CN107942311A - 一种基于人工蜂群算法的智能雷达海杂波预报系统及方法 - Google Patents
一种基于人工蜂群算法的智能雷达海杂波预报系统及方法 Download PDFInfo
- Publication number
- CN107942311A CN107942311A CN201711115264.1A CN201711115264A CN107942311A CN 107942311 A CN107942311 A CN 107942311A CN 201711115264 A CN201711115264 A CN 201711115264A CN 107942311 A CN107942311 A CN 107942311A
- Authority
- CN
- China
- Prior art keywords
- mrow
- mtd
- mtr
- msub
- sea clutter
- 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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/414—Discriminating targets with respect to background clutter
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于人工蜂群算法的智能雷达海杂波预报系统及方法，系统由雷达、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、海杂波预报模块、判别模型更新模块以及结果显示模块。本发明针对雷达海杂波特性对雷达海杂波数据进行重构，引入人工蜂群算法方法从而建立雷达海杂波的智能预报模型，从而可以在线预测雷达海杂波。本发明提供一种避免人为因素影响、智能性高的基于人工蜂群算法的智能雷达海杂波预报系统及方法。
Description
技术领域
本发明涉及雷达数据处理领域，特别地，涉及一种基于人工蜂群算法的智能雷达海杂波预报系统及方法。
背景技术
海杂波，即来自于被雷达发射信号照射的一片海面的后向散射回波。由于海杂波对来自海面或接近海面的“点”目标，如航海浮标及漂浮在海上的冰块等目标的雷达回波的可检测性形成严重制约，因此海杂波的研究对海洋背景中轮船等目标的探测性能具有十分重要的影响从而具有重要理论意义和实用价值。
习惯上海杂波被视为单一随机过程，如对数正态分布、K分布等。然而这些模型在实际应用中都有其特定的局限性，其中一个重要原因是海杂波看似随机的波形，实际上并不具有随机分布特性。
发明内容
为了克服传统雷达数据处理的易受人为因素影响、智能性不足的缺点，本发明提供一种避免人为因素影响、智能性高的基于人工蜂群算法的智能雷达海杂波预报系统及方法。
本发明解决其技术问题所采用的技术方案是：
一种基于人工蜂群算法的智能雷达海杂波预报系统，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xi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
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：
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：
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，采用人工蜂群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：初始化人工蜂群算法的参数，设蜜源数P，最大迭代数itermax，初始搜索空间的最小值和最大值Ld和Ud；蜜源的位置表示问题的可行解，由于模型有两个参数需要优化，所以位置pi的维度为2维，按下式随机生成蜜源的位置pi＝(pi1,pi2)，置初始迭代次数iter＝0；
pij＝Ld+rand()*(Ud-Ld)(i＝1,2,...,P,j＝1,2)
步骤2：为蜜源pi分配一只引领蜂，按下式进行搜索，产生新蜜源Vi；
步骤3：计算Vi的适应度值，根据贪婪选择的方法确定保留的蜜源；
步骤4：计算引领蜂找到的蜜源被更随的概率；
步骤5：跟随蜂采用与引领蜂相同的方式进行搜索，根据贪婪选择的方法确定保留的蜜源；
步骤6：判断蜜源Vi是否满足被放弃的条件，如满足，对应的引领蜂角色变为侦察蜂，否则直接转到步骤8；
步骤7：侦察蜂随机产生新蜜源；
步骤8：iter＝iter+1，判断是否已经达到最大迭代次数，若满足则输出最优参数，否则转到步骤2。
其中，蜜源数为100，初始搜索空间的最小值和最大值0和100，最大迭代次数100。
海杂波预报模块，用以进行海杂波预测，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。
所述判别模型更新模块，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。
所述结果显示模块，用以将海杂波预报模块计算得到的预报值在上位机显示。
一种基于人工蜂群算法的智能雷达海杂波预报系统所使用的雷达海杂波预报方法，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,K＝exp(-||xi-xj||/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-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)用人工蜂群算法对步骤4)的核参数θ和惩罚系数γ进行优化，采用如下过程完成：
步骤1：初始化人工蜂群算法的参数，设蜜源数P，最大迭代数itermax，初始搜索空间的最小值和最大值Ld和Ud；蜜源的位置表示问题的可行解，由于模型有两个参数需要优化，所以位置pi的维度为2维，按下式随机生成蜜源的位置pi＝(pi1,pi2)，置初始迭代次数iter＝0；
pij＝Ld+rand()*(Ud-Ld)(i＝1,2,...,P,j＝1,2)
步骤2：为蜜源pi分配一只引领蜂，按下式进行搜索，产生新蜜源Vi；
步骤3：计算Vi的适应度值，根据贪婪选择的方法确定保留的蜜源；
步骤4：计算引领蜂找到的蜜源被更随的概率；
步骤5：跟随蜂采用与引领蜂相同的方式进行搜索，根据贪婪选择的方法确定保留的蜜源；
步骤6：判断蜜源Vi是否满足被放弃的条件，如满足，对应的引领蜂角色变为侦察蜂，否则直接转到步骤8；
步骤7：侦察蜂随机产生新蜜源；
步骤8：iter＝iter+1，判断是否已经达到最大迭代次数，若满足则输出最优参数，否则转到步骤2。
其中，蜜源数为100，初始搜索空间的最小值和最大值0和100，最大迭代次数100。
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(5)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)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，引入人工蜂群算法方法，从而建立雷达海杂波的智能预报模型。
本发明的有益效果主要表现在：1、建立了雷达海杂波预报模型，可以在线预测雷达海杂波；2、所用的建模方法只需较少样本即可；3、减少了人为因素的影响，智能性高，鲁棒性强。
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2，一种基于人工蜂群算法的智能雷达海杂波预报系统，包括雷达1连接的数据库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5，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；
所述智能寻优模块6，用以采用人工蜂群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：初始化人工蜂群算法的参数，设蜜源数P，最大迭代数itermax，初始搜索空间的最小值和最大值Ld和Ud；蜜源的位置表示问题的可行解，由于模型有两个参数需要优化，所以位置pi的维度为2维，按下式随机生成蜜源的位置pi＝(pi1,pi2)，置初始迭代次数iter＝0；
pij＝Ld+rand()*(Ud-Ld)(i＝1,2,...,P,j＝1,2)
步骤2：为蜜源pi分配一只引领蜂，按下式进行搜索，产生新蜜源Vi；
步骤3：计算Vi的适应度值，根据贪婪选择的方法确定保留的蜜源；
步骤4：计算引领蜂找到的蜜源被更随的概率；
步骤5：跟随蜂采用与引领蜂相同的方式进行搜索，根据贪婪选择的方法确定保留的蜜源；
步骤6：判断蜜源Vi是否满足被放弃的条件，如满足，对应的引领蜂角色变为侦察蜂，否则直接转到步骤8；
步骤7：侦察蜂随机产生新蜜源；
步骤8：iter＝iter+1，判断是否已经达到最大迭代次数，若满足则输出最优参数，否则转到步骤2。
其中，蜜源数为100，初始搜索空间的最小值和最大值0和100，最大迭代次数100。
海杂波预报模块7，用以进行海杂波预测，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。
判别模型更新模块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，用以将海杂波预报模块计算得到的预报值在上位机显示。
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，显示设置的参数和运行结果。
实施例2
参照图1、图2，一种基于人工蜂群算法的智能雷达海杂波预报方法，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xi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
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：
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：
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；
5)用人工蜂群算法对步骤4)的核参数θ和惩罚系数γ进行优化，采用如下过程完成：
步骤1：初始化人工蜂群算法的参数，设蜜源数P，最大迭代数itermax，初始搜索空间的最小值和最大值Ld和Ud；蜜源的位置表示问题的可行解，由于模型有两个参数需要优化，所以位置pi的维度为2维，按下式随机生成蜜源的位置pi＝(pi1,pi2)，置初始迭代次数iter＝0；
pij＝Ld+rand()*(Ud-Ld)(i＝1,2,...,P,j＝1,2)
步骤2：为蜜源pi分配一只引领蜂，按下式进行搜索，产生新蜜源Vi；
步骤3：计算Vi的适应度值，根据贪婪选择的方法确定保留的蜜源；
步骤4：计算引领蜂找到的蜜源被更随的概率；
步骤5：跟随蜂采用与引领蜂相同的方式进行搜索，根据贪婪选择的方法确定保留的蜜源；
步骤6：判断蜜源Vi是否满足被放弃的条件，如满足，对应的引领蜂角色变为侦察蜂，否则直接转到步骤8；
步骤7：侦察蜂随机产生新蜜源；
步骤8：iter＝iter+1，判断是否已经达到最大迭代次数，若满足则输出最优参数，否则转到步骤2。
其中，蜜源数为100，初始搜索空间的最小值和最大值0和100，最大迭代次数100。
6)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；
7)进行归一化处理；
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)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。
所述的方法还包括：在所述的步骤8)中，将计算得到的海杂波预报值在上位机显示。
由以上实施例可见，本发明建立雷达海杂波预报模型，可以在线预测雷达海杂波；由于采用人工蜂群智能算法，减少了人为因素的影响，智能性高，鲁棒性强。
Claims (2)
1.一种基于人工蜂群算法的智能雷达海杂波预报系统，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、海杂波预报模块、判别模型更新模块和结果显示模块；
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)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；
(2)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；
(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：
<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>
<mtable>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
</mtable>
</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>
<mi>&Sigma;</mi>
<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，用以采用人工蜂群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)：初始化人工蜂群算法的参数，设蜜源数P，最大迭代数itermax，初始搜索空间的最小值和最大值Ld和Ud；蜜源的位置表示问题的可行解，由于模型有两个参数需要优化，所以位置pi的维度为2维，按下式随机生成蜜源的位置pi＝(pi1,pi2)，置初始迭代次数iter＝0；
pij＝Ld+rand()*(Ud-Ld) (i＝1,2,...,P,j＝1,2)
(B)：为蜜源pi分配一只引领蜂，按下式进行搜索，产生新蜜源Vi；
(C)：计算Vi的适应度值，根据贪婪选择的方法确定保留的蜜源；
(D)：计算引领蜂找到的蜜源被更随的概率；
(E)：跟随蜂采用与引领蜂相同的方式进行搜索，根据贪婪选择的方法确定保留的蜜源；
(F)：判断蜜源Vi是否满足被放弃的条件，如满足，对应的引领蜂角色变为侦察蜂，否则直接转到步骤(H)；
(G)：侦察蜂随机产生新蜜源；
(H)：iter＝iter+1，判断是否已经达到最大迭代次数，若满足则输出最优参数，否则转到步骤(B)。
其中，蜜源数为100，初始搜索空间的最小值和最大值0和100，最大迭代次数100。
所述海杂波预报模块，用以进行海杂波预测，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。
所述判别模型更新模块，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。
所述结果显示模块，用以将海杂波预报模块计算得到的预报值在上位机显示。
2.一种权利要求1所述的基于人工蜂群算法的智能雷达海杂波预报系统的雷达海杂波预报方法，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>
<mtable>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
</mtable>
</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>
<mi>&Sigma;</mi>
<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)用人工蜂群算法对步骤4)的核参数θ和惩罚系数γ进行优化，采用如下过程完成：
(6.1)：初始化人工蜂群算法的参数，设蜜源数P，最大迭代数itermax，初始搜索空间的最小值和最大值Ld和Ud；蜜源的位置表示问题的可行解，由于模型有两个参数需要优化，所以位置pi的维度为2维，按下式随机生成蜜源的位置pi＝(pi1,pi2)，置初始迭代次数iter＝0；
pij＝Ld+rand()*(Ud-Ld) (i＝1,2,...,P,j＝1,2)
(6.2)：为蜜源pi分配一只引领蜂，按下式进行搜索，产生新蜜源Vi；
(6.3)：计算Vi的适应度值，根据贪婪选择的方法确定保留的蜜源；
(6.4)：计算引领蜂找到的蜜源被更随的概率；
(6.5)：跟随蜂采用与引领蜂相同的方式进行搜索，根据贪婪选择的方法确定保留的蜜源；
(7)：判断蜜源Vi是否满足被放弃的条件，如满足，对应的引领蜂角色变为侦察蜂，否则直接转到步骤8；
(8)：侦察蜂随机产生新蜜源；
(9)：iter＝iter+1，判断是否已经达到最大迭代次数，若满足则输出最优参数，否则转到步骤2。
其中，蜜源数为100，初始搜索空间的最小值和最大值0和100，最大迭代次数100。
(10)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；
(11)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>
(12)代入步骤(5)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。
(13)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 |
|---|---|---|---|
| CN201711115264.1A CN107942311A (zh) | 2017-11-13 | 2017-11-13 | 一种基于人工蜂群算法的智能雷达海杂波预报系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711115264.1A CN107942311A (zh) | 2017-11-13 | 2017-11-13 | 一种基于人工蜂群算法的智能雷达海杂波预报系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107942311A true CN107942311A (zh) | 2018-04-20 |
Family
ID=61933947
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711115264.1A Pending CN107942311A (zh) | 2017-11-13 | 2017-11-13 | 一种基于人工蜂群算法的智能雷达海杂波预报系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107942311A (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 CN201711115264.1A patent/CN107942311A/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 (1)
| Title |
|---|
| 张鹏: "多蜂群协同进化算法及其应用研究", 《中国硕士学位论文全文数据库 信息科技辑》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102147464B (zh) | 一种鲁棒智能雷达海杂波预报系统及方法 | |
| CN102147465B (zh) | 一种混沌寻优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 | |
| CN110275148A (zh) | 一种海杂波幅度分布参数估计方法及系统 | |
| Elnesr et al. | Simulation of water distribution under surface dripper using artificial neural networks | |
| CN108983177A (zh) | 一种参数最优的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 | |
| CN108983180A (zh) | 一种群智能高精度的雷达海杂波预报系统 | |
| 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 | |
| CN102183745A (zh) | 一种智能雷达海杂波预报系统及方法 | |
| 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 | |
| CN114862596A (zh) | 农作物银行贷款数据风险分析方法及装置 | |
| 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 | |
| CN108629382A (zh) | 一种群智优化sar雷达海上舰船目标识别系统 | |
| CN108983181A (zh) | 一种群智寻优的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 | |
| CN108983178A (zh) | 一种敏捷自适应的智能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 | |
| CN107942311A (zh) | 一种基于人工蜂群算法的智能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 | |
| CN102183754B (zh) | 一种鲁棒智能雷达海上目标检测系统及方法 | |
| 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 | |
| CN102183752B (zh) | 一种自适应雷达海杂波预报系统及方法 |
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: 20180420 |