[發明專利]一種基于差分進化入侵雜草優化算法的智能雷達海上目標檢測系統及方法

在審

• 申請號: 201711117112.5
• 申請日: 2017-11-13
• 公開（公告）號: CN107942312A
• 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

1.一種基于差分進化入侵雜草優化算法的智能雷達海上目標檢測系統，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、目標檢測模塊、模型更新模塊以及結果顯示模塊：

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)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x_i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

x‾i=xi-min xmax x-min x]]>

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：

Y=x‾D+1x‾D+2...x‾N]]>

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：

01vT1vK+Vγb*α*=0Y]]>

其中

權重因子v_i由下式計算：

其中是誤差變量ξ_i標準差的估計，c₁,c₂為常量；

求解得待估計函數f(x)：

f(x)=Σi=1Mαi*exp(-||x-xi||/θ2)+b*]]>

其中，M是支持向量的數目，1_v＝[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(-||x_i-x_j||/θ²)，其中i＝1,…,M，j＝1,…,M，和exp(-||x-x_i||/θ²)均為支持向量機的核函數，x_j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，用以采用差分進化入侵雜草優化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)初始化差分進化入侵雜草優化算法的參數，設置最小種群規模N_min、最大種群規模N_max、雜草個體所能產生的最大種子規模s_max、雜草個體所能產生的最小種子規模s_min、種群初始狀態時設定的最大值δ_max、種群初始狀態設定的最小值δ_min、最大迭代次數iter_max及非線性調和因子n等各個參數值，設種群數為P。由于模型有兩個參數需要優化，所以位置p_i的維度為2維，隨機生成每個青蛙的位置p_i＝(p_i1,p_i2)，置初始迭代次數iter＝0；

(B)評估當前種群中每個雜草個體的適應度，標記種群最好適應度、最差適應度和最優個體；

(C)判斷迭代次數是否達到iter_max。若達到，終止算法；否則，跳轉至步驟4；

(D)根據下式分別計算計算種群內個體繁殖的種子數目和更新當前迭代的標準差δ；

sdi=floor(smin+fi-fminfmax-fmin(smax-smin))]]>

δiter=(δmax-δmin)*(itermax-iter)nitermaxn+δmin]]>

其中，f_i表示第i個個體的適應度，f_max和f_min分別表示當前種群對應的最大和最小適應度，s_max和s_min分別表示雜草個體所能產生的最大和最小種子數目，floor(·)是向下取整函數，iter表示當前進化次數，iter_max表示最大進化次數，δ_iter為當前標準差，δ_max和δ_min分別為種群初始狀態時設定的最大值和最小值，n是非線性調和因子。

(E)對步驟(D)所產生的種子做差分進化操作，具體過程如下：

1)種子變異操作。對雜草所繁殖的種子按下式進行變異操作：

U_i＝X_i1+F(X_i2-X_i3)

其中，X_i1，X_i2，X_i3是雜草x_i所繁殖的互不相同的3個種子，F是縮放比例因子。

2)種子交叉操作。該操作可以進一步提高種群的多樣性：

vij=uijrand(0,1)≤CRxijrand(0,1)>CR]]>

其中，CR為交叉概率。

3)競爭選擇操作。交叉后的種子按下式進行選擇操作：

Xi=vif(vi)≤f(Xi)Xif(vi)>f(Xi)]]>

(F)按N(0,δ²)正態分布隨機產生擴散值，并將其加入至當前種群；

(G)判斷種群規模是否達到N_max。若達到上限，跳轉至步驟(H)；否則，跳轉至步驟(B)；

(H)評估當前種群中所有個體的適應度，并按適應度大小進行排序，選擇前N_max個個體，淘汰剩余個體，標記最好適應度、最差適應度和最優個體，然后跳轉至步驟3。

其中，初始種群大小為10，最小種群規模為10，最大種群規模為100，雜草個體所能產生的最大和最小種子規模分別為1和10，種群初始狀態設定的最小和最大值分別為100和0，最大迭代數100，非線性調和因子為3。

所述目標檢測模塊，用以進行目標檢測，采用如下過程完成：

(1)在采樣時刻t采集D個海雜波回波信號幅值得到TX＝[x_t-D+1,…,x_t]，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，x_t-D+1表示第t-D+1采樣時刻的海雜波回波信號幅值，x_t表示第t采樣時刻的海雜波回波信號幅值；

(2)進行歸一化處理；

TX‾=TX-min xmax x-min x]]>

(3)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。

(4)計算海雜波預報值與雷達回波實測值的差值e，計算控制限Q_α：

Qα=θ1[Cαh02θ2θ1+1+θ2h0(h0-1)θ2]1h0]]>

θi=Σj=k+1Nλji,i=1,2,3]]>

h0=1-2θ1θ33θ22]]>

其中，α是置信度，θ₁,θ₂,θ₃,h₀是中間變量，λ_jⁱ表示協方差矩陣的第j個特征值的i次方，k是樣本維數，C_α是正態分布置信度為α的統計；

(5)進行檢測判斷：當e²差值大于控制限Q_α時，該點存在目標，否則沒有目標。

所述模型更新模塊，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，用以將目標檢測模塊的檢測結果在上位機顯示。

2.一種權利要求1所述的基于差分進化入侵雜草優化算法的智能雷達海上目標檢測系統所使用的雷達海上目標檢測方法，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x_i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

x‾i=xi-min xmax x-min x]]>

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：

Y=x‾D+1x‾D+2...x‾N]]>

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：

01vT1vK+Vγb*α*=0Y]]>

其中

權重因子v_i由下式計算：

其中是誤差變量ξ_i標準差的估計，c₁,c₂為常量；

求解得待估計函數f(x)：

f(x)=Σi=1Mαi*exp(-||x-xi||/θ2)+b*]]>

其中，M是支持向量的數目，1_v＝[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(-||x_i-x_j||/θ²)，其中i＝1,…,M，j＝1,…,M，和exp(-||x-x_i||/θ²)均為支持向量機的核函數，x_j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)用差分進化入侵雜草優化算法對步驟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)初始化差分進化入侵雜草優化算法的參數，設置最小種群規模N_min、最大種群規模N_max、雜草個體所能產生的最大種子規模s_max、雜草個體所能產生的最小種子規模s_min、種群初始狀態時設定的最大值δ_max、種群初始狀態設定的最小值δ_min、最大迭代次數iter_max及非線性調和因子n等各個參數值，設種群數為P。由于模型有兩個參數需要優化，所以位置p_i的維度為2維，隨機生成每個青蛙的位置p_i＝(p_i1,p_i2)，置初始迭代次數iter＝0；

(6.2)評估當前種群中每個雜草個體的適應度，標記種群最好適應度、最差適應度和最優個體；

(6.3)判斷迭代次數是否達到iter_max。若達到，終止算法；否則，跳轉至步驟(6.4)；

(6.4)根據下式分別計算計算種群內個體繁殖的種子數目和更新當前迭代的標準差δ；

sdi=floor(smin+fi-fminfmax-fmin(smax-smin))]]>

δiter=(δmax-δmin)*(itermax-iter)nitermaxn+δmin]]>

其中，f_i表示第i個個體的適應度，f_max和f_min分別表示當前種群對應的最大和最小適應度，s_max和s_min分別表示雜草個體所能產生的最大和最小種子數目，floor(·)是向下取整函數，iter表示當前進化次數，iter_max表示最大進化次數，δ_iter為當前標準差，δ_max和δ_min分別為種群初始狀態時設定的最大值和最小值，n是非線性調和因子。

(6.5)對步驟(6.4)所產生的種子做差分進化操作，具體過程如下：

1)種子變異操作。對雜草所繁殖的種子按下式進行變異操作：

U_i＝X_i1+F(X_i2-X_i3)

其中，X_i1，X_i2，X_i3是雜草x_i所繁殖的互不相同的3個種子，F是縮放比例因子。

2)種子交叉操作。該操作可以進一步提高種群的多樣性：

vij=uijrand(0,1)≤CRxijrand(0,1)>CR]]>

其中，CR為交叉概率。

3)競爭選擇操作。交叉后的種子按下式進行選擇操作：

Xi=vif(vi)≤f(Xi)Xif(vi)>f(Xi)]]>

(6.6)按N(0,δ²)正態分布隨機產生擴散值，并將其加入至當前種群；

(6.7)判斷種群規模是否達到N_max。若達到上限，跳轉至步驟(6.8)；否則，跳轉至步驟(6.2)；

(6.8)評估當前種群中所有個體的適應度，并按適應度大小進行排序，選擇前N_max個個體，淘汰剩余個體，標記最好適應度、最差適應度和最優個體，然后跳轉至步驟3。

其中，初始種群大小為10，最小種群規模為10，最大種群規模為100，雜草個體所能產生的最大和最小種子規模分別為1和10，種群初始狀態設定的最小和最大值分別為100和0，最大迭代數100，非線性調和因子為3。

(7)在采樣時刻t采集D個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采樣時刻的海雜波回波信號幅值，x_t表示第t采樣時刻的海雜波回波信號幅值；

(8)進行歸一化處理；

TX‾=TX-min xmax x-min x]]>

(9)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。

(10)計算海雜波預報值與雷達回波實測值的差值e，計算控制限Q_α：

Qα=θ1[Cαh02θ2θ1+1+θ2h0(h0-1)θ2]1h0]]>

θi=Σj=k+1Nλji,i=1,2,3]]>

h0=1-2θ1θ33θ22]]>

其中，α是置信度，θ₁,θ₂,θ₃,h₀是中間變量，λ_jⁱ表示協方差矩陣的第j個特征值的i次方，k是樣本維數，C_α是正態分布置信度為α的統計；

(11)進行檢測判斷：當e²差值大于控制限Q_α時，該點存在目標，否則沒有目標。

(12)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。