</mi>
<mi>n</mi>
<mi>d</mi>
<mo>-</mo>
<mi>D</mi>
<mi>o</mi>
<mi>n</mi>
<mi>d</mi>
</mrow>
</mfrac>
</mrow>
其中,Upnd和Dond分别为搜索空间的上界与下界;
2)将G'利用下式所示的Logistic映射公式迭代10次产生一组混沌序列y=[y1,y2,y3,...,y10];
yn+1=μ×yn×(1-yn)
其中,当μ=4,y0≠0.5,混沌序列将遍历[0,1]。
3)将产生的混沌序列y通过下式投影原来的搜索空间
G”=y×(Upnd-Dond)+Dond
4)计算G”(i=1,2,...,10)的适应度值,如果G”中适应度最优个体的适应度优于G的适应度,则用它替代G;否则,用G”中适应度最优个体替代当前种群中适应度最差的个体。
其中,初始种群大小为10,最小种群规模为10,最大种群规模为100,杂草个体所能产生的最大和最小种子规模分别为1和10,种群初始状态设定的最小和最大值分别为100和0,最大迭代数100,非线性调和因子为3,搜索空间的上界与下界分别为100,0。
(7)在采样时刻t采集D个海杂波回波信号幅值得到TX=[xt-D+1,…,xt],xt-D+1表示第t-D+1采样时刻的海杂波回波信号幅值,xt表示第t采样时刻的海杂波回波信号幅值;
(8)进行归一化处理;
<mrow>
<mover>
<mrow>
<mi>T</mi>
<mi>X</mi>
</mrow>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mrow>
<mi>T</mi>
<mi>X</mi>
<mo>-</mo>
<mi>min</mi>
<mi> </mi>
<mi>x</mi>
</mrow>
<mrow>
<mi>max</mi>
<mi> </mi>
<mi>x</mi>
<mo>-</mo>
<mi>min</mi>
<mi> </mi>
<mi>x</mi>
</mrow>
</mfrac>
</mrow>
(9)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。
(10)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Qα:
<mrow>
<msub>
<mi>Q</mi>
<mi>&alpha;</mi>
</msub>
<mo>=</mo>
<msub>
<mi>&theta;</mi>
<mn>1</mn>
</msub>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<msub>
<mi>C</mi>
<mi>&alpha;</mi>
</msub>
<msub>
<mi>h</mi>
<mn>0</mn>
</msub>
<msqrt>
<mrow>
<mn>2</mn>
<msub>
<mi>&theta;</mi>
<mn>2</mn>
</msub>
</mrow>
</msqrt>
</mrow>
<msub>
<mi>&theta;</mi>
<mn>1</mn>
</msub>
</mfrac>
<mo>+</mo>
<mn>1</mn>
<mo>+</mo>
<mfrac>
<mrow>
<msub>
<mi>&theta;</mi>
<mn>2</mn>
</msub>
<msub>
<mi>h</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>h</mi>
<mn>0</mn>
</msub>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>&theta;</mi>
<mn>2</mn>
</msub>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
<mfrac>
<mn>1</mn>
<msub>
<mi>h</mi>
<mn>0</mn>
</msub>
</mfrac>
</msup>
</mrow>
<mrow>
<msub>
<mi>&theta;</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msubsup>
<mi>&lambda;</mi>
<mi>j</mi>
<mi>i</mi>
</msubsup>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
</mrow>
<mrow>
<msub>
<mi>h</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<mrow>
<mn>2</mn>
<msub>
<mi>&theta;</mi>
<mn>1</mn>
</msub>
<msub>
<mi>&theta;</mi>
<mn>3</mn>
</msub>
</mrow>
<mrow>
<mn>3</mn>
<msubsup>
<mi>&theta;</mi>
<mn>2</mn>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
</mrow>
其中,α是置信度,θ1,θ2,θ3,h0是中间变量,λj i表示协方差矩阵的第j个特征值的i次方,k是样本维数,Cα是正态分布置信度为α的统计;
(11)进行检测判断:当e2差值大于控制限Qα时,该点存在目标,否则没有目标。
(12)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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711115260.3A CN107907868A (zh) | 2017-11-13 | 2017-11-13 | 一种基于改进入侵杂草优化算法的智能雷达海上目标检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711115260.3A CN107907868A (zh) | 2017-11-13 | 2017-11-13 | 一种基于改进入侵杂草优化算法的智能雷达海上目标检测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107907868A true CN107907868A (zh) | 2018-04-13 |
Family
ID=61845111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711115260.3A Pending CN107907868A (zh) | 2017-11-13 | 2017-11-13 | 一种基于改进入侵杂草优化算法的智能雷达海上目标检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107907868A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080007450A1 (en) * | 2006-07-07 | 2008-01-10 | Jonathan Yedidia | Method and system for determining unwrapped phases from noisy two-dimensional wrapped-phase images |
CN102147463A (zh) * | 2011-03-03 | 2011-08-10 | 浙江大学 | 一种群智雷达海杂波预报系统及方法 |
CN102147465A (zh) * | 2011-03-03 | 2011-08-10 | 浙江大学 | 一种混沌寻优雷达海上目标检测系统及方法 |
CN102147464A (zh) * | 2011-03-03 | 2011-08-10 | 浙江大学 | 一种鲁棒智能雷达海杂波预报系统及方法 |
CN102183749A (zh) * | 2011-03-03 | 2011-09-14 | 浙江大学 | 一种自适应雷达海上目标检测系统及方法 |
-
2017
- 2017-11-13 CN CN201711115260.3A patent/CN107907868A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080007450A1 (en) * | 2006-07-07 | 2008-01-10 | Jonathan Yedidia | Method and system for determining unwrapped phases from noisy two-dimensional wrapped-phase images |
CN102147463A (zh) * | 2011-03-03 | 2011-08-10 | 浙江大学 | 一种群智雷达海杂波预报系统及方法 |
CN102147465A (zh) * | 2011-03-03 | 2011-08-10 | 浙江大学 | 一种混沌寻优雷达海上目标检测系统及方法 |
CN102147464A (zh) * | 2011-03-03 | 2011-08-10 | 浙江大学 | 一种鲁棒智能雷达海杂波预报系统及方法 |
CN102183749A (zh) * | 2011-03-03 | 2011-09-14 | 浙江大学 | 一种自适应雷达海上目标检测系统及方法 |
Non-Patent Citations (2)
Title |
---|
刘燕: "入侵杂草优化算法在阵列天线综合中的应用", 《中国博士学位论文全文数据库 信息科技辑》 * |
郑严: "基于智能算法的结构可靠性分析及优化设计研究", 《中国硕士学位论文全文数据库 信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102147465B (zh) | 一种混沌寻优雷达海上目标检测系统及方法 | |
CN102183749B (zh) | 一种自适应雷达海上目标检测系统及方法 | |
CN107942312A (zh) | 一种基于差分进化入侵杂草优化算法的智能雷达海上目标检测系统及方法 | |
CN102147464B (zh) | 一种鲁棒智能雷达海杂波预报系统及方法 | |
CN102147463B (zh) | 一种群智雷达海杂波预报系统及方法 | |
CN107656250A (zh) | 一种基于人工蜂群算法的智能雷达海上目标检测系统及方法 | |
CN108983179A (zh) | 一种群智能敏捷的雷达海上目标检测系统 | |
CN107703491A (zh) | 基于改进的果蝇优化算法优化rbf神经网络的海杂波最优软测量仪表及方法 | |
CN107656251A (zh) | 一种基于改进入侵杂草优化算法的智能雷达海杂波预报系统及方法 | |
CN102183745B (zh) | 一种智能雷达海杂波预报系统及方法 | |
CN108983178A (zh) | 一种敏捷自适应的智能雷达海上目标检测系统 | |
CN107942300A (zh) | 一种基于改进人工蜂群算法的智能雷达海上目标检测系统及方法 | |
CN108983181A (zh) | 一种群智寻优的雷达海上目标检测系统 | |
CN102183751B (zh) | 一种智能雷达海上目标检测系统及方法 | |
CN102183746B (zh) | 一种雷达海上目标检测系统及方法 | |
CN107942303A (zh) | 一种基于改进人工蜂群算法的智能雷达海杂波预报系统及方法 | |
CN107976662A (zh) | 一种基于入侵杂草优化算法的智能雷达海上目标检测系统及方法 | |
CN102183754B (zh) | 一种鲁棒智能雷达海上目标检测系统及方法 | |
CN107976661A (zh) | 一种基于差分进化入侵杂草优化算法的智能雷达海杂波预报系统及方法 | |
CN107907868A (zh) | 一种基于改进入侵杂草优化算法的智能雷达海上目标检测系统及方法 | |
CN102183752B (zh) | 一种自适应雷达海杂波预报系统及方法 | |
CN107942302A (zh) | 一种基于入侵杂草优化算法的智能雷达海杂波预报系统及方法 | |
CN102183744B (zh) | 一种群智雷达海上目标检测系统及方法 | |
CN107818224A (zh) | 基于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 | |
CN107894584A (zh) | 一种基于混合人工蜂群算法的智能雷达海上目标检测系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180413 |