[發(fā)明專利]一種基于自適應(yīng)混合蛙跳算法的智能雷達(dá)海雜波預(yù)報(bào)系統(tǒng)及方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201711116258.8
• 申請(qǐng)日: 2017-11-13
• 公開（公告）號(hào): CN107966683A
• 公開（公告）日: 2018-04-27
• 發(fā)明（設(shè)計(jì)）人: 劉興高;盧偉勝
• 申請(qǐng)（專利權(quán)）人: 浙江大學(xué)
• 主分類號(hào): G01S7/02
• 分類號(hào): G01S7/02
• 代理公司: 杭州求是專利事務(wù)所有限公司33200
• 代理人: 邱啟旺

1.一種基于自適應(yīng)混合蛙跳算法的智能雷達(dá)海雜波預(yù)報(bào)系統(tǒng)，包括雷達(dá)、數(shù)據(jù)庫(kù)以及上位機(jī)，雷達(dá)、數(shù)據(jù)庫(kù)和上位機(jī)依次相連，其特征在于：所述雷達(dá)對(duì)所檢測(cè)海域進(jìn)行照射，并將雷達(dá)海雜波數(shù)據(jù)儲(chǔ)存到所述的數(shù)據(jù)庫(kù)，所述的上位機(jī)包括數(shù)據(jù)預(yù)處理模塊、魯棒預(yù)報(bào)模型建模模塊、智能尋優(yōu)模塊、海雜波預(yù)報(bào)模塊、判別模型更新模塊和結(jié)果顯示模塊；

所述數(shù)據(jù)預(yù)處理模塊，用以進(jìn)行雷達(dá)海雜波數(shù)據(jù)預(yù)處理，采用如下過程完成：

(1)雷達(dá)對(duì)所檢測(cè)海域進(jìn)行照射，并將雷達(dá)海雜波數(shù)據(jù)儲(chǔ)存到所述的數(shù)據(jù)庫(kù)；

(2)從數(shù)據(jù)庫(kù)中采集N個(gè)雷達(dá)海雜波回波信號(hào)幅值x_i作為訓(xùn)練樣本，i＝1,...,N；

(3)對(duì)訓(xùn)練樣本進(jìn)行歸一化處理，得到歸一化幅值

x‾i=xi-minxmaxx-minx]]>

其中，minx表示訓(xùn)練樣本中的最小值，maxx表示訓(xùn)練樣本中的最大值；

(4)將歸一化后的訓(xùn)練樣本重構(gòu)，分別得到輸入矩陣X和對(duì)應(yīng)的輸出矩陣Y：

Y=x‾D+1x‾D+2...x‾N]]>

其中，D表示重構(gòu)維數(shù)，D為自然數(shù)，且D＜N，D的取值范圍為50-70；

所述魯棒預(yù)報(bào)模型建模模塊，用以建立預(yù)報(bào)模型，采用如下過程完成：

將數(shù)據(jù)預(yù)處理模塊得到的X、Y代入如下線性方程：

01vT1vK+Vγb*α*=0Y]]>

其中

權(quán)重因子v_i由下式計(jì)算：

其中是誤差變量ξ_i標(biāo)準(zhǔn)差的估計(jì)，c₁,c₂為常量；

求解得待估計(jì)函數(shù)f(x)：

f(x)=Σi=1Mαi*exp(-||x-xi||/θ2)+b*]]>

其中，M是支持向量的數(shù)目，1_v＝[1,...,1]^T,上標(biāo)T表示矩陣的轉(zhuǎn)置，是拉格朗日乘子，b^*是偏置量，K＝exp(-||x_i-x_j||/θ²)，其中i＝1,…,M，j＝1,…,M，和exp(-||x-x_i||/θ²)均為支持向量機(jī)的核函數(shù)，x_j為第j個(gè)雷達(dá)海雜波回波信號(hào)幅值，θ是核參數(shù)，x表示輸入變量，γ是懲罰系數(shù)；

所述智能尋優(yōu)模塊，用以采用自適應(yīng)混合蛙跳算法對(duì)魯棒預(yù)報(bào)模型的核參數(shù)θ和懲罰系數(shù)γ進(jìn)行優(yōu)化，采用如下過程完成：

(A)：初始化青蛙群體參數(shù)，設(shè)種群青蛙數(shù)為P,最大迭代次數(shù)Maxgen，局部搜索的迭代次數(shù)M_max，最大更新長(zhǎng)度D_max，分組數(shù)m以及每組青蛙數(shù)n，由于模型有兩個(gè)參數(shù)需要優(yōu)化，所以位置p_i的維度為2維，隨機(jī)生成每個(gè)青蛙的位置p_i＝(p_i1,p_i2)，置初始迭代次數(shù)k＝0；

(B)：計(jì)算所有青蛙的適應(yīng)度值，并進(jìn)行排序，選取種群最優(yōu)青蛙p_g；

(C)：按照下式對(duì)所有青蛙進(jìn)行變異操作，重新計(jì)算青蛙的適應(yīng)度值，并進(jìn)行排序、分組；

xjfnew=xjf+(1-iMaxgen)×(j-1P)×L(j×f)×(xgf-xjf)]]>

其中，x_jf表示第j只青蛙x_j第f維的值，x_gf是種群最優(yōu)青蛙x_g第f維的值，L(j×f)是Logistic混沌序列值，i為當(dāng)前全局搜索迭代次數(shù)，Maxgen為所設(shè)置的最大迭代次數(shù)，P為種群青蛙數(shù)。

(D)：按照下式對(duì)子群最差青蛙對(duì)子群中最差的青蛙進(jìn)行更新，接著在子群內(nèi)重新排序，然后對(duì)子群最差青蛙進(jìn)行更新；重復(fù)該局部搜索過程M_max次；

D＝rand×(p_b-p_w)

p′_w＝p_w+D,-D_max≤D≤D_max

其中，p_w為子群最差青蛙，p_b為子群最優(yōu)青蛙，D_max為最大變異尺度，p'_w為更新后的青蛙。首先利用子群最優(yōu)青蛙去更新，若新得到的青蛙優(yōu)于原來子群最差青蛙，則取代之；否則種群最優(yōu)青蛙代替子群最優(yōu)青蛙進(jìn)行更新，若新得到的青蛙優(yōu)于原來子群最差青蛙，則取代之；否則隨機(jī)生成一個(gè)青蛙取代原來子群最差青蛙。

(E)：當(dāng)所有子群的局部搜索都已經(jīng)完成，對(duì)所有青蛙進(jìn)行混合、排序和分組，選取種群最優(yōu)青蛙p_g；

(F)：k＝k+1，若k<Maxgen，則轉(zhuǎn)至步驟(C)；否則輸出種群最優(yōu)青蛙x_g，為魯棒預(yù)報(bào)模型的最優(yōu)參數(shù)，算法終止；

其中，初始種群大小為200，分組數(shù)10，每組子群數(shù)20，種群最大迭代數(shù)100，子群最大迭代數(shù)10，最大更新長(zhǎng)度5。

所述海雜波預(yù)報(bào)模塊，用以進(jìn)行海雜波預(yù)測(cè)，采用如下過程完成：

(a)在采樣時(shí)刻t采集D個(gè)海雜波回波信號(hào)幅值得到TX＝[x_t-D+1,…,x_t]，x_t-D+1表示第t-D+1采樣時(shí)刻的海雜波回波信號(hào)幅值，x_t表示第t采樣時(shí)刻的海雜波回波信號(hào)幅值，TX表示海雜波從第t-D+1采樣時(shí)刻到第t采樣時(shí)刻的信號(hào)幅值矩陣；

(b)進(jìn)行歸一化處理；

TX‾=TX-min xmax x-min x]]>

(c)代入魯棒預(yù)報(bào)模型建模模塊得到的待估計(jì)函數(shù)f(x)計(jì)算得到采樣時(shí)刻(t+1)的海雜波預(yù)報(bào)值。

所述判別模型更新模塊，用以按設(shè)定的采樣時(shí)間間隔采集數(shù)據(jù)，將得到的實(shí)測(cè)數(shù)據(jù)與模型預(yù)報(bào)值比較，如果相對(duì)誤差大于10％，則將新數(shù)據(jù)加入訓(xùn)練樣本數(shù)據(jù)，更新預(yù)報(bào)模型。

所述結(jié)果顯示模塊，用以將海雜波預(yù)報(bào)模塊計(jì)算得到的預(yù)報(bào)值在上位機(jī)顯示。

2.一種權(quán)利要求1所述的基于自適應(yīng)混合蛙跳算法的智能雷達(dá)海雜波預(yù)報(bào)系統(tǒng)所使用的雷達(dá)海雜波預(yù)報(bào)方法，其特征在于：所述的方法包括以下步驟：

(1)雷達(dá)對(duì)所檢測(cè)海域進(jìn)行照射，并將雷達(dá)海雜波數(shù)據(jù)儲(chǔ)存到所述的數(shù)據(jù)庫(kù)；

(2)從數(shù)據(jù)庫(kù)中采集N個(gè)雷達(dá)海雜波回波信號(hào)幅值x_i作為訓(xùn)練樣本，i＝1,...,N；

(3)對(duì)訓(xùn)練樣本進(jìn)行歸一化處理，得到歸一化幅值

x‾i=xi-min xmax x-min x]]>

其中，minx表示訓(xùn)練樣本中的最小值，maxx表示訓(xùn)練樣本中的最大值；

(4)將歸一化后的訓(xùn)練樣本重構(gòu)，分別得到輸入矩陣X和對(duì)應(yīng)的輸出矩陣Y：

Y=x‾D+1x‾D+2...x‾N]]>

其中，D表示重構(gòu)維數(shù)，D為自然數(shù)，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：

01vT1vK+Vγb*α*=0Y]]>

其中

權(quán)重因子v_i由下式計(jì)算：

其中是誤差變量ξ_i標(biāo)準(zhǔn)差的估計(jì)，c₁,c₂為常量；

求解得待估計(jì)函數(shù)f(x)：

f(x)=Σi=1Mαi*exp(-||x-xi||/θ2)+b*]]>

其中，M是支持向量的數(shù)目，1_v＝[1,...,1]^T,上標(biāo)T表示矩陣的轉(zhuǎn)置，是拉格朗日乘子，b^*是偏置量，K＝exp(-||x_i-x_j||/θ²)，其中i＝1,…,M，j＝1,…,M，和exp(-||x-x_i||/θ²)均為支持向量機(jī)的核函數(shù)，x_j為第j個(gè)雷達(dá)海雜波回波信號(hào)幅值，θ是核參數(shù)，x表示輸入變量，γ是懲罰系數(shù)；

(6)用自適應(yīng)混合蛙跳算法對(duì)步驟(5)的核參數(shù)θ和懲罰系數(shù)γ進(jìn)行優(yōu)化，采用如下過程完成：

(6.1)初始化青蛙群體參數(shù)，設(shè)種群青蛙數(shù)為P,最大迭代次數(shù)Maxgen，局部搜索的迭代次數(shù)M_max，最大更新長(zhǎng)度D_max，分組數(shù)m以及每組青蛙數(shù)n，由于模型有兩個(gè)參數(shù)需要優(yōu)化，所以位置p_i的維度為2維，隨機(jī)生成每個(gè)青蛙的位置p_i＝(p_i1,p_i2)，置初始迭代次數(shù)k＝0；(6.2)計(jì)算所有青蛙的適應(yīng)度值，并進(jìn)行排序，選取種群最優(yōu)青蛙p_g；

(6.3)按照下式對(duì)所有青蛙進(jìn)行變異操作，重新計(jì)算青蛙的適應(yīng)度值，并進(jìn)行排序、分組；

xjfnew=xjf+(1-iMaxgen)×(j-1P)×L(j×f)×(xgf-xjf)]]>

其中，x_jf表示第j只青蛙x_j第f維的值，x_gf是種群最優(yōu)青蛙x_g第f維的值，L(j×f)是Logistic混沌序列值，i為當(dāng)前全局搜索迭代次數(shù)，Maxgen為所設(shè)置的最大迭代次數(shù)，P為種群青蛙數(shù)。

(6.4)按照下式對(duì)子群最差青蛙對(duì)子群中最差的青蛙進(jìn)行更新，接著在子群內(nèi)重新排序，然后對(duì)子群最差青蛙進(jìn)行更新；重復(fù)該局部搜索過程M_max次；

D＝rand×(p_b-p_w)

p′_w＝p_w+D,-D_max≤D≤D_max

其中，p_w為子群最差青蛙，p_b為子群最優(yōu)青蛙，D_max為最大變異尺度，p'_w為更新后的青蛙。首先利用子群最優(yōu)青蛙去更新，若新得到的青蛙優(yōu)于原來子群最差青蛙，則取代之；否則種群最優(yōu)青蛙代替子群最優(yōu)青蛙進(jìn)行更新，若新得到的青蛙優(yōu)于原來子群最差青蛙，則取代之；否則隨機(jī)生成一個(gè)青蛙取代原來子群最差青蛙。

(6.5)當(dāng)所有子群的局部搜索都已經(jīng)完成，對(duì)所有青蛙進(jìn)行混合、排序和分組，選取種群最優(yōu)青蛙p_g；

(6.6)k＝k+1，若k<Maxgen，則轉(zhuǎn)至步驟(6.3)；否則輸出種群最優(yōu)青蛙x_g，為魯棒預(yù)報(bào)模型的最優(yōu)參數(shù)，算法終止；

其中，初始種群大小為200，分組數(shù)10，每組子群數(shù)20，種群最大迭代數(shù)100，子群最大迭代數(shù)10，最大更新長(zhǎng)度5。

(7)在采樣時(shí)刻t采集D個(gè)海雜波回波信號(hào)幅值得到TX＝[x_t-D+1,…,x_t]，x_t-D+1表示第t-D+1采樣時(shí)刻的海雜波回波信號(hào)幅值，x_t表示第t采樣時(shí)刻的海雜波回波信號(hào)幅值；

(8)進(jìn)行歸一化處理；

TX‾=TX-min xmax x-min x]]>

代入步驟4)得到的待估計(jì)函數(shù)f(x)計(jì)算得到采樣時(shí)刻(t+1)的海雜波預(yù)報(bào)值。

(9)采樣時(shí)間間隔采集數(shù)據(jù)，將得到的實(shí)測(cè)數(shù)據(jù)與模型預(yù)報(bào)值比較，如果相對(duì)誤差大于10％，則將新數(shù)據(jù)加入訓(xùn)練樣本數(shù)據(jù)，更新預(yù)報(bào)模型。