CN108983177A - 一种参数最优的雷达海杂波预报系统及方法 - Google Patents

Abstract

本发明公开了一种参数最优的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，雷达对所检测海域进行照射，并将雷达海杂波数据储存到数据库中，上位机对数据库中的海杂波数据进行建模预报；所述的上位机包括数据预处理模块、小波神经网络建模模块、差分进化算法优化模块、海杂波预报模块、判别模型更新模块以及结果显示模块。以及提出了一种基于差分进化算法优化小波神经网络的雷达海杂波预报方法。本发明提供一种参数最优、模型自动更新、抗噪音干扰能力强的雷达海杂波预报系统及方法。

Description

一种参数最优的雷达海杂波预报系统及方法

技术领域

本发明涉及雷达数据处理领域，特别地，涉及一种参数最优的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

为了克服传统雷达海杂波预报方法模型参数选择对预报效果的影响、抗噪音干扰能力弱的不足，本发明提供一种参数最优、模型自动更新、抗噪音干扰能力强的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：一种参数最优的雷达海杂波预报系统，包括雷达、数据库以及上位机；所述的上位机包括数据预处理模块、小波神经网络建模模块、差分进化算法优化模块、海杂波预报模块、判别模型更新模块以及结果显示模块，其中：

数据预处理模块：对数据库输入的雷达海杂波数据进行预处理，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＝1,2,…,N；

(2)对训练样本进行归一化处理，得到归一化幅值

其中，min x表示训练样本中的最小值，max x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。

小波神经网络建模模块：用以建立预报模型，采用如下过程完成：

设x＝(x₁,x₂,…,x_n)^T是小波神经网络的输入向量，y＝(y₁,y₂,…,y_m)^T表示小波神经网络的预测输出。对于多变量过程的建模，我们定义如下的多维小波函数：

其中，Ψ_i(x)为隐含层第i个节点输出值，ψ为小波基函数，b_i＝(b_ij)和a_i＝(a_ij)分别表示小波基函数ψ的平移因子和缩放因子。采用的小波基函数为Morlet母小波基函数：

其中，

计算小波神经网络的输出：

其中，ω_ik是隐含层和输出层的连接权值，M表示隐含层节点的数目，m表示输出层节点的数目。

小波神经网络权值参数修正算法类似于BP神经网络权值修正算法，采用梯度修正法修正网络的权值和小波基函数的参数，从而使小波神经网络预测输出不断逼近期望输出。小波神经网络修正过程如下：

首先，计算网络的预测误差

其中，yn(k)为期望输出，y(k)为小波神经网络的预测输出。

然后，根据预测误差e修正小波神经网络的权值和小波基函数参数：

其中，是根据网络预测误差计算得到：

其中，η为学习速率，θ为动量因子。

差分进化算法优化模块：用于采用差分进化算法对小波神经网络预报模型的网络结构参数进行优化，包括：

(1)算法初始化，在问题的可行解空间对种群进行初始化个体X_i(k)＝[x_i,1(k),x_i,2(k),…,x_i,D(k)]，i＝1,2,…,N_p表征问题的解，D为解空间的维数，k表示迭代次数，N_p为种群数目。初始化种群应该尽可能多地覆盖整个搜索空间，并在规定的最小和最大参数边界限制的搜索空间内对个体进行一致随机化，设定最小和最大边界分别为X_min＝{x_min,1,…,x_min,D}和X_max＝{x_max,1,…,x_max,D}。在迭代次数k＝1时，第i个个体的第j个组分的初始值按下式产生：

x_i,j(0)＝x_min,j+rand(0,1)·(x_max,j-x_min,j) (7)

其中rand(0,1)是0到1之间均匀分布的随机数。

(2)变异操作。对种群进行初始化之后，对于每个个体X_i(k)相应地会产生一个变异向量V_i(k)＝[v_i,1(k),v_i,2(k),…,v_i,D(k)]，个体X_i(k)也称为目标向量，变异操作的表达式如下：

V_i(k)＝X_best(k)+F·(X_r1(k)-X_r2(k)),1≤r₁≠r₂≠i≤N_p (8)

其中，X_best(k)是在当前第k次迭代时种群中具有最佳适应度值的个体向量，比例因子F是用于缩放差异向量的正控制参数。

(3)交叉操作。针对每对目标向量X_i(k)及其相应的变异向量V_i(k)进行交叉操作，以生成试验向量U_i(k)＝[u_i,1(k),u_i,2(k),…,u_i,D(k)]。根据下式进行该二项式交叉方案：

其中，CR是一个自定义的交叉率，取值范围通常在0到1之间，它控制着种群的多样性，并避免算法陷入局部最优。如果新生成的试验向量的某些参数的值超过了相应的上下限，则在预定义范围内对其进行随机均匀地重新初始化。然后，评估所有试验向量的适应度值。

(4)选择操作。该运算将试验向量的适应度与相应的目标向量进行比较，选择其中更好的解。对于最小化问题，选择操作的表达式如下：

其中，f(x)为适应度值。在每一代的进化过程中，每一个体向量作为目标个体一次，算法通过不断地迭代计算，保留优良个体，淘汰劣质个体，引导搜索过程向全局最优解逼近。

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＝[x_t-D+1,…,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：

(3)代入极限学习机建模模块得到的待估计函数计算得到采样时刻(t+1)的海杂波预报值。

所述参数最优的雷达海杂波预报系统中的上位机还包括：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。以及结果显示模块，用以将海杂波预报模块计算得到的预报值在上位机显示。

本发明的有益效果主要表现在：本发明对雷达海杂波进行预报，克服传统雷达海杂波预报方法模型参数选择对预报效果的影响、抗噪音干扰能力弱的不足，采用小波神经网络模型进行建模，具有较强的抗干扰能力，进一步引入差分进化算法进行参数寻优，从而建立参数最优的雷达海杂波预报模型。

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

下面根据附图具体说明本发明。

参照图1、图2，一种参数最优的雷达海杂波预报系统，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：对数据库输入的雷达海杂波数据进行预处理，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＝1,2,…,N；

(2)对训练样本进行归一化处理，得到归一化幅值

其中，min x表示训练样本中的最小值，max x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。

小波神经网络建模模块5：用以建立预报模型，采用如下过程完成：

设x＝(x₁,x₂,…,x_n)^T是小波神经网络的输入向量，y＝(y₁,y₂,…,y_m)^T表示小波神经网络的预测输出。对于多变量过程的建模，我们定义如下的多维小波函数：

其中，Ψ_i(x)为隐含层第i个节点输出值，ψ为小波基函数，b_i＝(b_ij)和a_i＝(a_ij)分别表示小波基函数ψ的平移因子和缩放因子。采用的小波基函数为Morlet母小波基函数：

其中，

计算小波神经网络的输出：

其中，ω_ik是隐含层和输出层的连接权值，M表示隐含层节点的数目，m表示输出层节点的数目。

小波神经网络权值参数修正算法类似于BP神经网络权值修正算法，采用梯度修正法修正网络的权值和小波基函数的参数，从而使小波神经网络预测输出不断逼近期望输出。小波神经网络修正过程如下：

首先，计算网络的预测误差

其中，yn(k)为期望输出，y(k)为小波神经网络的预测输出。

然后，根据预测误差e修正小波神经网络的权值和小波基函数参数：

其中，是根据网络预测误差计算得到：

其中，η为学习速率，θ为动量因子。

差分进化算法优化模块6：用于采用差分进化算法对小波神经网络预报模型的网络结构参数进行优化，包括：

(1)算法初始化，在问题的可行解空间对种群进行初始化个体X_i(k)＝[x_i,1(k),x_i,2(k),…,x_i,D(k)]，i＝1,2,…,N_p表征问题的解，D为解空间的维数，k表示迭代次数，N_p为种群数目。初始化种群应该尽可能多地覆盖整个搜索空间，并在规定的最小和最大参数边界限制的搜索空间内对个体进行一致随机化，设定最小和最大边界分别为X_min＝{x_min,1,…,x_min,D}和X_max＝{x_max,1,…,x_max,D}。在迭代次数k＝1时，第i个个体的第j个组分的初始值按下式产生：

x_i,j(0)＝x_min,j+rand(0,1)·(x_max,j-x_min,j) (7)

其中rand(0,1)是0到1之间均匀分布的随机数。

(2)变异操作。对种群进行初始化之后，对于每个个体X_i(k)相应地会产生一个变异向量V_i(k)＝[v_i,1(k),v_i,2(k),…,v_i,D(k)]，个体X_i(k)也称为目标向量，变异操作的表达式如下：

V_i(k)＝X_best(k)+F·(X_r1(k)-X_r2(k)),1≤r₁≠r₂≠i≤N_p (8)

其中，X_best(k)是在当前第k次迭代时种群中具有最佳适应度值的个体向量，比例因子F是用于缩放差异向量的正控制参数。

(3)交叉操作。针对每对目标向量X_i(k)及其相应的变异向量V_i(k)进行交叉操作，以生成试验向量U_i(k)＝[u_i,1(k),u_i,2(k),…,u_i,D(k)]。根据下式进行该二项式交叉方案：

其中，CR是一个自定义的交叉率，取值范围通常在0到1之间，它控制着种群的多样性，并避免算法陷入局部最优。如果新生成的试验向量的某些参数的值超过了相应的上下限，则在预定义范围内对其进行随机均匀地重新初始化。然后，评估所有试验向量的适应度值。

(4)选择操作。该运算将试验向量的适应度与相应的目标向量进行比较，选择其中更好的解。对于最小化问题，选择操作的表达式如下：

其中，f(x)为适应度值。在每一代的进化过程中，每一个体向量作为目标个体一次，算法通过不断地迭代计算，保留优良个体，淘汰劣质个体，引导搜索过程向全局最优解逼近。

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＝[x_t-D+1,…,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：

(3)代入极限学习机建模模块得到的待估计函数计算得到采样时刻(t+1)的海杂波预报值。

判别模型更新模块8：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：用于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。

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。

Claims (5)

1.一种参数最优的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，雷达对所检测海域进行照射，并将雷达海杂波数据储存到数据库中，上位机对数据库中的海杂波数据进行建模预报；所述的上位机包括数据预处理模块、小波神经网络建模模块、差分进化算法优化模块、海杂波预报模块、判别模型更新模块以及结果显示模块。

2.根据权利要求1所述参数最优的雷达海杂波预报系统，其特征在于，所述数据预处理模块对数据库输入的雷达海杂波数据进行预处理，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＝1,2,…,N；

(2)对训练样本进行归一化处理，得到归一化幅值

其中，min x表示训练样本中的最小值，max x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。

3.根据权利要求1所述参数最优的雷达海杂波预报系统，其特征在于，所述小波神经网络建模模块，用以建立预报模型，采用如下过程完成：

设x＝(x₁,x₂,…,x_n)^T是小波神经网络的输入向量，y＝(y₁,y₂,…,y_m)^T表示小波神经网络的预测输出。对于多变量过程的建模，我们定义如下的多维小波函数：

其中，Ψ_i(x)为隐含层第i个节点输出值，ψ为小波基函数，b_i＝(b_ij)和a_i＝(a_ij)分别表示小波基函数ψ的平移因子和缩放因子。采用的小波基函数为Morlet母小波基函数：

其中，

计算小波神经网络的输出：

其中，ω_ik是隐含层和输出层的连接权值，M表示隐含层节点的数目，m表示输出层节点的数目。

小波神经网络权值参数修正算法类似于BP神经网络权值修正算法，采用梯度修正法修正网络的权值和小波基函数的参数，从而使小波神经网络预测输出不断逼近期望输出。小波神经网络修正过程如下：

首先，计算网络的预测误差

其中，yn(k)为期望输出，y(k)为小波神经网络的预测输出。

然后，根据预测误差e修正小波神经网络的权值和小波基函数参数：

其中，是根据网络预测误差计算得到：

其中，η为学习速率，θ为动量因子。

4.根据权利要求1所述参数最优的雷达海杂波预报系统，其特征在于，所述差分进化算法优化模块，用于采用差分进化算法对小波神经网络预报模型的网络结构参数进行优化，包括：

(1)算法初始化，在问题的可行解空间对种群进行初始化个体X_i(k)＝[x_i,1(k),x_i,2(k),…,x_i,D(k)]，i＝1,2,…,N_p表征问题的解，D为解空间的维数，k表示迭代次数，N_p为种群数目。初始化种群应该尽可能多地覆盖整个搜索空间，并在规定的最小和最大参数边界限制的搜索空间内对个体进行一致随机化，设定最小和最大边界分别为X_min＝{x_min,1,…,x_min,D}和X_max＝{x_max,1,…,x_max,D}。在迭代次数k＝1时，第i个个体的第j个组分的初始值按下式产生：

x_i,j(0)＝x_min,j+rand(0,1)·(x_max,j-x_min,j) (7)

其中rand(0,1)是0到1之间均匀分布的随机数。

(2)变异操作。对种群进行初始化之后，对于每个个体X_i(k)相应地会产生一个变异向量V_i(k)＝[v_i,1(k),v_i,2(k),…,v_i,D(k)]，个体X_i(k)也称为目标向量，变异操作的表达式如下：

V_i(k)＝X_best(k)+F·(X_r1(k)-X_r2(k)),1≤r₁≠r₂≠i≤N_p (8)

其中，X_best(k)是在当前第k次迭代时种群中具有最佳适应度值的个体向量，比例因子F是用于缩放差异向量的正控制参数。

(3)交叉操作。针对每对目标向量X_i(k)及其相应的变异向量V_i(k)进行交叉操作，以生成试验向量U_i(k)＝[u_i,1(k),u_i,2(k),…,u_i,D(k)]。根据下式进行该二项式交叉方案：

其中，CR是一个自定义的交叉率，取值范围通常在0到1之间，它控制着种群的多样性，并避免算法陷入局部最优。如果新生成的试验向量的某些参数的值超过了相应的上下限，则在预定义范围内对其进行随机均匀地重新初始化。然后，评估所有试验向量的适应度值。

(4)选择操作。该运算将试验向量的适应度与相应的目标向量进行比较，选择其中更好的解。对于最小化问题，选择操作的表达式如下：

其中，f(x)为适应度值。在每一代的进化过程中，每一个体向量作为目标个体一次，算法通过不断地迭代计算，保留优良个体，淘汰劣质个体，引导搜索过程向全局最优解逼近。

5.根据权利要求1所述参数最优的雷达海杂波预报系统，其特征在于，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：

(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,…,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：

(3)代入极限学习机建模模块得到的待估计函数计算得到采样时刻(t+1)的海杂波预报值。

所述参数最优的雷达海杂波预报系统，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。以及结果显示模块，用以将海杂波预报模块计算得到的预报值在上位机显示。