一种自适应高精度的智能雷达海上目标检测系统技术方案

本发明专利技术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。本发明专利技术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。

【技术实现步骤摘要】
一种自适应高精度的智能雷达海上目标检测系统
本专利技术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。
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；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。
技术实现思路
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，本专利技术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。本专利技术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，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,…,xn表示输入变量，ψ1,ψ2,…,ψM表示输出变量，Akj是包含高斯成员函数的第k个模糊集，ωik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，mj和σj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,…,xn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。ψk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mj和宽度σj，小波函数的平移因子bik和缩放因子aik，第四层小波层的权值参数ωik，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＝(ηm,ησ,ηb,ηa,ηω1,ηω2)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ωik的增量计算如下：缩放因子aik的增量计算如下：平移因子bik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mj的增量计算如下：成员函数宽度参数σj的增量计算如下：因此，只要确定了学习速率η＝(ηm,ησ,ηb,ηa,ηω1,ηω2)，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,…,sn)，其中sj＝(x1,x2,…,xD)(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：Fj＝F(sj)(24)F(sj)＝1/(Ej+1)(25)其中，Ej是模型的误差函数，表示为：其中，是预测输出，Op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itermax，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sj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sj的概率Pj，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sj依次执行局部搜索：2.3.1)设置蚂蚁sj最大局部搜索次数qmax，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,…,dD)·kα·qβ(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sjold的基础上生成新的解sjnew：sjnew＝sjold+del(29)计算新解sjnew的信息素浓度，与原来的解sjnew的信息素浓度进行比较，如果新解信息素浓度大，则用sjnew取代sjold，并维持d本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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，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，…，xn表示输入变量，ψ1，ψ2，…，ψM表示输出变量，Akj是包含高斯成员函数的第k个模糊集，ωik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，mj和σj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，…，xn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。ψk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mj和宽度σj，小波函数的平移因子bik和缩放因子aik，第四层小波层的权值参数ωik，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＝(ηm，ησ，ηb，ηa，ηω1，ηω2)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ωik的增量计算如下：缩放因子aik的增量计算如下：平移因子bik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mj的增量计算如下：成员函数宽度参数σj的增量计算如下：因此，只要确定了学习速率η＝(ηm，ησ，ηb，ηa，ηω1，ηω2)，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，…，sn)，其中sj＝(x1，...

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