[發(fā)明專利]一種基于改進(jìn)人工蜂群算法的智能雷達(dá)海雜波預(yù)報(bào)系統(tǒng)及方法

在審

• 申請?zhí)枺?/td>: 201711117075.8
• 申請日: 2017-11-13
• 公開（公告）號: CN107942303A
• 公開（公告）日: 2018-04-20
• 發(fā)明（設(shè)計(jì)）人: 劉興高;盧偉勝
• 申請（專利權(quán)）人: 浙江大學(xué)
• 主分類號: G01S7/36
• 分類號: G01S7/36;G06F17/16;G06N3/00
• 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

1.一種基于改進(jìn)人工蜂群算法的智能雷達(dá)海雜波預(yù)報(bào)系統(tǒng)，包括雷達(dá)、數(shù)據(jù)庫以及上位機(jī)，雷達(dá)、數(shù)據(jù)庫和上位機(jī)依次相連，其特征在于：所述雷達(dá)對所檢測海域進(jìn)行照射，并將雷達(dá)海雜波數(shù)據(jù)儲存到所述的數(shù)據(jù)庫，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)對所檢測海域進(jìn)行照射，并將雷達(dá)海雜波數(shù)據(jù)儲存到所述的數(shù)據(jù)庫；

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

(3)對訓(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，用以采用改進(jìn)人工蜂群算法對魯棒預(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)：初始化改進(jìn)人工蜂群算法的參數(shù)，設(shè)蜜源數(shù)P，最大迭代數(shù)iter_max，初始搜索空間的最小值和最大值L_d和U_d；蜜源的位置表示問題的可行解，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，按下式隨機(jī)生成蜜源的位置p_i＝(p_i1,p_i2)，置初始迭代次數(shù)iter＝0；

p_ij＝L_d+rand()*(U_d-L_d)(i＝1,2,...,P,j＝1,2)

(B)：為蜜源p_i分配一只引領(lǐng)蜂，按下式進(jìn)行搜索，產(chǎn)生新蜜源V_i；

(C)：計(jì)算V_i的適應(yīng)度值，根據(jù)靈敏度與信息素配合的方法選擇蜜源，其過程如下：

計(jì)算P個(gè)蜜源的適應(yīng)度值；

(C1)計(jì)算第i個(gè)蜜源的信息素nf(i)：

(C2)隨機(jī)產(chǎn)生第i個(gè)跟隨蜂的靈敏度S(i)～U(0,1)；

(C3)找出配合第i個(gè)跟隨蜂的靈敏度的蜜源：隨機(jī)找出i，滿足nf(i)≤S(i)。

(D)：計(jì)算引領(lǐng)蜂找到的蜜源被更隨的概率；

(E)：跟隨蜂采用與引領(lǐng)蜂相同的方式進(jìn)行搜索，根據(jù)靈敏度與信息素配合的方法選擇蜜源；

(F)：判斷蜜源V_i是否滿足被放棄的條件，如滿足，對應(yīng)的引領(lǐng)蜂角色變?yōu)閭刹旆洌駝t直接轉(zhuǎn)到步驟H；

(G)：偵察蜂隨機(jī)產(chǎn)生新蜜源；

(H)：iter＝iter+1，判斷是否已經(jīng)達(dá)到最大迭代次數(shù)，若滿足則輸出最優(yōu)參數(shù)，否則轉(zhuǎn)到步驟(B)。

其中，蜜源數(shù)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(shù)100。

海雜波預(yù)報(bào)模塊，用以進(jìn)行海雜波預(yù)測，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幅值，x_t表示第t采樣時(shí)刻的海雜波回波信號幅值，TX表示海雜波從第t-D+1采樣時(shí)刻到第t采樣時(shí)刻的信號幅值矩陣；

(b)進(jìn)行歸一化處理；

TX‾=TX-minxmaxx-minx]]>

(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)測數(shù)據(jù)與模型預(yù)報(bào)值比較，如果相對誤差大于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所述的基于改進(jìn)人工蜂群算法的智能雷達(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)對所檢測海域進(jìn)行照射，并將雷達(dá)海雜波數(shù)據(jù)儲存到所述的數(shù)據(jù)庫；

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

(3)對訓(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)海雜波回波信號幅值，θ是核參數(shù)，x表示輸入變量，γ是懲罰系數(shù)；

(6)用改進(jìn)人工蜂群算法對步驟(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)初始化改進(jìn)人工蜂群算法的參數(shù)，設(shè)蜜源數(shù)P，最大迭代數(shù)iter_max，初始搜索空間的最小值和最大值L_d和U_d；蜜源的位置表示問題的可行解，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，按下式隨機(jī)生成蜜源的位置p_i＝(p_i1,p_i2)，置初始迭代次數(shù)iter＝0；

p_ij＝L_d+rand()*(U_d-L_d)(i＝1,2,...,P,j＝1,2)

(6.2)為蜜源p_i分配一只引領(lǐng)蜂，按下式進(jìn)行搜索，產(chǎn)生新蜜源V_i；

(6.3)計(jì)算V_i的適應(yīng)度值，根據(jù)靈敏度與信息素配合的方法選擇蜜源，其過程如下：

1)計(jì)算P個(gè)蜜源的適應(yīng)度值；

2)計(jì)算第i個(gè)蜜源的信息素nf(i)：

3)隨機(jī)產(chǎn)生第i個(gè)跟隨蜂的靈敏度S(i)～U(0,1)；

4)找出配合第i個(gè)跟隨蜂的靈敏度的蜜源：隨機(jī)找出i，滿足nf(i)≤S(i)。

(6.4)計(jì)算引領(lǐng)蜂找到的蜜源被更隨的概率；

(6.5)跟隨蜂采用與引領(lǐng)蜂相同的方式進(jìn)行搜索，根據(jù)靈敏度與信息素配合的方法選擇蜜源；

(7)判斷蜜源V_i是否滿足被放棄的條件，如滿足，對應(yīng)的引領(lǐng)蜂角色變?yōu)閭刹旆洌駝t直接轉(zhuǎn)到步驟(9)；

(8)偵察蜂隨機(jī)產(chǎn)生新蜜源；

(9)iter＝iter+1，判斷是否已經(jīng)達(dá)到最大迭代次數(shù)，若滿足則輸出最優(yōu)參數(shù)，否則轉(zhuǎn)到步驟(3)。

其中，蜜源數(shù)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(shù)100。

(10)在采樣時(shí)刻t采集D個(gè)海雜波回波信號幅值得到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幅值，x_t表示第t采樣時(shí)刻的海雜波回波信號幅值；

(11)進(jìn)行歸一化處理；

TX‾=TX-minxmaxx-minx]]>

(12)代入步驟(5)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。

(13)按設(shè)定的采樣時(shí)間間隔采集數(shù)據(jù)，將得到的實(shí)測數(shù)據(jù)與模型預(yù)報(bào)值比較，如果相對誤差大于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。