CN108983184A - 一种自适应高精度的智能雷达海上目标检测系统 - Google Patents

Abstract

本发明公开了一种自适应高精度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、模糊小波神经网络建模模块、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模糊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、自适应、高精度的雷达海上目标检测系统及方法。

Description

一种自适应高精度的智能雷达海上目标检测系统

技术领域

本发明涉及雷达数据处理领域，特别地，涉及一种自适应高精度的智能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自适应差、检测精度不高的不足，本发明提供一种实现在线检测、自适应、高精度的智能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：一种自适应高精度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；所述的上位机包括数据预处理模块、模糊小波神经网络建模模块、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x_i：

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。

模糊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：

(1)模糊小波神经网络是一个五层的网络结构，包含输入层、模糊化层、规则层、小波结果层、输出层。该网络的模糊规则服从下面的形式：

其中，x₁,x₂,…,x_n表示输入变量，ψ₁,ψ₂,…,ψ_M表示输出变量，A_kj是包含高斯成员函数的第k个模糊集，ω_ik是连接权值。

对每一层的节点的描述如下：

第一层(输入层)：在这一层里，每个节点代表一个输入变量，每个输入变量在节点处都被直接映射到节点的输出，其中n表示其中输入变量的个数。

第二层(模糊化层)：第一层的输出作为成员函数的输入，相应的成员函数值可以根据下面的高斯函数计算得到：

其中，m_j和σ_j分别表示高斯成员函数的中心和宽度，M表示规则的个数。

第三层(规则层)：在这一层里，节点数等于规则数，每一个节点都代表了一个对输入变量的T-范数操作，这里的输入变量即为第二层模糊化层的输出值，节点的输出为输入变量对此规则的适用度。则第k个节点的输出为

其中，模糊化层和规则层之间的连接权值设定为1。

第四层(小波结果层)：小波层接收变量x₁,x₂,…,x_n作为输入信号，它包含M个小波神经网络，并且每个小波神经网络对应一个模糊规则的结果层。ψ_k是小波神经网络的输出，表示如下：

结果层的节点接收来自小波层和规则层的输入，并将两者相乘，作为该层的输出：

其中，结果层和规则层之间的连接权值设定为1。

第五层(输出层)：这一层的每个输出都代表了一个输出变量，输出变量是由该层的节点集合第四层的输出变量值并对其进行反模糊化，这里采用加权求和作为反模糊化函数。计算网络的最终输出：

(2)网络学习算法

在模糊小波神经网络中需要修正的参数集合为包括第二层中高斯成员函数的中心m_j和宽度σ_j，小波函数的平移因子b_ik和缩放因子a_ik，第四层小波层的权值参数ω_ik，第五层的连接权值

在梯度下降算法中，根据目标函数梯度的反方向来调整网络的结构参数定义目标函数如下：

其中，y和f分别表示预测值和真实值。

模糊小波神经网络参数的更新规则如下式所示：

Θ(t+1)＝Θ(t)+ΔΘ (12)

其中，η＝(η_m,η_σ,η_b,η_a,η_ω1,η_ω2)表示各参数对应的学习速率，上式中的微分项可以根据下面描述的后向传播算法计算得到。

第五层：这一层需要传播的误差项为

相应地，连接权值的增量计算如下：

第四层：这一层需要传播的误差项为

小波层权值参数ω_ik的增量计算如下：

缩放因子a_ik的增量计算如下：

平移因子b_ik的增量计算如下：

第三层：这一层需要传播的误差项为

第二层：这一层的误差项计算如下：

相应地，成员函数中心参数m_j的增量计算如下：

成员函数宽度参数σ_j的增量计算如下：

因此，只要确定了学习速率η＝(η_m,η_σ,η_b,η_a,η_ω1,η_ω2)，就可以调整网络的结构参数，从而使网络预测输出不断逼近期望输出。

自适应蚁群算法优化模块：用于采用自适应蚁群算法对模糊小波神经网络模块的网络结构学习速率进行优化，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,…,s_n)，其中s_j＝(x₁,x₂,…,x_D)(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：

F_j＝F(s_j) (24)

F(s_j)＝1/(E_j+1) (25)

其中，E_j是模型的误差函数，表示为：

其中，是预测输出，O_p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iter_max，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s_j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s_j的概率P_j，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s_j依次执行局部搜索：

2.3.1)设置蚂蚁s_j最大局部搜索次数q_max，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,…,d_D)·k^α·q^β (28)

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s_jold的基础上生成新的解s_jnew：

s_jnew＝s_jold+del (29)

计算新解s_jnew的信息素浓度，与原来的解s_jnew的信息素浓度进行比较，如果新解信息

素浓度大，则用s_jnew取代s_jold，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s_j的局部搜索次数增加1，q＝q+1；如果q>q_max，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s_j的信息素浓度。

F_j＝(1-P)*F_j+c*F(s_j) (30)

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,…,s_n)，对每只蚂蚁确定其被选中做全局搜索的概率，信息素浓度F_j越低概率越大：

3.2)根据每只蚂蚁s_j的概率Q_j，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s_jold，都在S中随机选择一个蚂蚁s_jrandom与其交叉，生成一个新的解s_jnew，使用s_jnew替代s_jold，并根据s_jnew的适应度值更新对应的信息素浓度F_j：

s_jnew＝r·s_jold+(1-r)·s_jrandom (32)

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>iter_max，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＝[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Q_α：

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，C_α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Q_α时，该点存在目标，否则没有目标。

所述自适应高精度的智能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自适应差、检测精度不高的不足，针对雷达海杂波的混沌特性建立预报模型，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自适应、高精度目标检测。

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2，一种自适应高精度的智能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。

模糊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：

(1)模糊小波神经网络是一个五层的网络结构，包含输入层、模糊化层、规则层、小波结果层、输出层。该网络的模糊规则服从下面的形式：

其中，x₁,x₂,…,x_n表示输入变量，ψ₁,ψ₂,…,ψ_M表示输出变量，A_kj是包含高斯成员函数的第k个模糊集，ω_ik是连接权值。

对每一层的节点的描述如下：

第一层(输入层)：在这一层里，每个节点代表一个输入变量，每个输入变量在节点处都被直接映射到节点的输出，其中n表示其中输入变量的个数。

第二层(模糊化层)：第一层的输出作为成员函数的输入，相应的成员函数值可以根据下面的高斯函数计算得到：

其中，m_j和σ_j分别表示高斯成员函数的中心和宽度，M表示规则的个数。

第三层(规则层)：在这一层里，节点数等于规则数，每一个节点都代表了一个对输入变量的T-范数操作，这里的输入变量即为第二层模糊化层的输出值，节点的输出为输入变量对此规则的适用度。则第k个节点的输出为

其中，模糊化层和规则层之间的连接权值设定为1。

第四层(小波结果层)：小波层接收变量x₁,x₂,…,x_n作为输入信号，它包含M个小波神经网络，并且每个小波神经网络对应一个模糊规则的结果层。ψ_k是小波神经网络的输出，表示如下：

结果层的节点接收来自小波层和规则层的输入，并将两者相乘，作为该层的输出：

其中，结果层和规则层之间的连接权值设定为1。

第五层(输出层)：这一层的每个输出都代表了一个输出变量，输出变量是由该层的节点集合第四层的输出变量值并对其进行反模糊化，这里采用加权求和作为反模糊化函数。计算网络的最终输出：

(2)网络学习算法

在模糊小波神经网络中需要修正的参数集合为包括第二层中高斯成员函数的中心m_j和宽度σ_j，小波函数的平移因子b_ik和缩放因子a_ik，第四层小波层的权值参数ω_ik，第五层的连接权值

在梯度下降算法中，根据目标函数梯度的反方向来调整网络的结构参数定义目标函数如下：

其中，y和f分别表示预测值和真实值。

模糊小波神经网络参数的更新规则如下式所示：

Θ(t+1)＝Θ(t)+ΔΘ (12)

其中，η＝(η_m,η_σ,η_b,η_a,η_ω1,η_ω2)表示各参数对应的学习速率，上式中的微分项可以根据下面描述的后向传播算法计算得到。

第五层：这一层需要传播的误差项为

相应地，连接权值的增量计算如下：

第四层：这一层需要传播的误差项为

小波层权值参数ω_ik的增量计算如下：

缩放因子a_ik的增量计算如下：

平移因子b_ik的增量计算如下：

第三层：这一层需要传播的误差项为

第二层：这一层的误差项计算如下：

相应地，成员函数中心参数m_j的增量计算如下：

成员函数宽度参数σ_j的增量计算如下：

因此，只要确定了学习速率η＝(η_m,η_σ,η_b,η_a,η_ω1,η_ω2)，就可以调整网络的结构参数，从而使网络预测输出不断逼近期望输出。

自适应蚁群算法优化模块6：用于采用自适应蚁群算法对模糊小波神经网络模块的网络结构学习速率进行优化，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,…,s_n)，其中s_j＝(x₁,x₂,…,x_D)(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：

F_j＝F(s_j) (24)

F(s_j)＝1/(E_j+1) (25)

其中，E_j是模型的误差函数，表示为：

其中，是预测输出，O_p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iter_max，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s_j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s_j的概率P_j，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s_j依次执行局部搜索：

2.3.1)设置蚂蚁s_j最大局部搜索次数q_max，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,…,d_D)·k^α·q^β (28)

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s_jold的基础上生成新的解s_jnew：

s_jnew＝s_jold+del (29)

计算新解s_jnew的信息素浓度，与原来的解s_jnew的信息素浓度进行比较，如果新解信息

素浓度大，则用s_jnew取代s_jold，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s_j的局部搜索次数增加1，q＝q+1；如果q>q_max，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s_j的信息素浓度。

F_j＝(1-P)*F_j+c*F(s_j) (30)

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,…,s_n)，对每只蚂蚁确定其被选中做全局搜索的概率，信息素浓度F_j越低概率越大：

3.2)根据每只蚂蚁s_j的概率Q_j，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s_jold，都在S中随机选择一个蚂蚁s_jrandom与其交叉，生成一个新的解s_jnew，使用s_jnew替代s_jold，并根据s_jnew的适应度值更新对应的信息素浓度F_j：

s_jnew＝r·s_jold+(1-r)·s_jrandom (32)

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>iter_max，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＝[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Q_α：

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，C_α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Q_α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)

1.一种自适应高精度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、模糊小波神经网络建模模块、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所述自适应高精度的智能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所述自适应高精度的智能雷达海上目标检测系统，其特征在于，所述模糊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：

(1)模糊小波神经网络是一个五层的网络结构，包含输入层、模糊化层、规则层、小波结果层、输出层。该网络的模糊规则服从下面的形式：

其中，x₁，x₂，…，x_n表示输入变量，ψ₁，ψ₂，…，ψ_M表示输出变量，A_kj是包含高斯成员函数的第k个模糊集，ω_ik是连接权值。

对每一层的节点的描述如下：

第一层(输入层)：在这一层里，每个节点代表一个输入变量，每个输入变量在节点处都被直接映射到节点的输出，其中n表示其中输入变量的个数。

第二层(模糊化层)：第一层的输出作为成员函数的输入，相应的成员函数值可以根据下面的高斯函数计算得到：

其中，m_j和σ_j分别表示高斯成员函数的中心和宽度，M表示规则的个数。

第三层(规则层)：在这一层里，节点数等于规则数，每一个节点都代表了一个对输入变量的T-范数操作，这里的输入变量即为第二层模糊化层的输出值，节点的输出为输入变量对此规则的适用度。则第k个节点的输出为

其中，模糊化层和规则层之间的连接权值设定为1。

第四层(小波结果层)：小波层接收变量x₁，x₂，…，x_n作为输入信号，它包含M个小波神经网络，并且每个小波神经网络对应一个模糊规则的结果层。ψ_k是小波神经网络的输出，表示如下：

结果层的节点接收来自小波层和规则层的输入，并将两者相乘，作为该层的输出：

其中，结果层和规则层之间的连接权值设定为1。

第五层(输出层)：这一层的每个输出都代表了一个输出变量，输出变量是由该层的节点集合第四层的输出变量值并对其进行反模糊化，这里采用加权求和作为反模糊化函数。计算网络的最终输出：

(2)网络学习算法

在模糊小波神经网络中需要修正的参数集合为包括第二层中高斯成员函数的中心m_j和宽度σ_j，小波函数的平移因子b_ik和缩放因子a_ik，第四层小波层的权值参数ω_ik，第五层的连接权值

在梯度下降算法中，根据目标函数梯度的反方向来调整网络的结构参数定义目标函数如下：

其中，y和f分别表示预测值和真实值。

模糊小波神经网络参数的更新规则如下式所示：

Θ(t+1)＝Θ(t)+ΔΘ (12)

其中，η＝(η_m，η_σ，η_b，η_a，η_ω1，η_ω2)表示各参数对应的学习速率，上式中的微分项可以根据下面描述的后向传播算法计算得到。

第五层：这一层需要传播的误差项为

相应地，连接权值的增量计算如下：

第四层：这一层需要传播的误差项为

小波层权值参数ω_ik的增量计算如下：

缩放因子a_ik的增量计算如下：

平移因子b_ik的增量计算如下：

第三层：这一层需要传播的误差项为

第二层：这一层的误差项计算如下：

相应地，成员函数中心参数m_j的增量计算如下：

成员函数宽度参数σ_j的增量计算如下：

因此，只要确定了学习速率η＝(η_m，η_σ，η_b，η_a，η_ω1，η_ω2)，就可以调整网络的结构参数，从而使网络预测输出不断逼近期望输出。

4.根据权利要求1所述自适应高精度的智能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模糊小波神经网络模块的网络结构学习速率进行优化，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，…，s_n)，其中s_j＝(x₁，x₂，…，x_D)(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：

F_j＝F(s_j) (24)

F(s_j)＝1/(E_j+1) (25)

其中，E_j是模型的误差函数，表示为：

其中，是预测输出，O_p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iter_max，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s_j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s_j的概率P_j，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s_j依次执行局部搜索：

2.3.1)设置蚂蚁s_j最大局部搜索次数q_max，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，…，d_D)·k^α·q^β (28)

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s_jold的基础上生成新的解s_jnew：

s_jnew＝s_jold+del (29)

计算新解s_jnew的信息素浓度，与原来的解s_jnew的信息素浓度进行比较，如果新解信息素浓度大，则用s_jnew取代s_jold，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s_j的局部搜索次数增加1，q＝q+1；如果q＞q_max，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s_j的信息素浓度。

F_j＝(1-P)*F_j+c*F(s_j) (30)

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，…，s_n)，对每只蚂蚁确定其被选中做全局搜索的概率，信息素浓度F_j越低概率越大：

3.2)根据每只蚂蚁s_j的概率Q_j，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s_jold，都在S中随机选择一个蚂蚁s_jrandom与其交叉，生成一个新的解s_jnew，使用s_jnew替代s_jold，并根据s_jnew的适应度值更新对应的信息素浓度F_j：

s_jnew＝r·s_jold+(1-r)·s_jrandom (32)

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＞iter_max，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所述自适应高精度的智能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＝[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Q_α：

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，C_α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Q_α时，该点存在目标，否则没有目标。

所述自适应高精度的智能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。