CN107976661A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN107976661A CN107976661A CN201711116290.6A CN201711116290A CN107976661A CN 107976661 A CN107976661 A CN 107976661A CN 201711116290 A CN201711116290 A CN 201711116290A CN 107976661 A CN107976661 A CN 107976661A
- 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
- G01S7/41—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
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- 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
- G01S7/40—Means for monitoring or calibrating
- G01S7/4052—Means for monitoring or calibrating by simulation of echoes
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了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,系统由雷达、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、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,引入差分进化入侵杂草算法方法,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。本发明所用的建模方法只需较少样本即可;且减少了人为因素的影响,智能性高,鲁棒性强。
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。
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。
本发明解决其技术问题所采用的技术方案是:
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,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;
所述智能寻优模块,用以采用差分进化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):初始化差分进化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(D);
(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;
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):对步骤(D)所产生的种子做差分进化操作,具体过程如下:
3)种子变异操作。对杂草所繁殖的种子按下式进行变异操作:
Ui=Xi1+F(Xi2-Xi3)
其中,Xi1,Xi2,Xi3是杂草xi所繁殖的互不相同的3个种子,F是缩放比例因子。
2)种子交叉操作。该操作可以进一步提高种群的多样性:
其中,CR为交叉概率。
3)竞争选择操作。交叉后的种子按下式进行选择操作:
(F):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;
(G):判断种群规模是否达到Nmax。若达到上限,跳转至步骤(H);否则,跳转至步骤(B);
(H):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,然后跳转至步骤(C)。
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。
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;
(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。
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
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)用差分进化入侵杂草优化算法对步骤(5)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):初始化差分进化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(6.4);
(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):对步骤(6.4)所产生的种子做差分进化操作,具体过程如下:
4)种子变异操作。对杂草所繁殖的种子按下式进行变异操作:
Ui=Xi1+F(Xi2-Xi3)
其中,Xi1,Xi2,Xi3是杂草xi所繁殖的互不相同的3个种子,F是缩放比例因子。
2)种子交叉操作。该操作可以进一步提高种群的多样性:
其中,CR为交叉概率。
3)竞争选择操作。交叉后的种子按下式进行选择操作:
(6.6):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;
(6.7):判断种群规模是否达到Nmax。若达到上限,跳转至步骤(6.7);否则,跳转至步骤(6.2);
(6.8):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,然后跳转至步骤(6.3)。
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。
(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)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,引入差分进化入侵杂草优化算法方法,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2,一种基于差分进化入侵杂草优化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)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:
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,用以采用差分进化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:初始化差分进化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:对步骤4所产生的种子做差分进化操作,具体过程如下:
5)种子变异操作。对杂草所繁殖的种子按下式进行变异操作:
Ui=Xi1+F(Xi2-Xi3)
其中,Xi1,Xi2,Xi3是杂草xi所繁殖的互不相同的3个种子,F是缩放比例因子。
2)种子交叉操作。该操作可以进一步提高种群的多样性:
其中,CR为交叉概率。
3)竞争选择操作。交叉后的种子按下式进行选择操作:
步骤6: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7: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2;
步骤8: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,然后跳转至步骤3。
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。
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2,一种基于差分进化入侵杂草优化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)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;
所述智能寻优模块,用以采用差分进化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):初始化差分进化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(D);
(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;
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):对步骤(D)所产生的种子做差分进化操作,具体过程如下:
6)种子变异操作。对杂草所繁殖的种子按下式进行变异操作:
Ui=Xi1+F(Xi2-Xi3)
其中,Xi1,Xi2,Xi3是杂草xi所繁殖的互不相同的3个种子,F是缩放比例因子。
2)种子交叉操作。该操作可以进一步提高种群的多样性:
其中,CR为交叉概率。
3)竞争选择操作。交叉后的种子按下式进行选择操作:
(F):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;
(G):判断种群规模是否达到Nmax。若达到上限,跳转至步骤(H);否则,跳转至步骤(B);
(H):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,然后跳转至步骤(C)。
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。
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;
(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。
所述的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
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)用差分进化入侵杂草优化算法对步骤(5)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):初始化差分进化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(6.4);
(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):对步骤(6.4)所产生的种子做差分进化操作,具体过程如下:
7)种子变异操作。对杂草所繁殖的种子按下式进行变异操作:
Ui=Xi1+F(Xi2-Xi3)
其中,Xi1,Xi2,Xi3是杂草xi所繁殖的互不相同的3个种子,F是缩放比例因子。
2)种子交叉操作。该操作可以进一步提高种群的多样性:
其中,CR为交叉概率。
3)竞争选择操作。交叉后的种子按下式进行选择操作:
(6.6):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;
(6.7):判断种群规模是否达到Nmax。若达到上限,跳转至步骤(6.7);否则,跳转至步骤(6.2);
(6.8):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,然后跳转至步骤(6.3)。
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。
(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)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,本发明建立了雷达海杂波预报模型,可以在线预测雷达海杂波;且所用的建模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)
1.一种基于差分进化入侵杂草优化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)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,用以采用差分进化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):初始化差分进化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(D);
(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):对步骤(D)所产生的种子做差分进化操作,具体过程如下:
1)种子变异操作。对杂草所繁殖的种子按下式进行变异操作:
Ui=Xi1+F(Xi2-Xi3)
其中,Xi1,Xi2,Xi3是杂草xi所繁殖的互不相同的3个种子,F是缩放比例因子。
2)种子交叉操作。该操作可以进一步提高种群的多样性:
<mrow>
<msub>
<mi>v</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msub>
<mi>u</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mtd>
<mtd>
<mrow>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<mi>C</mi>
<mi>R</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mtd>
<mtd>
<mrow>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>></mo>
<mi>C</mi>
<mi>R</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,CR为交叉概率。
3)竞争选择操作。交叉后的种子按下式进行选择操作:
<mrow>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
</mtd>
<mtd>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
</mtd>
<mtd>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>></mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
(F):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;
(G):判断种群规模是否达到Nmax。若达到上限,跳转至步骤(H);否则,跳转至步骤(B);
(H):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,然后跳转至步骤(C)。
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。
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所述的基于差分进化入侵杂草优化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>
<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)用差分进化入侵杂草优化算法对步骤(5)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):初始化差分进化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(6.4);
(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):对步骤(6.4)所产生的种子做差分进化操作,具体过程如下:
2)种子变异操作。对杂草所繁殖的种子按下式进行变异操作:
Ui=Xi1+F(Xi2-Xi3)
其中,Xi1,Xi2,Xi3是杂草xi所繁殖的互不相同的3个种子,F是缩放比例因子。
2)种子交叉操作。该操作可以进一步提高种群的多样性:
<mrow>
<msub>
<mi>v</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msub>
<mi>u</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mtd>
<mtd>
<mrow>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<mi>C</mi>
<mi>R</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mtd>
<mtd>
<mrow>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>></mo>
<mi>C</mi>
<mi>R</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,CR为交叉概率。
3)竞争选择操作。交叉后的种子按下式进行选择操作:
<mrow>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
</mtd>
<mtd>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
</mtd>
<mtd>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>></mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
(6.6):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;
(6.7):判断种群规模是否达到Nmax。若达到上限,跳转至步骤(6.7);否则,跳转至步骤(6.2);
(6.8):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,然后跳转至步骤(6.3)。
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。
(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)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 |
---|---|---|---|
CN201711116290.6A CN107976661A (zh) | 2017-11-13 | 2017-11-13 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711116290.6A CN107976661A (zh) | 2017-11-13 | 2017-11-13 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107976661A true CN107976661A (zh) | 2018-05-01 |
Family
ID=62013452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711116290.6A Pending CN107976661A (zh) | 2017-11-13 | 2017-11-13 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107976661A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109031228A (zh) * | 2018-06-28 | 2018-12-18 | 浙江大学 | 一种敏捷的雷达海杂波预报系统 |
CN110096794A (zh) * | 2019-04-29 | 2019-08-06 | 北京石油化工学院 | 一种倒u型槽最佳安全高度的获取方法 |
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 CN201711116290.6A patent/CN107976661A/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》 * |
王冰: "人工蜂群算法的改进及相关应用的研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109031228A (zh) * | 2018-06-28 | 2018-12-18 | 浙江大学 | 一种敏捷的雷达海杂波预报系统 |
CN110096794A (zh) * | 2019-04-29 | 2019-08-06 | 北京石油化工学院 | 一种倒u型槽最佳安全高度的获取方法 |
CN110096794B (zh) * | 2019-04-29 | 2023-07-25 | 北京石油化工学院 | 一种倒u型槽最佳安全高度的获取方法 |
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 | |
CN102147463B (zh) | 一种群智雷达海杂波预报系统及方法 | |
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 | |
Liu et al. | Prediction of dissolved oxygen content in river crab culture based on least squares support vector regression optimized by improved particle swarm optimization | |
Khoshnevisan et al. | Application of multi-layer adaptive neuro-fuzzy inference system for estimation of greenhouse strawberry yield | |
CN102147465B (zh) | 一种混沌寻优雷达海上目标检测系统及方法 | |
CN103577694B (zh) | 一种基于多尺度分析的水产养殖水质短期组合预测方法 | |
CN106651012A (zh) | 一种基于改进极限学习机的作物蒸腾量预测方法 | |
Niu et al. | Model turbine heat rate by fast learning network with tuning based on ameliorated krill herd algorithm | |
CN107657098A (zh) | 基于量子鸡群演化机制的环形天线阵列稀疏方法 | |
CN107705556A (zh) | 一种基于支持向量机和bp神经网络结合的交通流预测方法 | |
CN108983177A (zh) | 一种参数最优的雷达海杂波预报系统及方法 | |
CN107480829A (zh) | 一种短期电价预测方法、装置及系统 | |
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 | |
CN107958309A (zh) | 一种高坝多点变形性态联合预报方法 | |
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 | |
CN110414115A (zh) | 一种基于遗传算法的小波神经网络番茄产量预测方法 | |
CN107633294A (zh) | 一种应用于RBF 神经网络的改进Sobol 敏感性分析方法 | |
CN102183745A (zh) | 一种智能雷达海杂波预报系统及方法 | |
Xi et al. | Calibrating RZWQM2 model using quantum-behaved particle swarm optimization algorithm | |
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 | |
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 | |
CN114444755A (zh) | 一种风电短期功率预测方法、装置及可读存储介质 | |
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 | |
Raza et al. | Comparative study of powerful predictive modeling techniques for modeling monthly reference evapotranspiration in various climatic regions |
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: 20180501 |