CN108983179A - 一种群智能敏捷的雷达海上目标检测系统 - Google Patents
一种群智能敏捷的雷达海上目标检测系统 Download PDFInfo
- Publication number
- CN108983179A CN108983179A CN201810691144.4A CN201810691144A CN108983179A CN 108983179 A CN108983179 A CN 108983179A CN 201810691144 A CN201810691144 A CN 201810691144A CN 108983179 A CN108983179 A CN 108983179A
- Authority
- CN
- China
- Prior art keywords
- ant
- radar
- module
- local search
- target detection
- 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
- G01S7/417—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 involving the use of neural networks
-
- 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)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种群智能敏捷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,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并检测目标;所述的上位机包括数据预处理模块、相关向量机建模模块、自适应蚁群算法优化模块、目标检测模块、模型更新模块以及结果显示模块。以及提出了一种基于自适应蚁群算法优化相关向量机的智能雷达海上目标检测方法。本发明提供一种群智能优化、敏捷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,涉及一种群智能敏捷的雷达海上目标检测系统。
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人为选择参数的影响、检测效率不高的不足,本发明提供一种群智能优化、敏捷的雷达海上目标检测系统。
本发明解决其技术问题所采用的技术方案是:一种群智能敏捷的雷达海上目标检测系统,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、相关向量机建模模块、自适应蚁群算法优化模块、目标检测模块、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xi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。
相关向量机建模模块:用以建立预报模型,采用如下过程完成:
在相关向量机中,为输入向量,假设目标向量t=[t1,t2,…,tN]T符合高斯分布N(0,σ2),则目标向量的似然估计概率为:
其中,N为样本点数目,σ2表示方差,w=[w0,w1,…,wN]为权值向量,Φ是N×(N+1)维的设计矩阵,即Φ=[φ(x1),φ(x2),…,φ(xN)]T,φ(xn)=[1,K(xn,x1),K(xn,x2),…,K(xn,xN)]T。核函数K(x,xn)取如下式的RBF核函数,其中σ1为核参数:
在相关向量机中,权值w可以通过极大似然估计来确定,但是为了防止过拟合,通过高斯先验概率分布来约束参数:
其中,α是N+1维超参数,该值的引入导致了系统的稀疏性。
在先验概率的基础上,根据贝叶斯准则计算后验概率:
(1)将后验概率进行分解:
(2)关于权重的后验概率分布式如下:
其中,后验协方差Σ和均值μ分别为:
Σ=(σ-2ΦTΦ+A)-1 (8)
μ=σ-2ΣΦTt (9)
且A=diag(α0,α1,…,αN)。
(3)根据极大似然方法求下式的最大值:
可得α和σ2的迭代更新公式如下:
其中,Σii为Σ中第i项对角线元素。
自适应蚁群算法优化模块:用于采用自适应蚁群算法对相关向量机模块的核参数进行优化,具体步骤如下:
(1)算法准备阶段:
1.1)确定蚁群个体数目n,根据给定问题的搜索空间初始化n只蚂蚁的初始位置S=(s1,s2,…,sn),其中sj=(x1,x2,…,xD)(j=1,2,…,n),D为待优化问题的维度;
1.2)设定优化目标函数,将其转换为信息素浓度,通过相应的误差函数计算信息素浓度函数,并认为误差大的蚂蚁信息素浓度小,第j只蚂蚁的信息素浓度函数表示为:
Fj=F(sj) (13)
F(sj)=1/(Ej+1) (14)
其中,Ej是模型的误差函数,表示为:
其中,是预测输出,Op为目标输出;N为训练样本数;
1.3)设置算法最大的迭代次数itermax,初始化算法当前迭代次数k=1;
1.4)设置局部搜索的蚂蚁数目R1和全局搜索的蚂蚁数目R2;
1.5)设置信息素挥发系数P。
(2)ACO算法的局部搜索阶段:
2.1)根据蚂蚁的信息素浓度计算蚂蚁sj被选中作局部搜索的概率,蚂蚁对应解的信息素浓度越大,它被选中的概率越高:
2.2)根据每只蚂蚁sj的概率Pj,遵循轮盘赌注法选出R1个不同蚂蚁准备做局部搜索,即在同一次迭代过程中一只蚂蚁不能被重复选择;
2.3)对每只局部搜索蚂蚁sj依次执行局部搜索:
2.3.1)设置蚂蚁sj最大局部搜索次数qmax,并初始化蚂蚁的当前局部搜索次数q=1;
2.3.2)生成一个蚂蚁局部搜索使用的步长
del=(d1,d2,…,dD)·kα·qβ (17)
其中,k为蚁群算法的当前迭代次数,q为蚂蚁在算法的第k轮迭代中的当前局部搜索次数,α、β为负常数;这样蚂蚁搜索的步长幅度会随着算法的进行,自适应地减小;
2.3.3)根据已有的局部搜索步长del,在蚂蚁现有解sjold的基础上生成新的解sjnew:
sjnew=sjold+del (18)
计算新解sjnew的信息素浓度,与原来的解sjnew的信息素浓度进行比较,如果新解信息素浓度大,则用sjnew取代sjold,并维持del不变,转至步骤2.2.3);否则转至步骤2.3.4);
2.3.4)蚂蚁sj的局部搜索次数增加1,q=q+1;如果q>qmax,转至步骤2.3.5);否则转至步骤2.3.2),重新生成新的局部搜索步长del进行局部搜索;
2.3.5)根据搜索得到的新解的信息素浓度和挥发系数P更新蚂蚁sj的信息素浓度。
Fj=(1-P)*Fj+c*F(sj) (19)
其中,c为常数;
(3)ACO算法的全局搜索阶段:
3.1)局部搜索更新后的蚁群位置为S=(s1,s2,…,sn),对每只蚂蚁确定其被选中做全局搜索的概率,信息素浓度Fj越低概率越大:
3.2)根据每只蚂蚁sj的概率Qj,遵循轮盘赌注法选出R2个不同蚂蚁准备做局部搜索,即在同一次迭代过程中一只蚂蚁不能被重复选择;
3.3)对这R2只蚂蚁中的每一只sjold,都在S中随机选择一个蚂蚁sjrandom与其交叉,生成一个新的解sjnew,使用sjnew替代sjold,并根据sjnew的适应度值更新对应的信息素浓度Fj:
sjnew=r·sjold+(1-r)·sjrandom (21)
其中,r为交叉系数;
(4)做完一轮局部搜索和全局搜索后,蚁群迭代次数增加k=k+1;如果迭代次数超过了设置的算法最大迭代次数,即k>itermax,则输出蚁群中适应度值最高的蚂蚁对应解,作为优化的小波神经网络的参数;否则,继续下一轮的局部搜索和全局搜索。
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)代入模糊小波神经网络建模模块计算得到采样时刻(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,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。
所述群智能敏捷的雷达海上目标检测系统,所述上位机还包括: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,用以将目标检测模块的检测结果在上位机显示。
本发明的有益效果主要表现在:本发明对海上目标进行检测,克服已有雷达海上目标检测方法人为选择参数的影响、检测效率不高的不足,采用相关向量机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,进一步引入自适应蚁群优化算法,从而实现海杂波背景下的群智能敏捷的目标检测。
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2,一种群智能敏捷的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: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xi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。
相关向量机建模模块5:用以建立预报模型,采用如下过程完成:
在相关向量机中,为输入向量,假设目标向量t=[t1,t2,…,tN]T符合高斯分布N(0,σ2),则目标向量的似然估计概率为:
其中,N为样本点数目,σ2表示方差,w=[w0,w1,…,wN]为权值向量,Φ是N×(N+1)维的设计矩阵,即Φ=[φ(x1),φ(x2),…,φ(xN)]T,φ(xn)=[1,K(xn,x1),K(xn,x2),…,K(xn,xN)]T。核函数K(x,xn)取如下式的RBF核函数,其中σ1为核参数:
在相关向量机中,权值w可以通过极大似然估计来确定,但是为了防止过拟合,通过高斯先验概率分布来约束参数:
其中,α是N+1维超参数,该值的引入导致了系统的稀疏性。
在先验概率的基础上,根据贝叶斯准则计算后验概率:
(1)将后验概率进行分解:
(2)关于权重的后验概率分布式如下:
其中,后验协方差Σ和均值μ分别为:
且A=diag(α0,α1,…,αN)。
(3)根据极大似然方法求下式的最大值:
可得α和σ2的迭代更新公式如下:
其中,Σii为Σ中第i项对角线元素。
自适应蚁群算法优化模块6:用于采用自适应蚁群算法对相关向量机模块的核参数进行优化,具体步骤如下:
(1)算法准备阶段:
1.1)确定蚁群个体数目n,根据给定问题的搜索空间初始化n只蚂蚁的初始位置S=(s1,s2,…,sn),其中sj=(x1,x2,…,xD)(j=1,2,…,n),D为待优化问题的维度;
1.2)设定优化目标函数,将其转换为信息素浓度,通过相应的误差函数计算信息素浓度函数,并认为误差大的蚂蚁信息素浓度小,第j只蚂蚁的信息素浓度函数表示为:
Fj=F(sj) (13)
F(sj)=1/(Ej+1) (14)
其中,Ej是模型的误差函数,表示为:
其中,是预测输出,Op为目标输出;N为训练样本数;
1.3)设置算法最大的迭代次数itermax,初始化算法当前迭代次数k=1;
1.4)设置局部搜索的蚂蚁数目R1和全局搜索的蚂蚁数目R2;
1.5)设置信息素挥发系数P。
(2)ACO算法的局部搜索阶段:
2.1)根据蚂蚁的信息素浓度计算蚂蚁sj被选中作局部搜索的概率,蚂蚁对应解的信息素浓度越大,它被选中的概率越高:
2.2)根据每只蚂蚁sj的概率Pj,遵循轮盘赌注法选出R1个不同蚂蚁准备做局部搜索,即在同一次迭代过程中一只蚂蚁不能被重复选择;
2.3)对每只局部搜索蚂蚁sj依次执行局部搜索:
2.3.1)设置蚂蚁sj最大局部搜索次数qmax,并初始化蚂蚁的当前局部搜索次数q=1;
2.3.2)生成一个蚂蚁局部搜索使用的步长
del=(d1,d2,…,dD)·kα·qβ (17)
其中,k为蚁群算法的当前迭代次数,q为蚂蚁在算法的第k轮迭代中的当前局部搜索次数,α、β为负常数;这样蚂蚁搜索的步长幅度会随着算法的进行,自适应地减小;
2.3.3)根据已有的局部搜索步长del,在蚂蚁现有解sjold的基础上生成新的解sjnew:
sjnew=sjold+del (18)
计算新解sjnew的信息素浓度,与原来的解sjnew的信息素浓度进行比较,如果新解信息素浓度大,则用sjnew取代sjold,并维持del不变,转至步骤2.2.3);否则转至步骤2.3.4);
2.3.4)蚂蚁sj的局部搜索次数增加1,q=q+1;如果q>qmax,转至步骤2.3.5);否则转至步骤2.3.2),重新生成新的局部搜索步长del进行局部搜索;
2.3.5)根据搜索得到的新解的信息素浓度和挥发系数P更新蚂蚁sj的信息素浓度。
Fj=(1-P)*Fj+c*F(sj) (19)
其中,c为常数;
(3)ACO算法的全局搜索阶段:
3.1)局部搜索更新后的蚁群位置为S=(s1,s2,…,sn),对每只蚂蚁确定其被选中做全局搜索的概率,信息素浓度Fj越低概率越大:
3.2)根据每只蚂蚁sj的概率Qj,遵循轮盘赌注法选出R2个不同蚂蚁准备做局部搜索,即在同一次迭代过程中一只蚂蚁不能被重复选择;
3.3)对这R2只蚂蚁中的每一只sjold,都在S中随机选择一个蚂蚁sjrandom与其交叉,生成一个新的解sjnew,使用sjnew替代sjold,并根据sjnew的适应度值更新对应的信息素浓度Fj:
sjnew=r·sjold+(1-r)·sjrandom (21)
其中,r为交叉系数;
(4)做完一轮局部搜索和全局搜索后,蚁群迭代次数增加k=k+1;如果迭代次数超过了设置的算法最大迭代次数,即k>itermax,则输出蚁群中适应度值最高的蚂蚁对应解,作为优化的小波神经网络的参数;否则,继续下一轮的局部搜索和全局搜索。
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)代入模糊小波神经网络建模模块计算得到采样时刻(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,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,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,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。
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)
1.一种群智能敏捷的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,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并检测目标;所述的上位机包括数据预处理模块、相关向量机建模模块、自适应蚁群算法优化模块、目标检测模块、模型更新模块以及结果显示模块。
2.根据权利要求1所述群智能敏捷的雷达海上目标检测系统,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xi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所述群智能敏捷的雷达海上目标检测系统,其特征在于,所述相关向量机建模模块,用以建立预报模型,采用如下过程完成:
在相关向量机中,为输入向量,假设目标向量t=[t1,t2,…,tN]T符合高斯分布N(0,σ2),则目标向量的似然估计概率为:
其中,N为样本点数目,σ2表示方差,w=[w0,w1,…,wN]为权值向量,Φ是N×(N+1)维的设计矩阵,即Φ=[φ(x1),φ(x2),…,φ(xN)]T,φ(xn)=[1,K(xn,x1),K(xn,x2),…,K(xn,xN)]T。核函数K(x,xn)取如下式的RBF核函数,其中σ1为核参数:
在相关向量机中,权值w可以通过极大似然估计来确定,但是为了防止过拟合,通过高斯先验概率分布来约束参数:
其中,α是N+1维超参数,该值的引入导致了系统的稀疏性。
在先验概率的基础上,根据贝叶斯准则计算后验概率:
(1)将后验概率进行分解:
(2)关于权重的后验概率分布式如下:
其中,后验协方差Σ和均值μ分别为:
Σ=(σ-2ΦTΦ+A)-1 (8)
μ=σ-2ΣΦTt (9)
且A=diag(α0,α1,…,αN)。
(3)根据极大似然方法求下式的最大值:
可得α和σ2的迭代更新公式如下:
其中,Σii为Σ中第i项对角线元素。
4.根据权利要求1所述群智能敏捷的雷达海上目标检测系统,其特征在于,所述自适应蚁群算法优化模块,用于采用自适应蚁群算法对相关向量机模块的核参数进行优化,具体步骤如下:
(1)算法准备阶段:
1.1)确定蚁群个体数目n,根据给定问题的搜索空间初始化n只蚂蚁的初始位置S=(s1,s2,…,sn),其中sj=(x1,x2,…,xD)(j=1,2,…,n),D为待优化问题的维度;
1.2)设定优化目标函数,将其转换为信息素浓度,通过相应的误差函数计算信息素浓度函数,并认为误差大的蚂蚁信息素浓度小,第j只蚂蚁的信息素浓度函数表示为:
Fj=F(sj) (13)
F(sj)=1/(Ej+1) (14)
其中,Ej是模型的误差函数,表示为:
其中,是预测输出,Op为目标输出;N为训练样本数;
1.3)设置算法最大的迭代次数itermax,初始化算法当前迭代次数k=1;
1.4)设置局部搜索的蚂蚁数目R1和全局搜索的蚂蚁数目R2;
1.5)设置信息素挥发系数P。
(2)ACO算法的局部搜索阶段:
2.1)根据蚂蚁的信息素浓度计算蚂蚁sj被选中作局部搜索的概率,蚂蚁对应解的信息素浓度越大,它被选中的概率越高:
2.2)根据每只蚂蚁sj的概率Pj,遵循轮盘赌注法选出R1个不同蚂蚁准备做局部搜索,即在同一次迭代过程中一只蚂蚁不能被重复选择;
2.3)对每只局部搜索蚂蚁sj依次执行局部搜索:
2.3.1)设置蚂蚁sj最大局部搜索次数qmax,并初始化蚂蚁的当前局部搜索次数q=1;
2.3.2)生成一个蚂蚁局部搜索使用的步长
del=(d1,d2,…,dD)·kα·qβ (17)
其中,k为蚁群算法的当前迭代次数,q为蚂蚁在算法的第k轮迭代中的当前局部搜索次数,α、β为负常数;这样蚂蚁搜索的步长幅度会随着算法的进行,自适应地减小;
2.3.3)根据已有的局部搜索步长del,在蚂蚁现有解sjold的基础上生成新的解sjnew:
sjnew=sjold+del (18)
计算新解sjnew的信息素浓度,与原来的解sjnew的信息素浓度进行比较,如果新解信息素浓度大,则用sjnew取代sjold,并维持del不变,转至步骤2.2.3);否则转至步骤2.3.4);
2.3.4)蚂蚁sj的局部搜索次数增加1,q=q+1;如果q>qmax,转至步骤2.3.5);否则转至步骤2.3.2),重新生成新的局部搜索步长del进行局部搜索;
2.3.5)根据搜索得到的新解的信息素浓度和挥发系数P更新蚂蚁sj的信息素浓度。
Fj=(1-P)*Fj+c*F(sj) (19)
其中,c为常数;
(3)ACO算法的全局搜索阶段:
3.1)局部搜索更新后的蚁群位置为S=(s1,s2,…,sn),对每只蚂蚁确定其被选中做全局搜索的概率,信息素浓度Fj越低概率越大:
3.2)根据每只蚂蚁sj的概率Qj,遵循轮盘赌注法选出R2个不同蚂蚁准备做局部搜索,即在同一次迭代过程中一只蚂蚁不能被重复选择;
3.3)对这R2只蚂蚁中的每一只sjold,都在S中随机选择一个蚂蚁sjrandom与其交叉,生成一个新的解sjnew,使用sjnew替代sjold,并根据sjnew的适应度值更新对应的信息素浓度Fj:
sjnew=r·sjold+(1-r)·sjrandom (21)
其中,r为交叉系数;
(4)做完一轮局部搜索和全局搜索后,蚁群迭代次数增加k=k+1;如果迭代次数超过了设置的算法最大迭代次数,即k>itermax,则输出蚁群中适应度值最高的蚂蚁对应解,作为优化的小波神经网络的参数;否则,继续下一轮的局部搜索和全局搜索。
5.根据权利要求1所述群智能敏捷的雷达海上目标检测系统,其特征在于,所述目标检测模块,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)代入模糊小波神经网络建模模块计算得到采样时刻(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,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。
所述群智能敏捷的雷达海上目标检测系统,所述上位机还包括: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,用以将目标检测模块的检测结果在上位机显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810691144.4A CN108983179A (zh) | 2018-06-28 | 2018-06-28 | 一种群智能敏捷的雷达海上目标检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810691144.4A CN108983179A (zh) | 2018-06-28 | 2018-06-28 | 一种群智能敏捷的雷达海上目标检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108983179A true CN108983179A (zh) | 2018-12-11 |
Family
ID=64538750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810691144.4A Pending CN108983179A (zh) | 2018-06-28 | 2018-06-28 | 一种群智能敏捷的雷达海上目标检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108983179A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110940970A (zh) * | 2019-11-06 | 2020-03-31 | 河海大学 | 一种针对浮油海面的mimo雷达目标检测方法及系统 |
CN112578344A (zh) * | 2020-11-16 | 2021-03-30 | 浙江大学 | 一种无需先验知识的雷达工作模式实时识别仪 |
CN113313049A (zh) * | 2021-06-11 | 2021-08-27 | 北京百度网讯科技有限公司 | 超参数的确定方法、装置、设备、存储介质以及计算机程序产品 |
CN113821049A (zh) * | 2021-08-25 | 2021-12-21 | 中山大学 | 基于蚂蚁信息素机制的无人机集群涌现感知方法及装置 |
CN115801463A (zh) * | 2023-02-06 | 2023-03-14 | 山东能源数智云科技有限公司 | 工业互联网平台入侵检测的方法、装置和电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7372393B2 (en) * | 2006-07-07 | 2008-05-13 | Mitsubishi Electric Research Laboratories, Inc. | Method and system for determining unwrapped phases from noisy two-dimensional wrapped-phase images |
CN101718870A (zh) * | 2009-11-13 | 2010-06-02 | 西安电子科技大学 | 图像域的高速、微弱目标航迹检测方法 |
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 |
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 |
-
2018
- 2018-06-28 CN CN201810691144.4A patent/CN108983179A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7372393B2 (en) * | 2006-07-07 | 2008-05-13 | Mitsubishi Electric Research Laboratories, Inc. | Method and system for determining unwrapped phases from noisy two-dimensional wrapped-phase images |
CN101718870A (zh) * | 2009-11-13 | 2010-06-02 | 西安电子科技大学 | 图像域的高速、微弱目标航迹检测方法 |
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 |
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 |
---|
刘莉: "相关向量机核函数研究及其在污水系统中的应用", 《中国博士学位论文全文数据库 工程科技I辑》 * |
李九宝: "基于人工智能优化算法的聚丙烯熔融指数预报建模优化研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110940970A (zh) * | 2019-11-06 | 2020-03-31 | 河海大学 | 一种针对浮油海面的mimo雷达目标检测方法及系统 |
CN112578344A (zh) * | 2020-11-16 | 2021-03-30 | 浙江大学 | 一种无需先验知识的雷达工作模式实时识别仪 |
CN113313049A (zh) * | 2021-06-11 | 2021-08-27 | 北京百度网讯科技有限公司 | 超参数的确定方法、装置、设备、存储介质以及计算机程序产品 |
CN113821049A (zh) * | 2021-08-25 | 2021-12-21 | 中山大学 | 基于蚂蚁信息素机制的无人机集群涌现感知方法及装置 |
CN113821049B (zh) * | 2021-08-25 | 2022-10-14 | 中山大学 | 基于蚂蚁信息素机制的无人机集群涌现感知方法及装置 |
CN115801463A (zh) * | 2023-02-06 | 2023-03-14 | 山东能源数智云科技有限公司 | 工业互联网平台入侵检测的方法、装置和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108983179A (zh) | 一种群智能敏捷的雷达海上目标检测系统 | |
CN102183749B (zh) | 一种自适应雷达海上目标检测系统及方法 | |
CN102147465B (zh) | 一种混沌寻优雷达海上目标检测系统及方法 | |
CN111160268B (zh) | 一种基于多任务学习的多角度sar目标识别方法 | |
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 | |
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 | |
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 | |
CN108983178A (zh) | 一种敏捷自适应的智能雷达海上目标检测系统 | |
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 | |
CN108629382A (zh) | 一种群智优化sar雷达海上舰船目标识别系统 | |
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 | |
CN102183746B (zh) | 一种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 | |
CN108983184A (zh) | 一种自适应高精度的智能雷达海上目标检测系统 | |
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 | |
CN108983185A (zh) | 一种智能自适应的雷达海上目标检测系统及方法 | |
CN107942299A (zh) | 一种基于改进混合蛙跳算法的智能雷达海上目标检测系统及方法 | |
Fu et al. | Prediction of fishing vessel operation mode based on Stacking model fusion | |
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 | |
CN102183744A (zh) | 一种群智雷达海上目标检测系统及方法 | |
Busson et al. | Seismic shot gather noise localization using a multi-scale feature-fusion-based neural network | |
Liu et al. | A New Causal Inference Framework for SAR Target Recognition | |
CN102183747B (zh) | 一种敏捷雷达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: 20181211 |