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技术方案

本发明专利技术公开了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，系统由雷达、数据库和上位机依次相连组成，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，所述的上位机包括数据预处理模块、鲁棒预报模型建模模块、智能寻优模块、目标检测模块、模型更新模块以及结果显示模块：本发明专利技术针对海上目标检测的复杂特性，对雷达杂波数据进行重构，并对目标数据进行检测，引入改进人工蜂群算法，从而提供一种实现在线检测、智能性高的雷达海上目标检测系统及方法。

【技术实现步骤摘要】
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
本专利技术涉及雷达数据处理领域，特别地，涉及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。
技术介绍
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；3)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。
技术实现思路
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，本专利技术提供一种实现在线检测、智能性强的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。本专利技术解决其技术问题所采用的技术方案是：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，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，所述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，所述的上位机包括：数据预处理模块，用以进行雷达海杂波数据预处理，采用如下过程完成：(1)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；(2)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,...,N；(3)对训练样本进行归一化处理，得到归一化幅值xi：其中，minx表示训练样本中的最小值，maxx表示训练样本中的最大值；(4)将归一化后的训练样本重构，分别得到输入矩阵X和对应的输出矩阵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；所述鲁棒预报模型建模模块用以建立预报模型，采用如下过程完成：将得到的X、Y代入如下线性方程：其中权重因子vi由下式计算：其中是误差变量ξi标准差的估计，c1,c2为常量；求解得待估计函数f(x)：其中，M是支持向量的数目，1v＝[1,...,1]T,上标T表示矩阵的转置，是拉格朗日乘子，b*是偏置量，K＝exp(-||xi-xj||/θ2)，其中i＝1,…,M，j＝1,…,M，和exp(-||x-xi||/θ2)均为支持向量机的核函数，xj为第j个雷达海杂波回波信号幅值，θ是核参数，x表示输入变量，γ是惩罚系数；智能寻优模块，采用改进人工蜂群算法对鲁棒预报模型的核参数θ和惩罚系数γ进行优化，采用如下过程完成：步骤1：初始化改进人工蜂群算法的参数，设蜜源数P，最大迭代数itermax，初始搜索空间的最小值和最大值Ld和Ud；蜜源的位置表示问题的可行解，由于模型有两个参数需要优化，所以位置pi的维度为2维，按下式随机生成蜜源的位置pi＝(pi1,pi2)，置初始迭代次数iter＝0；pij＝Ld+rand()*(Ud-Ld)(i＝1,2,...,P,j＝1,2)步骤2：为蜜源pi分配一只引领蜂，按下式进行搜索，产生新蜜源Vi；步骤3：计算Vi的适应度值，根据灵敏度与信息素配合的方法选择蜜源，其过程如下：1)计算P个蜜源的适应度值；2)计算第i个蜜源的信息素nf(i)：3)随机产生第i个跟随蜂的灵敏度S(i)～U(0,1)；4)找出配合第i个跟随蜂的灵敏度的蜜源：随机找出i，满足nf(i)≤S(i)。步骤4：计算引领蜂找到的蜜源被更随的概率；步骤5：跟随蜂采用与引领蜂相同的方式进行搜索，根据灵敏度与信息素配合的方法选择蜜源；步骤6：判断蜜源Vi是否满足被放弃的条件，如满足，对应的引领蜂角色变为侦察蜂，否则直接转到步骤8；步骤7：侦察蜂随机产生新蜜源；步骤8：iter＝iter+1，判断是否已经达到最大迭代次数，若满足则输出最优参数，否则转到步骤2。其中，蜜源数为100，初始搜索空间的最小值和最大值0和100，最大迭代次数100。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)代入鲁棒预报模型建模模块得到的待估计函数f(x)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，λji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，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。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。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所使用的雷达海上目标检测方法，所述的方法包括以下步骤：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,...,N；2)对训练样本进行归一化处理，得到归一化幅值其中，minx表示训练样本中的最小值，maxx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和对应的输出矩阵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；4)将得到的X、Y代入如下线性方程：其中权重因子vi由下式计算：其中是误差变量ξi标准差的估计，c1,c2为常量；求解得待估计函数f(x)：其中，M是支持向量的数目，1v＝[1,...,1]T,K＝exp(-||xi-xj||/θ2)，上标T表示矩阵的转置，是拉格朗日乘子，其中，i＝1,...,M，j＝1,…,M，b*是偏置量，和exp(-||x-xi||/θ2)均为支持向量机的核函数，xj为第j个雷达海杂波回波信号幅值，θ是核参数，x表示输入变量，γ是惩罚系数；5)用改进人工蜂群算法对步骤4)的核参数θ和惩罚系数γ进行优化，采用如下过程完成：步骤1：初始化改进人工蜂群算法的参数，设蜜源数P，最大迭代数itermax，初始搜索空间的最小值和最大值Ld和Ud；蜜源的位置表示问题的可行解，由于模型有两个参数需要优化，所以位置pi的维度为2维，按下式随机生成蜜源的位置pi＝(pi1,pi2)，置初始迭代次数iter＝0；pij＝Ld+rand()*(Ud-Ld)(i＝1,2,...,P,j＝1,2)步骤2：本文档来自技高网...

【技术保护点】
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，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，其特征在于：所述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，所述的上位机包括数据预处理模块、鲁棒预报模型建模模块、智能寻优模块、目标检测模块、模型更新模块以及结果显示模块：所述数据预处理模块，用以进行雷达海杂波数据预处理，采用如下过程完成：(1)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；(2)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,...,N；(3)对训练样本进行归一化处理，得到归一化幅值

【技术特征摘要】
1.一种基于改进人工蜂群算法的智能雷达海上目标检测系统，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，其特征在于：所述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，所述的上位机包括数据预处理模块、鲁棒预报模型建模模块、智能寻优模块、目标检测模块、模型更新模块以及结果显示模块：所述数据预处理模块，用以进行雷达海杂波数据预处理，采用如下过程完成：(1)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；(2)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,...,N；(3)对训练样本进行归一化处理，得到归一化幅值其中，minx表示训练样本中的最小值，maxx表示训练样本中的最大值；(4)将归一化后的训练样本重构，分别得到输入矩阵X和对应的输出矩阵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；所述鲁棒预报模型建模模块用以建立预报模型，采用如下过程完成：将得到的X、Y代入如下线性方程：其中权重因子vi由下式计算：其中是误差变量ξi标准差的估计，c1,c2为常量；求解得待估计函数f(x)：其中，M是支持向量的数目，1v＝[1,...,1]T,上标T表示矩阵的转置，是拉格朗日乘子，b*是偏置量，K＝exp(-||xi-xj||/θ2)，其中i＝1,…,M，j＝1,…,M，和exp(-||x-xi||/θ2)均为支持向量机的核函数，xj为第j个雷达海杂波回波信号幅值，θ是核参数，x表示输入变量，γ是惩罚系数；所述智能寻优模块，用以采用改进人工蜂群算法对鲁棒预报模型的核参数θ和惩罚系数γ进行优化，采用如下过程完成：(A)初始化改进人工蜂群算法的参数，设蜜源数P，最大迭代数itermax，初始搜索空间的最小值和最大值Ld和Ud；蜜源的位置表示问题的可行解，由于模型有两个参数需要优化，所以位置pi的维度为2维，按下式随机生成蜜源的位置pi＝(pi1,pi2)，置初始迭代次数iter＝0；pij＝Ld+rand()*(Ud-Ld)(i＝1,2,...,P,j＝1,2)(B)为蜜源pi分配一只引领蜂，按下式进行搜索，产生新蜜源Vi；(C)计算Vi的适应度值，根据灵敏度与信息素配合的方法选择蜜源，其过程如下：1)计算P个蜜源的适应度值；2)计算第i个蜜源的信息素nf(i)：3)随机产生第i个跟随蜂的灵敏度S(i)～U(0,1)；4)找出配合第i个跟随蜂的灵敏度的蜜源：随机找出i，满足nf(i)≤S(i)。(D)计算引领蜂找到的蜜源被更随的概率；(E)跟随蜂采用与引领蜂相同的方式进行搜索，根据灵敏度与信息素配合的方法选择蜜源；(F)判断蜜源Vi是否满足被放弃的条件，如满足，对应的引领蜂角色变为侦察蜂，否则直接转到步骤(H)；(G)侦察蜂随机产生新蜜源；(H)iter＝iter+1，判断是否已经达到最大迭代次数，若满足则输出最优参数，否则转到步骤(B)。其中，蜜源数为100，初始搜索空间的最小值和最大值0和100，最大迭代次数100。目标检测模块，用以进行目标检测，采用如下过程完成：(a)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]，TX表示海杂波从第t-D+1采样时刻到第t采样时刻的信号幅值矩阵，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；(b)进行归一化处理；(c)代入鲁棒预报模型建模模块得到的待估计函数f(x)计算得到采样时刻(t+1)的海杂波预报值。(d)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，λji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；(e)进行检测判断：当e2差值大于控制限Qα时，该点存...

【专利技术属性】
技术研发人员：刘兴高，卢伟胜，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33