[發明專利]一種基于人工蜂群算法的智能雷達海雜波預報系統及方法在審
| 申請號： | 201711115264.1 | 申請日： | 2017-11-13 |
| 公開（公告）號： | CN107942311A | 公開（公告）日： | 2018-04-20 |
| 發明（設計）人： | 劉興高;盧偉勝 | 申請（專利權）人： | 浙江大學 |
| 主分類號： | G01S7/41 | 分類號： | G01S7/41 |
| 代理公司： | 杭州求是專利事務所有限公司33200 | 代理人： | 邱啟旺 |
| 地址： | 310058 浙江*** | 國省代碼： | 浙江;33 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 人工 蜂群 算法 智能 雷達 海雜波 預報 系統 方法 | ||
1.一種基于人工蜂群算法的智能雷達海雜波預報系統，包括雷達、數據庫以及上位機，雷達、數據庫和上位機依次相連，其特征在于：所述雷達對所檢測海域進行照射，并將雷達海雜波數據儲存到所述的數據庫，所述的上位機包括數據預處理模塊、魯棒預報模型建模模塊、智能尋優模塊、海雜波預報模塊、判別模型更新模塊和結果顯示模塊；
所述數據預處理模塊，用以進行雷達海雜波數據預處理，采用如下過程完成：
(1)從數據庫中采集N個雷達海雜波回波信號幅值xi作為訓練樣本，i＝1,...,N；
(2)對訓練樣本進行歸一化處理，得到歸一化幅值
其中，minx表示訓練樣本中的最小值，maxx表示訓練樣本中的最大值；
(3)將歸一化后的訓練樣本重構，分別得到輸入矩陣X和對應的輸出矩陣Y：
其中，D表示重構維數，D為自然數，且D＜N，D的取值范圍為50-70；
所述魯棒預報模型建模模塊，用以建立預報模型，采用如下過程完成：
將數據預處理模塊得到的X、Y代入如下線性方程：
其中
權重因子vi由下式計算：
其中是誤差變量ξi標準差的估計，c1,c2為常量；
求解得待估計函數f(x)：
其中，M是支持向量的數目，1v＝[1,...,1]T,上標T表示矩陣的轉置，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)均為支持向量機的核函數，xj為第j個雷達海雜波回波信號幅值，θ是核參數，x表示輸入變量，γ是懲罰系數；
所述智能尋優模塊，用以采用人工蜂群算法對魯棒預報模型的核參數θ和懲罰系數γ進行優化，采用如下過程完成：
(A)：初始化人工蜂群算法的參數，設蜜源數P，最大迭代數itermax，初始搜索空間的最小值和最大值Ld和Ud；蜜源的位置表示問題的可行解，由于模型有兩個參數需要優化，所以位置pi的維度為2維，按下式隨機生成蜜源的位置pi＝(pi1,pi2)，置初始迭代次數iter＝0；
pij＝Ld+rand()*(Ud-Ld) (i＝1,2,...,P,j＝1,2)
(B)：為蜜源pi分配一只引領蜂，按下式進行搜索，產生新蜜源Vi；
(C)：計算Vi的適應度值，根據貪婪選擇的方法確定保留的蜜源；
(D)：計算引領蜂找到的蜜源被更隨的概率；
(E)：跟隨蜂采用與引領蜂相同的方式進行搜索，根據貪婪選擇的方法確定保留的蜜源；
(F)：判斷蜜源Vi是否滿足被放棄的條件，如滿足，對應的引領蜂角色變為偵察蜂，否則直接轉到步驟(H)；
(G)：偵察蜂隨機產生新蜜源；
(H)：iter＝iter+1，判斷是否已經達到最大迭代次數，若滿足則輸出最優參數，否則轉到步驟(B)。
其中，蜜源數為100，初始搜索空間的最小值和最大值0和100，最大迭代次數100。
所述海雜波預報模塊，用以進行海雜波預測，采用如下過程完成：
(a)在采樣時刻t采集D個海雜波回波信號幅值得到TX＝[xt-D+1,…,xt]，TX表示海雜波從第t-D+1采樣時刻到第t采樣時刻的信號幅值矩陣，xt-D+1表示第t-D+1采樣時刻的海雜波回波信號幅值，xt表示第t采樣時刻的海雜波回波信號幅值；
(b)進行歸一化處理；
(c)代入魯棒預報模型建模模塊得到的待估計函數f(x)計算得到采樣時刻(t+1)的海雜波預報值。
所述判別模型更新模塊，用以按設定的采樣時間間隔采集數據，將得到的實測數據與模型預報值比較，如果相對誤差大于10％，則將新數據加入訓練樣本數據，更新預報模型。
所述結果顯示模塊，用以將海雜波預報模塊計算得到的預報值在上位機顯示。
2.一種權利要求1所述的基于人工蜂群算法的智能雷達海雜波預報系統的雷達海雜波預報方法，其特征在于，所述的方法包括以下步驟：
(1)雷達對所檢測海域進行照射，并將雷達海雜波數據儲存到所述的數據庫；
(2)從數據庫中采集N個雷達海雜波回波信號幅值xi作為訓練樣本，i＝1,...,N；
(3)對訓練樣本進行歸一化處理，得到歸一化幅值
其中，minx表示訓練樣本中的最小值，maxx表示訓練樣本中的最大值；
(4)將歸一化后的訓練樣本重構，分別得到輸入矩陣X和對應的輸出矩陣Y：
其中，D表示重構維數，D為自然數，且D＜N，D的取值范圍為50-70；
(5)將得到的X、Y代入如下線性方程：
其中
權重因子vi由下式計算：
其中是誤差變量ξi標準差的估計，c1,c2為常量；
求解得待估計函數f(x)：
其中，M是支持向量的數目，1v＝[1,...,1]T,上標T表示矩陣的轉置，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)均為支持向量機的核函數，xj為第j個雷達海雜波回波信號幅值，θ是核參數，x表示輸入變量，γ是懲罰系數；
(6)用人工蜂群算法對步驟4)的核參數θ和懲罰系數γ進行優化，采用如下過程完成：
(6.1)：初始化人工蜂群算法的參數，設蜜源數P，最大迭代數itermax，初始搜索空間的最小值和最大值Ld和Ud；蜜源的位置表示問題的可行解，由于模型有兩個參數需要優化，所以位置pi的維度為2維，按下式隨機生成蜜源的位置pi＝(pi1,pi2)，置初始迭代次數iter＝0；
pij＝Ld+rand()*(Ud-Ld) (i＝1,2,...,P,j＝1,2)
(6.2)：為蜜源pi分配一只引領蜂，按下式進行搜索，產生新蜜源Vi；
(6.3)：計算Vi的適應度值，根據貪婪選擇的方法確定保留的蜜源；
(6.4)：計算引領蜂找到的蜜源被更隨的概率；
(6.5)：跟隨蜂采用與引領蜂相同的方式進行搜索，根據貪婪選擇的方法確定保留的蜜源；
(7)：判斷蜜源Vi是否滿足被放棄的條件，如滿足，對應的引領蜂角色變為偵察蜂，否則直接轉到步驟8；
(8)：偵察蜂隨機產生新蜜源；
(9)：iter＝iter+1，判斷是否已經達到最大迭代次數，若滿足則輸出最優參數，否則轉到步驟2。
其中，蜜源數為100，初始搜索空間的最小值和最大值0和100，最大迭代次數100。
(10)在采樣時刻t采集D個海雜波回波信號幅值得到TX＝[xt-D+1,…,xt]，TX表示海雜波從第t-D+1采樣時刻到第t采樣時刻的信號幅值矩陣，xt-D+1表示第t-D+1采樣時刻的海雜波回波信號幅值，xt表示第t采樣時刻的海雜波回波信號幅值；
(11)進行歸一化處理；
(12)代入步驟(5)得到的待估計函數f(x)計算得到采樣時刻(t+1)的海雜波預報值。
(13)按設定的采樣時間間隔采集數據，將得到的實測數據與模型預報值比較，如果相對誤差大于10％，則將新數據加入訓練樣本數據，更新預報模型。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于浙江大學，未經浙江大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201711115264.1/1.html，轉載請聲明來源鉆瓜專利網。
