一种智能自适应的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智能自适应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、动态模糊神经网络建模模块、改进引力搜索算法优化模块、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改进引力搜索算法优化动态模糊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、智能自适应的雷达海上目标检测系统及方法。

【技术实现步骤摘要】
一种智能自适应的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，涉及一种智能自适应的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；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能力和智能性较差的不足，本专利技术提供一种智能自适应的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：一种智能自适应的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、动态模糊神经网络建模模块、改进引力搜索算法优化模块、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。动态模糊神经网络建模模块：用以建立预报模型，采用如下过程完成：(1)网络结构：设第p个训练样本Xp＝[xp1,xp2,…,xpn]，其中n是输入变量的个数。动态模糊神经网络的结构由5层组成，详述如下：第1层为输入层，每个节点分别表示一个输入的语言变量。则可知第p个训练样本Xp有n个输入的语言变量xp1,xp2,…,xpn。第2层为隶属函数层，每个节点分别代表一个隶属函数，该隶属函数是用如下的高斯函数表示的：其中，μij是xpi的第j个隶属函数，cij是xpi的第j个高斯隶属函数的中心，σj是xpi的第j个高斯隶属函数的宽度，n是输入变量的个数，u是隶属函数的数量，也代表系统总的规则数。第3层为T-范数层，每个节点分别代表一个可能的模糊规则中的IF-部分。因此，该层节点反映了模糊规则数；同时，该层每个节点也代表了一个RBF单元，所以模糊规则数与RBF节点数相等。第j个规则Rj的输出为其中，是第j个RBF单元的中心。第4层为归一化层，该层的节点称为N节点。N节点数与模糊规则节点数相等。第j个节点Nj的输出为第5层为输出层，该层中的每个节点分别表示一个输出变量，该输出是所有输入信号的叠加：其中，y(Xp)是第p个训练样本对应的实际输出，ωk是THEN-部分或者第k个规则的连接权。ωk＝αk0+αk1xp1+…+αknxpnk＝1,2,…,u(7)其中，αk0、αk1、…、αkn是网络的结论参数。把式(4)、式(5)、式(7)代入式(6)，则得到：(2)动态模糊神经网络学习算法：对于每组观测数据(Xp,tp)，其中，Xp是第p个训练样本，tp是第p个训练样本对应的期望输出，在线进行系统结构和参数辨识，具体实现步骤如下：(2.1)确定可容纳边界的有效半径kd、根据期望的精度而预先选定的ke值、根据规则重要性而预设的常数kerr。(2.2)当到来第一组观测数据(X1,t1)时产生第一条规则，并确定前提参数和结论参数。(2.3)从第二组观测数据开始，每来一组观测数据，计算出dmin。如果dmin>kd，则进入第4步；否则，进入第5步。dmin＝argmin(dp(j))＝argmin(||Xp-Cj||)j＝1,2,…,u(9)其中，Xp是第p个训练样本，Cj是现有的RBF单元的中心，u是现有的模糊规则数或者RBF单元的数量。(2.4)计算||ep||。如果||ep||>ke，则产生新的规则，否则自动调整已有规则的参数。||ep||＝||tp-yp||(10)其中，tp是第p组观测数据期望的输出，yp是第p组观测数据实际的输出。(2.5)计算||ep||。如果||ep||>ke，则调整规则的高斯函数宽度，再调整结论参数，否则自动调整规则的结论参。(2.6)计算ηj，ηj是第j条规则的重要性。如果ηj>kerr，则删除第j条规则，否则自动调整规则的结论参数。(2.7)判断是否结束，若没有则返回第3步，否则结束整个学习过程。改进引力搜索算法优化模块：用于采用改进引力搜索算法对动态模糊神经网络模块的可容纳边界的有效半径kd值、根据期望的精度而预先选定的ke值、根据规则重要性而预设的常数kerr值进行优化，具体步骤如下：(1)算法初始化，随机初始化所有粒子，每个粒子代表问题的一个候选解。在一个D维的搜索空间中，假设有NP个粒子，定义第i个粒子的位置为设定迭代结束条件，即最大迭代次数itermax。(2)在某t时刻，定义第j个粒子作用在第i个粒子上的引力大小为：其中，Maj(t)和Mpi(t)分别为作用粒子j的惯性质量和被作用粒子i的惯性质量，Rij(t)是第i个粒子和第j个粒子之间的欧氏距离，ε是一个很小的常量，G(t)是在t时刻的引力常数：其中，α是下降系数，G0是初始引力常数，itermax是最大迭代次数。(3)粒子的惯性质量依据其适应度值的大小来计算，惯性质量越大表明它越接近最优值，同时意味着该粒子的吸引力越大，但其移动速度却越慢。假设引力质量与惯性质量相等，粒子的质量可以通过适当的运算规则去更新，更新算法如下所示：Mai＝Mpi＝Mii＝Mi,i＝1,2,…,NP(14)其中，fiti(t)代表在t时刻第i个粒子的适应度值的大小。对求解最小值问题，best(t)和worst(t)定义如下：对求解最大值问题，best(t)和worst(t)定义如下：(4)假设t时刻在第d维上作用在第i个粒子上的总作用力Fid(t)等于其他所有粒子对它的作用力之和，计算公式如下：其中，randj是范围在[0,1]的随机数，Kbest是一开始具有最佳适应度的前K个粒子的集合。根据牛顿第二定律，t时刻粒子i在第d维上的加速度为：其中，Mi(t)是第i个粒子的惯性质量。(5)在下一次迭代中，粒子的新速度为部分当前速度与其加速度的总和。因此，GSA在每一次迭代运算过程中，粒子都本文档来自技高网...

【技术保护点】
1.一种智能自适应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、动态模糊神经网络建模模块、改进引力搜索算法优化模块、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】
1.一种智能自适应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、动态模糊神经网络建模模块、改进引力搜索算法优化模块、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所述智能自适应的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所述智能自适应的雷达海上目标检测系统，其特征在于，所述动态模糊神经网络建模模块，用以建立预报模型，采用如下过程完成：(1)网络结构：设第p个训练样本Xp＝[xp1，xp2，…，xpn]，其中n是输入变量的个数。动态模糊神经网络的结构由5层组成，详述如下：第1层为输入层，每个节点分别表示一个输入的语言变量。则可知第p个训练样本Xp有n个输入的语言变量xp1，xp2，…，xpn。第2层为隶属函数层，每个节点分别代表一个隶属函数，该隶属函数是用如下的高斯函数表示的：其中，μij是xpi的第j个隶属函数，cij是xpi的第j个高斯隶属函数的中心，σj是xpi的第j个高斯隶属函数的宽度，n是输入变量的个数，u是隶属函数的数量，也代表系统总的规则数。第3层为T-范数层，每个节点分别代表一个可能的模糊规则中的IF-部分。因此，该层节点反映了模糊规则数；同时，该层每个节点也代表了一个RBF单元，所以模糊规则数与RBF节点数相等。第j个规则Rj的输出为其中，是第j个RBF单元的中心。第4层为归一化层，该层的节点称为N节点。N节点数与模糊规则节点数相等。第j个节点Nj的输出为第5层为输出层，该层中的每个节点分别表示一个输出变量，该输出是所有输入信号的叠加：其中，y(Xp)是第p个训练样本对应的实际输出，ωk是THEN-部分或者第k个规则的连接权。ωk＝αk0+αk1xp1+…+αknxpnk＝1，2，…，u(7)其中，αk0、αk1、…、αkn是网络的结论参数。把式(4)、式(5)、式(7)代入式(6)，则得到：(2)动态模糊神经网络学习算法：对于每组观测数据(Xp，tp)，其中，Xp是第p个训练样本，tp是第p个训练样本对应的期望输出，在线进行系统结构和参数辨识，具体实现步骤如下：(2.1)确定可容纳边界的有效半径kd、根据期望的精度而预先选定的ke值、根据规则重要性而预设的常数kerr。(2.2)当到来第一组观测数据(X1，t1)时产生第一条规则，并确定前提参数和结论参数。(2.3)从第二组观测数据开始，每来一组观测数据，计算出dmin。如果dmin＞kd，则进入第4步；否则，进入第5步。dmin＝argmin(dp(j))＝argmin(||Xp-Cj||)j＝1，2，…，u(9)其中，Xp是第p个训练样本，Cj是现有的RBF单元的中心，u是现有的模糊规则数或者RBF单元的数量。(2.4)计算||ep||。如果||ep||＞ke，则产生新的规则，否则自动调整已有规则的参数。||ep||＝|tp-yp||(10)其中，tp是第p组观测数据期望的输出，yp是第p组观测数据实际的输出。(2.5)计算||ep||。如果||ep||＞ke，则调整规则的高斯函数宽度，再调整结论参数，否则自动调整规则的结论参。(2.6)计算ηj，ηj是第j条规则的重要性。如果ηj＞kerr，则删除第j条规则，否则自动调整规则的结论参数。(2.7)判断是否结束，若没有则...

【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