[发明专利]一种基于改进人工蜂群算法的智能雷达海上目标检测系统及方法

权利要求书

1.一种基于改进人工蜂群算法的智能雷达海上目标检测系统，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、目标检测模块、模型更新模块以及结果显示模块：

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-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；

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，用以采用改进人工蜂群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)初始化改进人工蜂群算法的参数，设蜜源数P，最大迭代数iter_max，初始搜索空间的最小值和最大值L_d和U_d；蜜源的位置表示问题的可行解，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，按下式随机生成蜜源的位置p_i＝(p_i1,p_i2)，置初始迭代次数iter＝0；

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

(B)为蜜源p_i分配一只引领蜂，按下式进行搜索，产生新蜜源V_i；

(C)计算V_i的适应度值，根据灵敏度与信息素配合的方法选择蜜源，其过程如下：

1)计算P个蜜源的适应度值；

2)计算第i个蜜源的信息素nf(i)：

3)随机产生第i个跟随蜂的灵敏度S(i)～U(0,1)；

4)找出配合第i个跟随蜂的灵敏度的蜜源：随机找出i，满足nf(i)≤S(i)。

(D)计算引领蜂找到的蜜源被更随的概率；

(E)跟随蜂采用与引领蜂相同的方式进行搜索，根据灵敏度与信息素配合的方法选择蜜源；

(F)判断蜜源V_i是否满足被放弃的条件，如满足，对应的引领蜂角色变为侦察蜂，否则直接转到步骤(H)；

(G)侦察蜂随机产生新蜜源；

(H)iter＝iter+1，判断是否已经达到最大迭代次数，若满足则输出最优参数，否则转到步骤(B)。

其中，蜜源数为100，初始搜索空间的最小值和最大值0和100，最大迭代次数100。

目标检测模块，用以进行目标检测，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]，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，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；

(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。

(d)计算海杂波预报值与雷达回波实测值的差值e，计算控制限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是中间变量，λ_jⁱ表示协方差矩阵的第j个特征值的i次方，k是样本维数，C_α是正态分布置信度为α的统计；

(e)进行检测判断：当e²差值大于控制限Q_α时，该点存在目标，否则没有目标。

所述模型更新模块，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，用以将目标检测模块的检测结果在上位机显示。

2.一种权利要求1所述的基于改进人工蜂群算法的智能雷达海上目标检测系统所使用的雷达海上目标检测方法，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)用改进人工蜂群算法对步骤(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)初始化改进人工蜂群算法的参数，设蜜源数P，最大迭代数iter_max，初始搜索空间的最小值和最大值L_d和U_d；蜜源的位置表示问题的可行解，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，按下式随机生成蜜源的位置p_i＝(p_i1,p_i2)，置初始迭代次数iter＝0；

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

(6.2)为蜜源p_i分配一只引领蜂，按下式进行搜索，产生新蜜源V_i；

(6.3)计算V_i的适应度值，根据灵敏度与信息素配合的方法选择蜜源，其过程如下：

1)计算P个蜜源的适应度值；

2)计算第i个蜜源的信息素nf(i)：

3)随机产生第i个跟随蜂的灵敏度S(i)～U(0,1)；

4)找出配合第i个跟随蜂的灵敏度的蜜源：随机找出i，满足nf(i)≤S(i)。

(6.4)计算引领蜂找到的蜜源被更随的概率；

(6.5)跟随蜂采用与引领蜂相同的方式进行搜索，根据灵敏度与信息素配合的方法选择蜜源；

(6.6)判断蜜源V_i是否满足被放弃的条件，如满足，对应的引领蜂角色变为侦察蜂，否则直接转到步骤(6.8)；

(6.7)侦察蜂随机产生新蜜源；

(6.8)iter＝iter+1，判断是否已经达到最大迭代次数，若满足则输出最优参数，否则转到步骤(6.2)。

其中，蜜源数为100，初始搜索空间的最小值和最大值0和100，最大迭代次数100。

(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]]>

(9)代入步骤(5)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。

(10)计算海杂波预报值与雷达回波实测值的差值e，计算控制限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是中间变量，λ_jⁱ表示协方差矩阵的第j个特征值的i次方，k是样本维数，C_α是正态分布置信度为α的统计；

(11)进行检测判断：当e²差值大于控制限Q_α时，该点存在目标，否则没有目标。

(12)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。