[发明专利]一种基于自适应混合蛙跳算法的智能雷达海杂波预报系统及方法

权利要求书

1.一种基于自适应混合蛙跳算法的智能雷达海杂波预报系统，包括雷达、数据库以及上位机，雷达、数据库和上位机依次相连，其特征在于：所述雷达对所检测海域进行照射，并将雷达海杂波数据储存到所述的数据库，所述的上位机包括数据预处理模块、鲁棒预报模型建模模块、智能寻优模块、海杂波预报模块、判别模型更新模块和结果显示模块；

所述数据预处理模块，用以进行雷达海杂波数据预处理，采用如下过程完成：

(1)雷达对所检测海域进行照射，并将雷达海杂波数据储存到所述的数据库；

(2)从数据库中采集N个雷达海杂波回波信号幅值x_i作为训练样本，i＝1,...,N；

(3)对训练样本进行归一化处理，得到归一化幅值

x‾i=xi-minxmaxx-minx]]>

其中，minx表示训练样本中的最小值，maxx表示训练样本中的最大值；

(4)将归一化后的训练样本重构，分别得到输入矩阵X和对应的输出矩阵Y：

Y=x‾D+1x‾D+2...x‾N]]>

其中，D表示重构维数，D为自然数，且D＜N，D的取值范围为50-70；

所述鲁棒预报模型建模模块，用以建立预报模型，采用如下过程完成：

将数据预处理模块得到的X、Y代入如下线性方程：

01vT1vK+Vγb*α*=0Y]]>

其中

权重因子v_i由下式计算：

其中是误差变量ξ_i标准差的估计，c₁,c₂为常量；

求解得待估计函数f(x)：

f(x)=Σi=1Mαi*exp(-||x-xi||/θ2)+b*]]>

其中，M是支持向量的数目，1_v＝[1,...,1]^T,上标T表示矩阵的转置，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)均为支持向量机的核函数，x_j为第j个雷达海杂波回波信号幅值，θ是核参数，x表示输入变量，γ是惩罚系数；

所述智能寻优模块，用以采用自适应混合蛙跳算法对鲁棒预报模型的核参数θ和惩罚系数γ进行优化，采用如下过程完成：

(A)：初始化青蛙群体参数，设种群青蛙数为P,最大迭代次数Maxgen，局部搜索的迭代次数M_max，最大更新长度D_max，分组数m以及每组青蛙数n，由于模型有两个参数需要优化，所以位置p_i的维度为2维，随机生成每个青蛙的位置p_i＝(p_i1,p_i2)，置初始迭代次数k＝0；

(B)：计算所有青蛙的适应度值，并进行排序，选取种群最优青蛙p_g；

(C)：按照下式对所有青蛙进行变异操作，重新计算青蛙的适应度值，并进行排序、分组；

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维的值，x_gf是种群最优青蛙x_g第f维的值，L(j×f)是Logistic混沌序列值，i为当前全局搜索迭代次数，Maxgen为所设置的最大迭代次数，P为种群青蛙数。

(D)：按照下式对子群最差青蛙对子群中最差的青蛙进行更新，接着在子群内重新排序，然后对子群最差青蛙进行更新；重复该局部搜索过程M_max次；

D＝rand×(p_b-p_w)

p′_w＝p_w+D,-D_max≤D≤D_max

其中，p_w为子群最差青蛙，p_b为子群最优青蛙，D_max为最大变异尺度，p'_w为更新后的青蛙。首先利用子群最优青蛙去更新，若新得到的青蛙优于原来子群最差青蛙，则取代之；否则种群最优青蛙代替子群最优青蛙进行更新，若新得到的青蛙优于原来子群最差青蛙，则取代之；否则随机生成一个青蛙取代原来子群最差青蛙。

(E)：当所有子群的局部搜索都已经完成，对所有青蛙进行混合、排序和分组，选取种群最优青蛙p_g；

(F)：k＝k+1，若k<Maxgen，则转至步骤(C)；否则输出种群最优青蛙x_g，为鲁棒预报模型的最优参数，算法终止；

其中，初始种群大小为200，分组数10，每组子群数20，种群最大迭代数100，子群最大迭代数10，最大更新长度5。

所述海杂波预报模块，用以进行海杂波预测，采用如下过程完成：

(a)在采样时刻t采集D个海杂波回波信号幅值得到TX＝[x_t-D+1,…,x_t]，x_t-D+1表示第t-D+1采样时刻的海杂波回波信号幅值，x_t表示第t采样时刻的海杂波回波信号幅值，TX表示海杂波从第t-D+1采样时刻到第t采样时刻的信号幅值矩阵；

(b)进行归一化处理；

TX‾=TX-min xmax x-min x]]>

(c)代入鲁棒预报模型建模模块得到的待估计函数f(x)计算得到采样时刻(t+1)的海杂波预报值。

所述判别模型更新模块，用以按设定的采样时间间隔采集数据，将得到的实测数据与模型预报值比较，如果相对误差大于10％，则将新数据加入训练样本数据，更新预报模型。

所述结果显示模块，用以将海杂波预报模块计算得到的预报值在上位机显示。

2.一种权利要求1所述的基于自适应混合蛙跳算法的智能雷达海杂波预报系统所使用的雷达海杂波预报方法，其特征在于：所述的方法包括以下步骤：

(1)雷达对所检测海域进行照射，并将雷达海杂波数据储存到所述的数据库；

(2)从数据库中采集N个雷达海杂波回波信号幅值x_i作为训练样本，i＝1,...,N；

(3)对训练样本进行归一化处理，得到归一化幅值

x‾i=xi-min xmax x-min x]]>

其中，minx表示训练样本中的最小值，maxx表示训练样本中的最大值；

(4)将归一化后的训练样本重构，分别得到输入矩阵X和对应的输出矩阵Y：

Y=x‾D+1x‾D+2...x‾N]]>

其中，D表示重构维数，D为自然数，且D＜N，D的取值范围为50-70；

(5)将得到的X、Y代入如下线性方程：

01vT1vK+Vγb*α*=0Y]]>

其中

权重因子v_i由下式计算：

其中是误差变量ξ_i标准差的估计，c₁,c₂为常量；

求解得待估计函数f(x)：

f(x)=Σi=1Mαi*exp(-||x-xi||/θ2)+b*]]>

其中，M是支持向量的数目，1_v＝[1,...,1]^T,上标T表示矩阵的转置，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)均为支持向量机的核函数，x_j为第j个雷达海杂波回波信号幅值，θ是核参数，x表示输入变量，γ是惩罚系数；

(6)用自适应混合蛙跳算法对步骤(5)的核参数θ和惩罚系数γ进行优化，采用如下过程完成：

(6.1)初始化青蛙群体参数，设种群青蛙数为P,最大迭代次数Maxgen，局部搜索的迭代次数M_max，最大更新长度D_max，分组数m以及每组青蛙数n，由于模型有两个参数需要优化，所以位置p_i的维度为2维，随机生成每个青蛙的位置p_i＝(p_i1,p_i2)，置初始迭代次数k＝0；(6.2)计算所有青蛙的适应度值，并进行排序，选取种群最优青蛙p_g；

(6.3)按照下式对所有青蛙进行变异操作，重新计算青蛙的适应度值，并进行排序、分组；

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维的值，x_gf是种群最优青蛙x_g第f维的值，L(j×f)是Logistic混沌序列值，i为当前全局搜索迭代次数，Maxgen为所设置的最大迭代次数，P为种群青蛙数。

(6.4)按照下式对子群最差青蛙对子群中最差的青蛙进行更新，接着在子群内重新排序，然后对子群最差青蛙进行更新；重复该局部搜索过程M_max次；

D＝rand×(p_b-p_w)

p′_w＝p_w+D,-D_max≤D≤D_max

其中，p_w为子群最差青蛙，p_b为子群最优青蛙，D_max为最大变异尺度，p'_w为更新后的青蛙。首先利用子群最优青蛙去更新，若新得到的青蛙优于原来子群最差青蛙，则取代之；否则种群最优青蛙代替子群最优青蛙进行更新，若新得到的青蛙优于原来子群最差青蛙，则取代之；否则随机生成一个青蛙取代原来子群最差青蛙。

(6.5)当所有子群的局部搜索都已经完成，对所有青蛙进行混合、排序和分组，选取种群最优青蛙p_g；

(6.6)k＝k+1，若k<Maxgen，则转至步骤(6.3)；否则输出种群最优青蛙x_g，为鲁棒预报模型的最优参数，算法终止；

其中，初始种群大小为200，分组数10，每组子群数20，种群最大迭代数100，子群最大迭代数10，最大更新长度5。

(7)在采样时刻t采集D个海杂波回波信号幅值得到TX＝[x_t-D+1,…,x_t]，x_t-D+1表示第t-D+1采样时刻的海杂波回波信号幅值，x_t表示第t采样时刻的海杂波回波信号幅值；

(8)进行归一化处理；

TX‾=TX-min xmax x-min x]]>

代入步骤4)得到的待估计函数f(x)计算得到采样时刻(t+1)的海杂波预报值。

(9)采样时间间隔采集数据，将得到的实测数据与模型预报值比较，如果相对误差大于10％，则将新数据加入训练样本数据，更新预报模型。