CN108983180A - 一种群智能高精度的雷达海杂波预报系统 - Google Patents
一种群智能高精度的雷达海杂波预报系统 Download PDFInfo
- Publication number
- CN108983180A CN108983180A CN201810691158.6A CN201810691158A CN108983180A CN 108983180 A CN108983180 A CN 108983180A CN 201810691158 A CN201810691158 A CN 201810691158A CN 108983180 A CN108983180 A CN 108983180A
- Authority
- CN
- China
- Prior art keywords
- particle
- sea clutter
- radar
- module
- host computer
- 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高精度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所述的数据库,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、极限学习机建模模块、改进引力搜索算法优化模块、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改进引力搜索算法优化极限学习机的雷达海杂波预报方法。本发明提供一种群智能寻优、高精度的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,涉及一种群智能高精度的雷达海杂波预报系统。
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人为选择参数的影响、预报精度不高的不足,本发明提供一种参数自适应、群智能高精度的雷达海杂波预报系统。
本发明解决其技术问题所采用的技术方案是:一种群智能高精度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、极限学习机建模模块、改进引力搜索算法优化模块、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。
极限学习机建模模块:用以建立预报模型,采用如下过程完成:
对于N个样本(xi,yi),其中xi=[xi1,xi2,…,xin]T∈Rn,yi=[yi1,yi2,…,yim]T∈Rm,则一个具有L个隐层节点,激励函数为g(x)的前馈神经网络的输出可以表示为
其中,ai=[ai1,ai2,…,ain]T是输入层到第i个隐含层节点的输入权值,bi是第i个隐藏层节点的偏差(bias),βi=[βi1,βi2,…,βim]T是连接第i个隐藏层结点的输出权值,ai·xi表示向量ai和xi的内积。激励函数g(x)可以选择为“Sigmoid”,“Sine”或“RBF”等。
如果这个具有L个隐含层结点的前馈神经网络能以零误差逼近这N个样本,则存在ai,bi,βi使
则(3)式可以简化为
Hβ=Y (5)
其中,H被称作网络的隐含层输出矩阵,在极限学习机算法中,输出权值和偏差可以随机给定,隐层矩阵H就变成一个确定的矩阵,这样前馈神经网络的训练就可以转化成一个求解输出权值矩阵的最小二乘解的问题,只需要求出输入权值的最小二乘解就能完成网络的训练,输出权值矩阵β可由(6)式得到
其中H+表示隐含层输出矩阵H的Moore-penrose广义逆。
改进引力搜索算法优化模块:用于采用改进引力搜索算法对极限学习机预报模型的参数进行优化,实现具体步骤如下:
(1)算法初始化,随机初始化所有粒子,每个粒子代表问题的一个候选解。在一个D维的搜索空间中,假设有NP个粒子,定义第i个粒子的位置为
设定迭代结束条件,即最大迭代次数itermax。
(2)在某t时刻,定义第j个粒子作用在第i个粒子上的引力大小为:
其中,Maj(t)和Mpi(t)分别为作用粒子j的惯性质量和被作用粒子i的惯性质量,Rij(t)是第i个粒子和第j个粒子之间的欧氏距离,ε是一个很小的常量,G(t)是在t时刻的引力常数:
其中,α是下降系数,G0是初始引力常数,itermax是最大迭代次数。
(3)粒子的惯性质量依据其适应度值的大小来计算,惯性质量越大表明它越接近最优值,同时意味着该粒子的吸引力越大,但其移动速度却越慢。假设引力质量与惯性质量相等,粒子的质量可以通过适当的运算规则去更新,更新算法如下所示:
Mai=Mpi=Mii=Mi,i=1,2,...,NP (10)
其中,fiti(t)代表在t时刻第i个粒子的适应度值的大小。对求解最小值问题,best(t)和 worst(t)定义如下:
对求解最大值问题,best(t)和worst(t)定义如下:
(4)假设t时刻在第d维上作用在第i个粒子上的总作用力Fi d(t)等于其他所有粒子对它的作用力之和,计算公式如下:
其中,randj是范围在[0,1]的随机数,Kbest是一开始具有最佳适应度的前K个粒子的集合。
根据牛顿第二定律,t时刻粒子i在第d维上的加速度为:
其中,Mi(t)是第i个粒子的惯性质量。
(5)在下一次迭代中,粒子的新速度为部分当前速度与其加速度的总和。因此,GSA在每一次迭代运算过程中,粒子都会根据以下公式更新它的速度和位置:
vi(t+1)=ωvi(t)+c1ri1ai(t)+c2ri2(gbest-xi(t)) (19)
xi(t+1)=xi(t)+vi(t+1) (20)
其中,vi(t)是粒子i在第t次迭代的速度,xi(t)是粒子i在第t次迭代的位置,ai(t)是粒子i在第t次迭代的加速度,gbest是当前的最优解,ri1和ri2是[0,1]之间的两个随机数;ω逐渐减小的惯性因子,c1和c2是自适应加速度系数,计算公式如下:
其中,t和itermax分别是当前迭代次数和最大迭代次数;c1i、c1f、c2i和c2f是常数,使得 c1从2.5逐渐减小到0.5,c2从0.5逐渐增加到2.5。
(6)重复以上步骤直至达到最大迭代次数,选取适应度值最优的解作为算法的最优解,结束算法并返回。
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。
所述群智能高精度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。
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人为选择参数的影响、预报精度不高的不足,针对雷达海杂波的混沌特性,对雷达海杂波数据进行重构,采用极限学习机对重构后的数据进行建模,同时引入改进引力搜索算法进行参数的群智能寻优,从而建立基于改进引力搜索算法优化极限学习机的雷达海杂波预报模型,对雷达海杂波进行高精度的预报。
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2,一种群智能高精度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。
极限学习机建模模块5:用以建立预报模型,采用如下过程完成:
对于N个样本(xi,yi),其中xi=[xi1,xi2,…,xin]T∈Rn,yi=[yi1,yi2,…,yim]T∈Rm,则一个具有L个隐层节点,激励函数为g(x)的前馈神经网络的输出可以表示为
其中,ai=[ai1,ai2,…,ain]T是输入层到第i个隐含层节点的输入权值,bi是第i个隐藏层节点的偏差(bias),βi=[βi1,βi2,…,βim]T是连接第i个隐藏层结点的输出权值,ai·xi表示向量ai和xi的内积。激励函数g(x)可以选择为“Sigmoid”,“Sine”或“RBF”等。
如果这个具有L个隐含层结点的前馈神经网络能以零误差逼近这N个样本,则存在ai,bi,βi使
则(3)式可以简化为
Hβ=Y (5)
其中,H被称作网络的隐含层输出矩阵,在极限学习机算法中,输出权值和偏差可以随机给定,隐层矩阵H就变成一个确定的矩阵,这样前馈神经网络的训练就可以转化成一个求解输出权值矩阵的最小二乘解的问题,只需要求出输入权值的最小二乘解就能完成网络的训练,输出权值矩阵β可由(6)式得到
其中H+表示隐含层输出矩阵H的Moore-penrose广义逆。
改进引力搜索算法优化模块6:用于采用改进引力搜索算法对极限学习机预报模型的参数进行优化,实现具体步骤如下:
(1)算法初始化,随机初始化所有粒子,每个粒子代表问题的一个候选解。在一个D维的搜索空间中,假设有NP个粒子,定义第i个粒子的位置为
设定迭代结束条件,即最大迭代次数itermax。
(2)在某t时刻,定义第j个粒子作用在第i个粒子上的引力大小为:
其中,Maj(t)和Mpi(t)分别为作用粒子j的惯性质量和被作用粒子i的惯性质量,Rij(t)是第i个粒子和第j个粒子之间的欧氏距离,ε是一个很小的常量,G(t)是在t时刻的引力常数:
其中,α是下降系数,G0是初始引力常数,itermax是最大迭代次数。
(3)粒子的惯性质量依据其适应度值的大小来计算,惯性质量越大表明它越接近最优值,同时意味着该粒子的吸引力越大,但其移动速度却越慢。假设引力质量与惯性质量相等,粒子的质量可以通过适当的运算规则去更新,更新算法如下所示:
Mai=Mpi=Mii=Mi,i=1,2,...,NP (10)
其中,fiti(t)代表在t时刻第i个粒子的适应度值的大小。对求解最小值问题,best(t)和 worst(t)定义如下:
对求解最大值问题,best(t)和worst(t)定义如下:
(4)假设t时刻在第d维上作用在第i个粒子上的总作用力Fi d(t)等于其他所有粒子对它的作用力之和,计算公式如下:
其中,randj是范围在[0,1]的随机数,Kbest是一开始具有最佳适应度的前K个粒子的集合。
根据牛顿第二定律,t时刻粒子i在第d维上的加速度为:
其中,Mi(t)是第i个粒子的惯性质量。
(5)在下一次迭代中,粒子的新速度为部分当前速度与其加速度的总和。因此,GSA在每一次迭代运算过程中,粒子都会根据以下公式更新它的速度和位置:
vi(t+1)=ωvi(t)+c1ri1ai(t)+c2ri2(gbest-xi(t)) (19)
xi(t+1)=xi(t)+vi(t+1) (20)
其中,vi(t)是粒子i在第t次迭代的速度,xi(t)是粒子i在第t次迭代的位置,ai(t)是粒子i在第t次迭代的加速度,gbest是当前的最优解,ri1和ri2是[0,1]之间的两个随机数;ω逐渐减小的惯性因子,c1和c2是自适应加速度系数,计算公式如下:
其中,t和itermax分别是当前迭代次数和最大迭代次数;c1i、c1f、c2i和c2f是常数,使得 c1从2.5逐渐减小到0.5,c2从0.5逐渐增加到2.5。
(6)重复以上步骤直至达到最大迭代次数,选取适应度值最优的解作为算法的最优解,结束算法并返回。
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)
1.一种群智能高精度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所述的数据库,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、极限学习机建模模块、改进引力搜索算法优化模块、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所述群智能高精度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所述群智能高精度的雷达海杂波预报系统,其特征在于,所述极限学习机建模模块,用以建立预报模型,采用如下过程完成:
对于N个样本(xi,yi),其中xi=[xi1,xi2,…,xin]T∈Rn,yi=[yi1,yi2,…,yim]T∈Rm,则一个具有L个隐层节点,激励函数为g(x)的前馈神经网络的输出可以表示为
其中,ai=[ai1,ai2,…,ain]T是输入层到第i个隐含层节点的输入权值,bi是第i个隐藏层节点的偏差(bias),βi=[βi1,βi2,…,βim]T是连接第i个隐藏层结点的输出权值,ai·xi表示向量ai和xi的内积。激励函数g(x)可以选择为“Sigmoid”,“Sine”或“RBF”等。
如果这个具有L个隐含层结点的前馈神经网络能以零误差逼近这N个样本,则存在ai,bi,βi使
则(3)式可以简化为
Hβ=Y (5)
其中,H被称作网络的隐含层输出矩阵,在极限学习机算法中,输出权值和偏差可以随机给定,隐层矩阵H就变成一个确定的矩阵,这样前馈神经网络的训练就可以转化成一个求解输出权值矩阵的最小二乘解的问题,只需要求出输入权值的最小二乘解就能完成网络的训练,输出权值矩阵β可由(6)式得到
其中H+表示隐含层输出矩阵H的Moore-penrose广义逆。
4.根据权利要求1所述群智能高精度的雷达海杂波预报系统,其特征在于,所述改进引力搜索算法优化模块,用于采用改进引力搜索算法对极限学习机预报模型的参数进行优化,实现具体步骤如下:
(1)算法初始化,随机初始化所有粒子,每个粒子代表问题的一个候选解。在一个D维的搜索空间中,假设有NP个粒子,定义第i个粒子的位置为
设定迭代结束条件,即最大迭代次数itermax。
(2)在某t时刻,定义第j个粒子作用在第i个粒子上的引力大小为:
其中,Maj(t)和Mpi(t)分别为作用粒子j的惯性质量和被作用粒子i的惯性质量,Rij(t)是第i个粒子和第j个粒子之间的欧氏距离,ε是一个很小的常量,G(t)是在t时刻的引力常数:
其中,α是下降系数,G0是初始引力常数,itermax是最大迭代次数。
(3)粒子的惯性质量依据其适应度值的大小来计算,惯性质量越大表明它越接近最优值,同时意味着该粒子的吸引力越大,但其移动速度却越慢。假设引力质量与惯性质量相等,粒子的质量可以通过适当的运算规则去更新,更新算法如下所示:
Mai=Mpi=Mii=Mi,i=1,2,...,NP (10)
其中,fiti(t)代表在t时刻第i个粒子的适应度值的大小。对求解最小值问题,best(t)和worst(t)定义如下:
对求解最大值问题,best(t)和worst(t)定义如下:
(4)假设t时刻在第d维上作用在第i个粒子上的总作用力Fi d(t)等于其他所有粒子对它的作用力之和,计算公式如下:
其中,randj是范围在[0,1]的随机数,Kbest是一开始具有最佳适应度的前K个粒子的集合。
根据牛顿第二定律,t时刻粒子i在第d维上的加速度为:
其中,Mi(t)是第i个粒子的惯性质量。
(5)在下一次迭代中,粒子的新速度为部分当前速度与其加速度的总和。因此,GSA在每一次迭代运算过程中,粒子都会根据以下公式更新它的速度和位置:
vi(t+1)=ωvi(t)+c1ri1ai(t)+c2ri2(gbest-xi(t)) (19)
xi(t+1)=xi(t)+vi(t+1) (20)
其中,vi(t)是粒子i在第t次迭代的速度,xi(t)是粒子i在第t次迭代的位置,ai(t)是粒子i在第t次迭代的加速度,gbest是当前的最优解,ri1和ri2是[0,1]之间的两个随机数;ω逐渐减小的惯性因子,c1和c2是自适应加速度系数,计算公式如下:
其中,t和itermax分别是当前迭代次数和最大迭代次数;c1i、c1f、c2i和c2f是常数,使得c1从2.5逐渐减小到0.5,c2从0.5逐渐增加到2.5。
(6)重复以上步骤直至达到最大迭代次数,选取适应度值最优的解作为算法的最优解,结束算法并返回。
5.根据权利要求1所述群智能高精度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=[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。
所述群智能高精度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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810691158.6A CN108983180A (zh) | 2018-06-28 | 2018-06-28 | 一种群智能高精度的雷达海杂波预报系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810691158.6A CN108983180A (zh) | 2018-06-28 | 2018-06-28 | 一种群智能高精度的雷达海杂波预报系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108983180A true CN108983180A (zh) | 2018-12-11 |
Family
ID=64538731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810691158.6A Pending CN108983180A (zh) | 2018-06-28 | 2018-06-28 | 一种群智能高精度的雷达海杂波预报系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108983180A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871865A (zh) * | 2019-01-08 | 2019-06-11 | 浙江大学 | 一种基于群智能寻优的采煤机在线故障诊断系统 |
CN110501683A (zh) * | 2019-08-19 | 2019-11-26 | 杭州电子科技大学 | 一种基于四维数据特征的海陆杂波分类方法 |
CN111257885A (zh) * | 2020-03-17 | 2020-06-09 | 河海大学 | 基于极限学习机的气象雷达风电场杂波抑制方法 |
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 |
CN114970378A (zh) * | 2022-08-01 | 2022-08-30 | 青岛国数信息科技有限公司 | 一种基于gan网络的海杂波样本库构建方法 |
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 CN201810691158.6A patent/CN108983180A/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 (4)
Title |
---|
张道文: "能耗监管数据的关联与聚类分析研究", 《中国硕士学位论文全文数据库 信息科技辑》 * |
王长举: "引力优化算法及其在QoS组播路由中的应用", 《中国硕士学位论文全文数据库 信息科技辑》 * |
程宇也: "基于人工神经网络的短期电力负荷预测研究", 《中国硕士学位论文全文数据库 工程科技II辑》 * |
肖辉辉 等: "基于引力搜索机制的花粉授粉算法", 《自动化学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871865A (zh) * | 2019-01-08 | 2019-06-11 | 浙江大学 | 一种基于群智能寻优的采煤机在线故障诊断系统 |
CN110501683A (zh) * | 2019-08-19 | 2019-11-26 | 杭州电子科技大学 | 一种基于四维数据特征的海陆杂波分类方法 |
CN110501683B (zh) * | 2019-08-19 | 2021-06-04 | 杭州电子科技大学 | 一种基于四维数据特征的海陆杂波分类方法 |
CN111257885A (zh) * | 2020-03-17 | 2020-06-09 | 河海大学 | 基于极限学习机的气象雷达风电场杂波抑制方法 |
CN111257885B (zh) * | 2020-03-17 | 2022-04-15 | 河海大学 | 基于极限学习机的气象雷达风电场杂波抑制方法 |
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 |
CN114970378A (zh) * | 2022-08-01 | 2022-08-30 | 青岛国数信息科技有限公司 | 一种基于gan网络的海杂波样本库构建方法 |
CN114970378B (zh) * | 2022-08-01 | 2022-10-25 | 青岛国数信息科技有限公司 | 一种基于gan网络的海杂波样本库构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108983180A (zh) | 一种群智能高精度的雷达海杂波预报系统 | |
Rahnema et al. | An improved artificial bee colony algorithm based on whale optimization algorithm for data clustering | |
CN109001736B (zh) | 一种基于深度时空预测神经网络的雷达回波外推方法 | |
CN103824291B (zh) | 连续量子雁群算法演化脉冲耦合神经网络系统参数的自动图像分割方法 | |
CN113361777A (zh) | 基于vmd分解和ihho优化lstm的径流预测方法及系统 | |
Zhao et al. | Mutation grey wolf elite PSO balanced XGBoost for radar emitter individual identification based on measured signals | |
CN113240068A (zh) | 一种基于改进蚁狮算法的rbf神经网络优化方法 | |
CN108983177A (zh) | 一种参数最优的雷达海杂波预报系统及方法 | |
CN108985440A (zh) | 区间二型直觉模糊随机向量函数连接神经网络设计方法 | |
CN110837891A (zh) | 基于simd架构的自组织映射方法及系统 | |
Cao et al. | Improved crow search algorithm optimized extreme learning machine based on classification algorithm and application | |
CN109871934A (zh) | 基于Spark分布式的并行二进制飞蛾扑火算法的特征选择方法 | |
Hsieh | Evolution of machine learning in environmental science—A perspective | |
CN116454863A (zh) | 一种基于改进天鹰优化算法的风电功率组合预测模型的最优权重确定方法 | |
Ma | An Efficient Optimization Method for Extreme Learning Machine Using Artificial Bee Colony. | |
CN114444755A (zh) | 一种风电短期功率预测方法、装置及可读存储介质 | |
Jiang et al. | Optimal approximation of stable linear systems with a novel and efficient optimization algorithm | |
CN108983181A (zh) | 一种群智寻优的雷达海上目标检测系统 | |
CN115345207B (zh) | 一种自适应的多气象要素预测方法 | |
Denton et al. | A comparison of nonlinear optimization methods for supervised learning in multilayer feedforward neural networks | |
CN114282440B (zh) | 一种抽水蓄能机组调节系统鲁棒辨识方法 | |
Zhang et al. | Tuning extreme learning machine by an improved electromagnetism-like mechanism algorithm for classification problem | |
Liu et al. | A novel Elman neural network based on Gaussian kernel and improved SOA and its applications | |
CN108983183A (zh) | 一种自适应的雷达海杂波预报系统 | |
Kowalski et al. | A modified particle swarm optimization procedure for triggering fuzzy flip-flop neural networks |
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 |