一种基于入侵杂草优化算法的智能雷达海杂波预报系统及方法技术方案

本发明专利技术公开了一种基于入侵杂草优化算法的智能雷达海杂波预报系统及方法，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、海杂波预报模块、判别模型更新模块以及结果显示模块。本发明专利技术针对雷达海杂波的混沌特性，对雷达海杂波数据进行重构，并对重构后的数据进行非线性拟合，引入入侵杂草优化算法方法，从而建立雷达海杂波的智能预报模型，本发明专利技术提供一种避免人为因素影响、智能性高的基于入侵杂草优化算法的智能雷达海杂波预报系统及方法。

【技术实现步骤摘要】
一种基于入侵杂草优化算法的智能雷达海杂波预报系统及方法
本专利技术涉及雷达数据处理领域，特别地，涉及一种基于入侵杂草优化算法的智能雷达海杂波预报系统及方法。
技术介绍
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。
技术实现思路
为了克服传统雷达数据处理的易受人为因素影响、智能性不足的缺点，本专利技术提供一种避免人为因素影响、智能性高的基于入侵杂草优化算法的智能雷达海杂波预报系统及方法。本专利技术解决其技术问题所采用的技术方案是：一种基于入侵杂草优化算法的智能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，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)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；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，采用入侵杂草优化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：初始化入侵杂草优化算法的参数，设置最小种群规模Nmin、最大种群规模Nmax、杂草个体所能产生的最大种子规模smax、杂草个体所能产生的最小种子规模smin、种群初始状态时设定的最大值δmax、种群初始状态设定的最小值δmin、最大迭代次数itermax及非线性调和因子n等各个参数值，设种群数为P。由于模型有两个参数需要优化，所以位置pi的维度为2维，随机生成每个青蛙的位置pi＝(pi1,pi2)，置初始迭代次数iter＝0；步骤2：评估当前种群中每个杂草个体的适应度，标记种群最好适应度、最差适应度和最优个体；步骤3：判断迭代次数是否达到itermax。若达到，终止算法；否则，跳转至步骤4；步骤4：根据下式分别计算计算种群内个体繁殖的种子数目和更新当前迭代的标准差δ；其中，fi表示第i个个体的适应度，fmax和fmin分别表示当前种群对应的最大和最小适应度，smax和smin分别表示杂草个体所能产生的最大和最小种子数目，floor(·)是向下取整函数，iter表示当前进化次数，itermax表示最大进化次数，δiter为当前标准差，δmax和δmin分别为种群初始状态时设定的最大值和最小值，n是非线性调和因子。步骤5：按N(0,δ2)正态分布随机产生扩散值，并将其加入至当前种群；步骤6：判断种群规模是否达到Nmax。若达到上限，跳转至步骤7；否则，跳转至步骤2；步骤7：评估当前种群中所有个体的适应度，并按适应度大小进行排序，选择前Nmax个个体，淘汰剩余个体，标记最好适应度、最差适应度和最优个体，然后跳转至步骤3。其中，初始种群大小为20，最小种群规模为10，最大种群规模为50，杂草个体所能产生的最大和最小种子规模分别为1和10，种群初始状态设定的最小和最大值分别为100和0，最大迭代数100，非线性调和因子为3。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。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。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。一种基于入侵杂草优化算法的智能雷达海杂波预报系统所使用的雷达海杂波预报方法，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)用入侵杂草优化算法对步骤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：初始化入侵杂草优化算法的参数，设置最小种群规模Nmin、最大种群规模Nmax、杂草个体所能产生的最大种子规模smax、杂草个体所能产生的最小种子规模smin、种群初始状态时设定的最大值δmax、种群初始状态设定的最小值δmin、最大迭代次数itermax及非线性调和因子n等各个参数值，设种群数为P。由于模型有两个参数需要优化，所以位置pi的维度为2维，随机生成每个青蛙的位置pi＝(pi1,pi2)，置初始迭代次数iter＝0；步骤2：评估当前种群中每个杂草个体的适应度，标记种群最好适应度、最差适应度和最优个体；步骤3：判断迭代次数是否达到itermax。若达到，终止算法；否则，跳转至步骤4；步骤4：根据下式分别计算计算种群内个体繁殖的种子数目和更新当前迭代的标准差δ；其中，fi表示第i个个体的适应度，fmax和fmin分别表示当前种群对应的最大和最小适应度，smax和smin分别表示杂草个体所能产生的最大和最小种子数目，floor(·)是向下取整函数，iter表示当本文档来自技高网...

【技术保护点】
一种基于入侵杂草优化算法的智能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，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、海杂波预报模块、判别模型更新模块和结果显示模块；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】
1.一种基于入侵杂草优化算法的智能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，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、海杂波预报模块、判别模型更新模块和结果显示模块；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：将数据预处理模块得到的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，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，用以采用入侵杂草优化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)：初始化入侵杂草优化算法的参数，设置最小种群规模Nmin、最大种群规模Nmax、杂草个体所能产生的最大种子规模smax、杂草个体所能产生的最小种子规模smin、种群初始状态时设定的最大值δmax、种群初始状态设定的最小值δmin、最大迭代次数itermax及非线性调和因子n等各个参数值，设种群数为P。由于模型有两个参数需要优化，所以位置pi的维度为2维，随机生成每个青蛙的位置pi＝(pi1,pi2)，置初始迭代次数iter＝0；(B)：评估当前种群中每个杂草个体的适应度，标记种群最好适应度、最差适应度和最优个体；(C)：判断迭代次数是否达到itermax。若达到，终止算法；否则，跳转至步骤(D)；(D)：根据下式分别计算计算种群内个体繁殖的种子数目和更新当前迭代的标准差δ；其中，fi表示第i个个体的适应度，fmax和fmin分别表示当前种群对应的最大和最小适应度，smax和smin分别表示杂草个体所能产生的最大和最小种子数目，floor(·)是向下取整函数，iter表示当前进化次数，itermax表示最大进化次数，δiter为当前标准差，δmax和δmin分别为种群初始状态时设定的最大值和最小值，n是非线性调和因子。(E)：按N(0,δ2)正态分布随机产生扩散值，并将其加入至当前种群；(F)：判断种群规模是否达到Nmax。若达到上限，跳转至步骤(G)；否则，跳转至步骤(B)；(G)：评估当前种群中所有个体的适应度，并按适应度大小进行排序，选择前Nmax个个体，淘汰剩余个体，标记最好适应度、最差适应度和最优个体，然后跳转至步骤(C)。其中，初始种群大小为10，最小种群规模为10，最大种群规模为100，杂草个体所能产生的最大和最小种子规模分别为1和10，种群初始状态设定的最小和最大值分别为100和0，最大迭代数100，非线性调和因子为3。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：(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...

【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