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技术方案

本发明专利技术公开了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，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，引入差分进化入侵杂草优化，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
本专利技术涉及雷达数据处理领域，特别地，涉及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。
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本文档来自技高网...

【技术保护点】
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，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，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，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，用以采用差分进化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)初始化差分进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4；(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)对步骤(D)所产生的种子做差分进化操作，具体过程如下：1)种子变异操作。对杂草所繁殖的种子按下式进行变异操作：Ui＝Xi1+F(Xi2-Xi3)其中，Xi1，Xi2，Xi3是杂草xi所繁殖的互不相同的3个种子，F是缩放比例因子。2)种子交叉操作。该操作可以进一步提高种群的多样性：其中，CR为交叉概率。3)竞争选择操作。交叉后的种子按下式进行选择操作：(F)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；(G)判断种群规模是否达到Nmax。若达到上限，跳转至步骤(H)；否则，跳转至步骤(B)；(H)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]，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；(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，...

【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