一种基于多模态优化的微小机动多目标快速检测方法技术

本发明专利技术公开了一种基于多模态优化的微小机动多目标快速检测方法，属于雷达目标检测技术及智能优化技术领域，可以提升雷达针对微小机动多目标的检测效率。首先获取雷达回波信号，设置多模态粒子群优化算法参数，初始化所有粒子的位置与速度。计算每个粒子的适应度值并更新其个体最优解。采用改进的多模态子群划分方法将粒子划分到不同的子群，确定子群的种子粒子。所有子群种子进行个体最优解的盲速旁瓣跳出，并更新其个体最优解。更新每个粒子的速度和位置并加以边界约束。判断无效子群并重置。执行迭代直到设定的最大迭代次数。将所有子群种子的个体最优解作为检测到的目标，并从中剔除虚假目标。

【技术实现步骤摘要】
一种基于多模态优化的微小机动多目标快速检测方法
本专利技术涉及雷达目标检测技术及智能优化
，具体涉及一种基于多模态优化的微小机动多目标快速检测方法。
技术介绍
随着雷达在民用领域的广泛应用，鸟类、昆虫和小型无人机等微小机动目标对雷达目标检测带来了新的挑战。现代雷达一般会采用回波脉冲长时间积累的方式来聚集目标能量，提升微小目标的检测信噪比，主要积累分为非相参积累和相参积累两种。在长时间积累中，很容易产生的跨距离单元(ARU)现象和跨多普勒单元(ADU)现象，会导致传统的动目标检测(MTD)技术无法实现目标能量的有效聚集。现有的Hough变换和动态规划方法能够在ARU下实现目标回波的非相参积累，但由于相位信息的缺失会损失一定的积累增益，针对微小机动目标无法实现较好的检测效果。在长时间相参积累中，常用的Keystone变换通过对慢时间轴的尺度变换能矫正ARU现象，但仅适用于目标匀速运动的检测，且该方法针对速度模糊数的搜索和补偿会引入额外的大量运算。广义Radon-Fourier变换(GRFT)将长时间积累的问题转化为了参数模型匹配问题，能够跨距离单元积累同时实现任意阶次的运动相位补偿，实现对弱小机动目标的有效检测，但该方法运算量随着遍历搜索的网格点数量增加和运动参数维度的增加成倍增长。已有采用粒子群优化算法来缩短GRFT目标检测耗时的方法，但该方法检测性能相比遍历搜索实现的GRFT方法有明显损失，且无法同时检测到多个目标，尤其无法满足昆虫和鸟类等多个目标同时出现的雷达检测需求。因此，在多个机动微小目标的场景下，如何使用雷达进行目标的高效检测检测，是目前亟待解决的问题。
技术实现思路
有鉴于此，本专利技术提供了一种基于多模态优化的微小机动多目标快速检测方法，采用了改进的多模态粒子群优化算法来快速实现基于GRFT方法的多目标雷达检测，有助于提升雷达针对微小机动多目标的检测效率。为达到上述目的，本专利技术的技术方案为包括如下步骤：S1：获取M帧雷达回波信号，每帧雷达回波信号对应一帧一维距离像，每帧一维距离像包括一个以上的距离单元。S2：根据雷达检测场景中的目标特点，设置多模态粒子群优化算法参数，并随机初始化所有粒子的位置与速度。S3：计算每个粒子的适应度值，若粒子的当前适应度值优于其个体最优解的适应度值，则更新其个体最优解为当前粒子位置。S4：采用一种改进的多模态子群划分方法将粒子划分到不同的子群，同时确定每个子群的种子粒子。S5：所有子群种子进行个体最优解的盲速旁瓣跳出，并更新其个体最优解。S6：更新每个粒子的速度，并根据该速度更新粒子在下一次迭代中的位置。S7：根据不同子群种子的个体最优解之间的位置关系，判断得到无效子群并重置无效子群内的所有粒子。S8：重复S3～S7直到设定的最大迭代次数kmax。S9：收集所有子群种子的个体最优解作为检测到的目标，其位置信息即作为检测到的目标运动参数，并从中剔除虚假目标。进一步地，根据雷达检测场景中的目标特点，设置多模态粒子群优化算法参数，并随机初始化所有粒子的位置与速度，具体包括目标运动阶数D，同时也是运动参数的搜索空间维度。搜索空间范围[Xmin,Xmax]，其中Xmax和Xmin分别为参数搜索空间上下界；对应每一维度的搜索空间是[Xmin0,Xmax0]～[XminD-1,XmaxD-1]，其中Xmax0～XmaxD-1分别为第0～第D-1维度的参数搜索空间的上界；Xmin0～XminD-1分别为第0～第D-1维度的参数搜索空间的下界。子群个数Nsn，子群大小Nss，最大迭代次数kmax，速度约束因子α和重置因子β。在整个参数搜索空间内随机初始化所有粒子的位置与速度，第i个粒子的位置xi＝(x0,x1,…,xD-1)与第i个粒子的速度vi＝(v0,v2,…,vD-1)，其中i＝1,2,…,N，粒子总数N＝NsnNss；x0,x1,…,xD-1分别为粒子位置中的第0～第D-1维度的位置信息；v0,v2,…,vD-1分别是粒子速度中的第0～第D-1维度的速度信息。进一步地，计算每个粒子的适应度值，若粒子的当前适应度值优于其个体最优解的适应度值，则更新其个体最优解为当前粒子位置，具体为：将广义Radon-Fourier变换即GRFT变换作为适应度函数f(xi)计算每个粒子的适应度值，即以粒子位置信息作为估计的目标运动参数并从M帧雷达回波信号中提取相应的目标运动轨迹，目标运动轨迹由各帧一维距离像中目标所在的距离单元构成，对这些距离单元对应的雷达回波数据进行GRFT变换，将变换后得到的积累结果作为该粒子的适应度值，GRFT变换具体为：其中，为脉冲压缩后得到的雷达回波信号，fc为雷达载频，tm＝mTr为表示雷达回波脉冲时刻的慢时间，Tr为脉冲重复间隔，m为雷达回波脉冲序号，m＝0,1,2,…,M-1，M为积累脉冲总数，时延为：c为光速，xi,d表示第i个粒子对应的目标第d阶的运动参数，与粒子位置中的第d维度的位置信息对应。个体最优解为迭代过程中记录的适应度值最优的历史位置，其初值置空；若粒子的当前适应度值优于其个体最优解的适应度值，则更新其个体最优解为当前粒子位置。进一步地，改进的多模态子群划分方法为：首先将所有粒子按照个体最优适应度值排序，在所有未被划分的粒子中，选择排序后适应度最优的粒子作为新的子群种子，再计算所有未划分子群的粒子到该子群种子的距离，选择距离该子群种子最近的Nsn个粒子形成一个子群，重复上述操作直到所有粒子被划分。进一步地，所有子群种子进行个体最优解的盲速旁瓣跳出，并更新其个体最优解，具体为：其中，为第j个子群种子粒子sj的个体最优解。q为盲速模糊数，vb为盲速。子群种子对应的盲速模糊数为q的盲速旁瓣中心位置为D为搜索空间的维度，且对应目标运动阶数。为相应的盲速旁瓣中心距离参数，Tr为脉冲重复时间，为盲速旁瓣速度参数。进一步地，更新每个粒子的速度，并根据该速度更新粒子在下一次迭代中的位置，具体为：vi(k+1)＝ωvi(k)+c1r1(pi(k)-xi(k))+c2r2(pni(k)-xi(k))xi(k+1)＝xi(k)+vi(k+1)其中，vi(k)和xi(k)分别为第i个粒子在第k次迭代时的速度和位置，k为当前迭代次数，k＝1,2,…,kmax；kmax为最大迭代次数；i＝1,2,…,N，N为所有粒子的个数；ω为惯性因子；c1,c2为预设的两个学习因子；r1,r2均为区间[0,1]内的随机数，为粒子i的个体最优解，ni为粒子i所在的子群的种子序号。同时，设定最大速度限制Vmax为Vmax＝α(Xmax-Xmin)其中α∈(0,1)为速度限制因子，若更新后的速度的绝对值超出最大速度限制Vmax，则重置更新后的速度为Vmax，若更新后的位置超过搜索空间范围的参数搜索空间的上下界，重置更本文档来自技高网...

【技术保护点】
1.一种基于多模态优化的微小机动多目标快速检测方法，其特征在于，包括：/nS1：获取M帧雷达回波信号，每帧雷达回波信号对应一帧一维距离像，每帧一维距离像包括一个以上的距离单元；/nS2：根据雷达检测场景中的目标特点，设置多模态粒子群优化算法参数，并随机初始化所有粒子的位置与速度；/nS3：计算每个粒子的适应度值，若粒子的当前适应度值优于其个体最优解的适应度值，则更新其个体最优解为当前粒子位置；/nS4：采用一种改进的多模态子群划分方法将粒子划分到不同的子群，同时确定每个子群的种子粒子；/nS5：所有子群种子进行个体最优解的盲速旁瓣跳出，并更新其个体最优解；/nS6：更新每个粒子的速度，并根据该速度更新粒子在下一次迭代中的位置；/nS7：根据不同子群种子的个体最优解之间的位置关系，判断得到无效子群并重置无效子群内的所有粒子；/nS8：重复S3～S7直到设定的最大迭代次数k

【技术特征摘要】
1.一种基于多模态优化的微小机动多目标快速检测方法，其特征在于，包括：
S1：获取M帧雷达回波信号，每帧雷达回波信号对应一帧一维距离像，每帧一维距离像包括一个以上的距离单元；
S2：根据雷达检测场景中的目标特点，设置多模态粒子群优化算法参数，并随机初始化所有粒子的位置与速度；
S3：计算每个粒子的适应度值，若粒子的当前适应度值优于其个体最优解的适应度值，则更新其个体最优解为当前粒子位置；
S4：采用一种改进的多模态子群划分方法将粒子划分到不同的子群，同时确定每个子群的种子粒子；
S5：所有子群种子进行个体最优解的盲速旁瓣跳出，并更新其个体最优解；
S6：更新每个粒子的速度，并根据该速度更新粒子在下一次迭代中的位置；
S7：根据不同子群种子的个体最优解之间的位置关系，判断得到无效子群并重置无效子群内的所有粒子；
S8：重复S3～S7直到设定的最大迭代次数kmax；
S9：收集所有子群种子的个体最优解作为检测到的目标，其位置信息即作为检测到的目标运动参数，并从中剔除虚假目标。


2.如权利要求1所述的一种基于多模态优化的微小机动多目标快速检测方法，其特征在于，所述根据雷达检测场景中的目标特点，设置多模态粒子群优化算法参数，并随机初始化所有粒子的位置与速度，具体包括
目标运动阶数D，同时也是运动参数的搜索空间维度；
搜索空间范围[Xmin,Xmax]，其中Xmax和Xmin分别为参数搜索空间的上下界；对应每一维度的参数搜索空间是[Xmin0,Xmax0]～[XminD-1,XmaxD-1]，其中Xmax0～XmaxD-1分别为第0～第D-1维度的参数搜索空间的上界；Xmin0～XminD-1分别为第0～第D-1维度的参数搜索空间的下界；
子群个数Nsn，子群大小Nss，最大迭代次数kmax，速度约束因子α和重置因子β；
在整个搜索参数空间内随机初始化所有粒子的位置第i个粒子的位置xi＝(x0,x1,…,xD-1)与第i个粒子的速度vi＝(v0,v2,…,vD-1)，其中i＝1,2,…,N，粒子总数N＝NsnNss；x0,x1,…,xD-1分别为粒子位置中的第0～第D-1维度的位置信息；v0,v2,…,vD-1分别是粒子速度中的第0～第D-1维度的速度信息。


3.如权利要求1或2所述的一种基于多模态优化的微小机动多目标快速检测方法，其特征在于，所述计算每个粒子的适应度值，若粒子的当前适应度值优于其个体最优解的适应度值，则更新其个体最优解为当前粒子位置，具体为：
将广义Radon-Fourier变换即GRFT变换作为适应度函数f(xi)计算每个粒子的适应度值，即以粒子位置信息作为估计的目标运动参数并从M帧雷达回波信号中提取相应的目标运动轨迹，所述目标运动轨迹由各帧一维距离像中目标所在的距离单元构成，对这些距离单元对应的雷达回波数据进行GRFT变换，将变换后得到的积累结果作为该粒子的适应度值，GRFT变换具体为：



其中，为脉冲压缩后得到的雷达回波信号，fc为雷达载频，tm＝mTr为雷达回波脉冲时刻的慢时间，Tr为脉冲重复间隔，m为雷达回波脉冲序号，m＝0,1,2,…,M-1，M为积累脉冲总数，时延为：c为光速，xi,d表示第i个粒子对应的...

【专利技术属性】
技术研发人员：王锐，蔡炯，张一鸣，胡程，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11