CN108983181A - 一种群智寻优的雷达海上目标检测系统 - Google Patents
一种群智寻优的雷达海上目标检测系统 Download PDFInfo
- Publication number
- CN108983181A CN108983181A CN201810691159.0A CN201810691159A CN108983181A CN 108983181 A CN108983181 A CN 108983181A CN 201810691159 A CN201810691159 A CN 201810691159A CN 108983181 A CN108983181 A CN 108983181A
- Authority
- CN
- China
- Prior art keywords
- particle
- radar
- module
- neural network
- 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)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种群智寻优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、小波神经网络建模模块、改进引力搜索算法优化模块、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改进引力搜索算法优化小波神经网络的智能雷达海上目标检测方法。本发明提供一种实现在线检测、群智寻优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,涉及一种群智寻优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无法实现在线检测、智能性较差的不足,本发明提供一种实现在线检测、群智寻优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:一种群智寻优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、小波神经网络建模模块、改进引力搜索算法优化模块、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xi:
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,…,xn)T是小波神经网络的输入向量,y=(y1,y2,…,ym)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,Ψi(x)为隐含层第i个节点输出值,ψ为小波基函数,bi=(bij)和ai=(aij)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,ωik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。
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小波神经网络模块的结构参数进行优化,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 (16)
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)) (25)
xi(t+1)=xi(t)+vi(t+1) (26)
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。
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。
所述群智寻优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无法实现在线检测、智能性较差的不足,采用小波神经网络建立海杂波预报模型,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,进一步引入改进引力搜索优化算法进行群智寻优,从而实现海杂波背景下的在线目标检测。
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2,一种群智寻优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。
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,…,xn)T是小波神经网络的输入向量,y=(y1,y2,…,ym)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,Ψi(x)为隐含层第i个节点输出值,ψ为小波基函数,bi=(bij)和ai=(aij)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,ωik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。
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小波神经网络模块的结构参数进行优化,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 (16)
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)) (25)
xi(t+1)=xi(t)+vi(t+1) (26)
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。
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)
1.一种群智寻优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、小波神经网络建模模块、改进引力搜索算法优化模块、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所述群智寻优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所述群智寻优的雷达海上目标检测系统,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,…,xn)T是小波神经网络的输入向量,y=(y1,y2,…,ym)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,Ψi(x)为隐含层第i个节点输出值,ψ为小波基函数,bi=(bij)和ai=(aij)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,ωik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所述群智寻优的雷达海上目标检测系统,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小波神经网络模块的结构参数进行优化,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 (16)
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)) (25)
xi(t+1)=xi(t)+vi(t+1) (26)
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所述群智寻优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。
所述群智寻优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 |
---|---|---|---|
CN201810691159.0A CN108983181A (zh) | 2018-06-28 | 2018-06-28 | 一种群智寻优的雷达海上目标检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810691159.0A CN108983181A (zh) | 2018-06-28 | 2018-06-28 | 一种群智寻优的雷达海上目标检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108983181A true CN108983181A (zh) | 2018-12-11 |
Family
ID=64538744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810691159.0A Pending CN108983181A (zh) | 2018-06-28 | 2018-06-28 | 一种群智寻优的雷达海上目标检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108983181A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109697505A (zh) * | 2018-12-28 | 2019-04-30 | 浙江大学 | 卷积神经网络的丙烯聚合生产过程最优软测量仪表 |
CN109782606A (zh) * | 2019-03-12 | 2019-05-21 | 北京理工大学珠海学院 | 基于改良型引力搜索方法的递回式小波艾尔曼神经网络 |
CN110889531A (zh) * | 2019-08-22 | 2020-03-17 | 合肥工业大学 | 一种基于改进gsa-bp神经网络的风电预测方法及预测系统 |
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 CN201810691159.0A patent/CN108983181A/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 (6)
Title |
---|
廖忠: "小波网络及其在水轮机调节系统中的应用研究", 《中国博士学位论文全文数据库 工程科技II辑》 * |
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》 * |
李晓龙: "基于支持向量机的岩体力学参数反演及工程应用", 《中国博士学位论文全文数据库 工程科技II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》 * |
肖辉辉 等: "基于引力搜索机制的花粉授粉算法", 《自动化学报》 * |
钱振松: "小波网络及组合预测在赤潮灾害智能预警系统中的应用研究", 《中国硕士学位论文全文数据库 工程科技I辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109697505A (zh) * | 2018-12-28 | 2019-04-30 | 浙江大学 | 卷积神经网络的丙烯聚合生产过程最优软测量仪表 |
CN109782606A (zh) * | 2019-03-12 | 2019-05-21 | 北京理工大学珠海学院 | 基于改良型引力搜索方法的递回式小波艾尔曼神经网络 |
CN110889531A (zh) * | 2019-08-22 | 2020-03-17 | 合肥工业大学 | 一种基于改进gsa-bp神经网络的风电预测方法及预测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN102147463B (zh) | 一种群智雷达海杂波预报系统及方法 | |
CN108983179A (zh) | 一种群智能敏捷的雷达海上目标检测系统 | |
CN108983181A (zh) | 一种群智寻优的雷达海上目标检测系统 | |
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 | |
CN108983180A (zh) | 一种群智能高精度的雷达海杂波预报系统 | |
CN110068302A (zh) | 一种基于深度神经网络的车辆测距方法 | |
CN108983177A (zh) | 一种参数最优的雷达海杂波预报系统及方法 | |
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 | |
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 | |
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 | |
CN102183746B (zh) | 一种雷达海上目标检测系统及方法 | |
CN108983185A (zh) | 一种智能自适应的雷达海上目标检测系统及方法 | |
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 | |
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 | |
CN102183744B (zh) | 一种群智雷达海上目标检测系统及方法 | |
CN108983183A (zh) | 一种自适应的雷达海杂波预报系统 | |
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 | |
CN107818224A (zh) | 基于果蝇优化算法优化小波神经网络的海杂波最优软测量仪表及方法 | |
CN108875578A (zh) | 一种自适应群智能优化sar雷达空中飞行目标识别系统 | |
Zou et al. | Impact-induced damage recognition of aluminium alloy stiffened plate structure based on convolutional neural network | |
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 |
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 |