[發(fā)明專利]一種智能自適應(yīng)的雷達(dá)海上目標(biāo)檢測系統(tǒng)及方法

在審

• 申請?zhí)枺?/td>: 201810691876.3
• 申請日: 2018-06-28
• 公開（公告）號: CN108983185A
• 公開（公告）日: 2018-12-11
• 發(fā)明（設(shè)計）人: 劉興高;張淼
• 申請（專利權(quán)）人: 浙江大學(xué)
• 主分類號: G01S7/41
• 分類號: G01S7/41
• 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

1.一種智能自適應(yīng)的雷達(dá)海上目標(biāo)檢測系統(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，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)儲存到數(shù)據(jù)庫中，上位機(jī)對數(shù)據(jù)庫中的海雜波數(shù)據(jù)進(jìn)行建模并檢測目標(biāo)；所述的上位機(jī)包括數(shù)據(jù)預(yù)處理模塊、動態(tài)模糊神經(jīng)網(wǎng)絡(luò)建模模塊、改進(jìn)引力搜索算法優(yōu)化模塊、目標(biāo)檢測模塊、模型更新模塊以及結(jié)果顯示模塊。

2.根據(jù)權(quán)利要求1所述智能自適應(yīng)的雷達(dá)海上目標(biāo)檢測系統(tǒng)，其特征在于，所述數(shù)據(jù)預(yù)處理模塊對數(shù)據(jù)庫輸入的雷達(dá)海雜波數(shù)據(jù)進(jìn)行預(yù)處理，采用如下過程完成：

(1)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＝1，2，…，N；

(2)對訓(xùn)練樣本進(jìn)行歸一化處理，得到歸一化幅值

其中，min x表示訓(xùn)練樣本中的最小值，max x表示訓(xùn)練樣本中的最大值；

(3)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。

3.根據(jù)權(quán)利要求1所述智能自適應(yīng)的雷達(dá)海上目標(biāo)檢測系統(tǒng)，其特征在于，所述動態(tài)模糊神經(jīng)網(wǎng)絡(luò)建模模塊，用以建立預(yù)報模型，采用如下過程完成：

(1)網(wǎng)絡(luò)結(jié)構(gòu)：設(shè)第p個訓(xùn)練樣本X_p＝[x_p1，x_p2，…，x_pn]，其中n是輸入變量的個數(shù)。

動態(tài)模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)由5層組成，詳述如下：

第1層為輸入層，每個節(jié)點分別表示一個輸入的語言變量。則可知第p個訓(xùn)練樣本X_p有n個輸入的語言變量x_p1，x_p2，…，x_pn。

第2層為隸屬函數(shù)層，每個節(jié)點分別代表一個隸屬函數(shù)，該隸屬函數(shù)是用如下的高斯函數(shù)表示的：

其中，μ_ij是x_pi的第j個隸屬函數(shù)，c_ij是x_pi的第j個高斯隸屬函數(shù)的中心，σ_j是x_pi的第j個高斯隸屬函數(shù)的寬度，n是輸入變量的個數(shù)，u是隸屬函數(shù)的數(shù)量，也代表系統(tǒng)總的規(guī)則數(shù)。

第3層為T-范數(shù)層，每個節(jié)點分別代表一個可能的模糊規(guī)則中的IF-部分。因此，該層節(jié)點反映了模糊規(guī)則數(shù)；同時，該層每個節(jié)點也代表了一個RBF單元，所以模糊規(guī)則數(shù)與RBF節(jié)點數(shù)相等。第j個規(guī)則R_j的輸出為

其中，是第j個RBF單元的中心。

第4層為歸一化層，該層的節(jié)點稱為N節(jié)點。N節(jié)點數(shù)與模糊規(guī)則節(jié)點數(shù)相等。第j個節(jié)點N_j的輸出為

第5層為輸出層，該層中的每個節(jié)點分別表示一個輸出變量，該輸出是所有輸入信號的疊加：

其中，y(X_p)是第p個訓(xùn)練樣本對應(yīng)的實際輸出，ω_k是THEN-部分或者第k個規(guī)則的連接權(quán)。

ω_k＝α_k0+α_k1x_p1+…+α_knx_pn k＝1，2，…，u (7)

其中，α_k0、α_k1、…、α_kn是網(wǎng)絡(luò)的結(jié)論參數(shù)。

把式(4)、式(5)、式(7)代入式(6)，則得到：

(2)動態(tài)模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法：對于每組觀測數(shù)據(jù)(X_p，t_p)，其中，X_p是第p個訓(xùn)練樣本，t_p是第p個訓(xùn)練樣本對應(yīng)的期望輸出，在線進(jìn)行系統(tǒng)結(jié)構(gòu)和參數(shù)辨識，具體實現(xiàn)步驟如下：

(2.1)確定可容納邊界的有效半徑k_d、根據(jù)期望的精度而預(yù)先選定的k_e值、根據(jù)規(guī)則重要性而預(yù)設(shè)的常數(shù)k_err。

(2.2)當(dāng)?shù)絹淼谝唤M觀測數(shù)據(jù)(X₁，t₁)時產(chǎn)生第一條規(guī)則，并確定前提參數(shù)和結(jié)論參數(shù)。

(2.3)從第二組觀測數(shù)據(jù)開始，每來一組觀測數(shù)據(jù)，計算出d_min。如果d_min＞k_d，則進(jìn)入第4步；否則，進(jìn)入第5步。

d_min＝arg min(d_p(j))＝arg min(||X_p-C_j||)j＝1，2，…，u (9)

其中，X_p是第p個訓(xùn)練樣本，C_j是現(xiàn)有的RBF單元的中心，u是現(xiàn)有的模糊規(guī)則數(shù)或者RBF單元的數(shù)量。

(2.4)計算||e_p||。如果||e_p||＞k_e，則產(chǎn)生新的規(guī)則，否則自動調(diào)整已有規(guī)則的參數(shù)。

||e_p||＝|t_p-y_p|| (10)

其中，t_p是第p組觀測數(shù)據(jù)期望的輸出，y_p是第p組觀測數(shù)據(jù)實際的輸出。

(2.5)計算||e_p||。如果||e_p||＞k_e，則調(diào)整規(guī)則的高斯函數(shù)寬度，再調(diào)整結(jié)論參數(shù)，否則自動調(diào)整規(guī)則的結(jié)論參。

(2.6)計算η_j，η_j是第j條規(guī)則的重要性。如果η_j＞k_err，則刪除第j條規(guī)則，否則自動調(diào)整規(guī)則的結(jié)論參數(shù)。

(2.7)判斷是否結(jié)束，若沒有則返回第3步，否則結(jié)束整個學(xué)習(xí)過程。