[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）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

技術(shù)領(lǐng)域

本發(fā)明涉及雷達(dá)數(shù)據(jù)處理領(lǐng)域，特別地，涉及一種基于改進(jìn)人工蜂群算法的智能雷達(dá)海雜波預(yù)報系統(tǒng)及方法。

背景技術(shù)

海雜波，即來自于被雷達(dá)發(fā)射信號照射的一片海面的后向散射回波。由于海雜波對來自海面或接近海面的“點”目標(biāo)，如航海浮標(biāo)及漂浮在海上的冰塊等目標(biāo)的雷達(dá)回波的可檢測性形成嚴(yán)重制約，因此海雜波的研究對海洋背景中輪船等目標(biāo)的探測性能具有十分重要的影響從而具有重要理論意義和實用價值。

習(xí)慣上海雜波被視為單一隨機(jī)過程，如對數(shù)正態(tài)分布、K分布等。然而這些模型在實際應(yīng)用中都有其特定的局限性，其中一個重要原因是海雜波看似隨機(jī)的波形，實際上并不具有隨機(jī)分布特性。

發(fā)明內(nèi)容

為了克服傳統(tǒng)雷達(dá)數(shù)據(jù)處理的易受人為因素影響、智能性不足的缺點，本發(fā)明提供一種避免人為因素影響、智能性高的基于改進(jìn)人工蜂群算法的智能雷達(dá)海雜波預(yù)報系統(tǒng)及方法。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：

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，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，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

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：

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)報模型建模模塊，用以建立預(yù)報模型，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：

其中

權(quán)重因子v_i由下式計算：

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

求解得待估計函數(shù)f(x)：

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，采用改進(jìn)人工蜂群算法對魯棒預(yù)報模型的核參數(shù)θ和懲罰系數(shù)γ進(jìn)行優(yōu)化，采用如下過程完成：

步驟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)

步驟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；

步驟3：計算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)計算P個蜜源的適應(yīng)度值；

2)計算第i個蜜源的信息素nf(i)：

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