[发明专利]一种基于入侵杂草优化算法的智能雷达海杂波预报系统及方法

权利要求书

1.一种基于入侵杂草优化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-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，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，用以采用入侵杂草优化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)：初始化入侵杂草优化算法的参数，设置最小种群规模N_min、最大种群规模N_max、杂草个体所能产生的最大种子规模s_max、杂草个体所能产生的最小种子规模s_min、种群初始状态时设定的最大值δ_max、种群初始状态设定的最小值δ_min、最大迭代次数iter_max及非线性调和因子n等各个参数值，设种群数为P。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iter＝0；

(B)：评估当前种群中每个杂草个体的适应度，标记种群最好适应度、最差适应度和最优个体；

(C)：判断迭代次数是否达到iter_max。若达到，终止算法；否则，跳转至步骤(D)；

(D)：根据下式分别计算计算种群内个体繁殖的种子数目和更新当前迭代的标准差δ；

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

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

其中，f_i表示第i个个体的适应度，f_max和f_min分别表示当前种群对应的最大和最小适应度，s_max和s_min分别表示杂草个体所能产生的最大和最小种子数目，floor(·)是向下取整函数，iter表示当前进化次数，iter_max表示最大进化次数，δ_iter为当前标准差，δ_max和δ_min分别为种群初始状态时设定的最大值和最小值，n是非线性调和因子。

(E)：按N(0,δ²)正态分布随机产生扩散值，并将其加入至当前种群；

(F)：判断种群规模是否达到N_max。若达到上限，跳转至步骤(G)；否则，跳转至步骤(B)；

(G)：评估当前种群中所有个体的适应度，并按适应度大小进行排序，选择前N_max个个体，淘汰剩余个体，标记最好适应度、最差适应度和最优个体，然后跳转至步骤(C)。

其中，初始种群大小为10，最小种群规模为10，最大种群规模为100，杂草个体所能产生的最大和最小种子规模分别为1和10，种群初始状态设定的最小和最大值分别为100和0，最大迭代数100，非线性调和因子为3。

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]，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。

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所述的基于入侵杂草优化算法的智能雷达海杂波预报系统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，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)用入侵杂草优化算法对步骤4)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)初始化入侵杂草优化算法的参数，设置最小种群规模N_min、最大种群规模N_max、杂草个体所能产生的最大种子规模s_max、杂草个体所能产生的最小种子规模s_min、种群初始状态时设定的最大值δ_max、种群初始状态设定的最小值δ_min、最大迭代次数iter_max及非线性调和因子n等各个参数值，设种群数为P。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iter＝0；

(6.2)评估当前种群中每个杂草个体的适应度，标记种群最好适应度、最差适应度和最优个体；

(6.3)判断迭代次数是否达到iter_max。若达到，终止算法；否则，跳转至步骤(6.4)；

(6.4)根据下式分别计算计算种群内个体繁殖的种子数目和更新当前迭代的标准差δ；

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

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

其中，f_i表示第i个个体的适应度，f_max和f_min分别表示当前种群对应的最大和最小适应度，s_max和s_min分别表示杂草个体所能产生的最大和最小种子数目，floor(·)是向下取整函数，iter表示当前进化次数，iter_max表示最大进化次数，δ_iter为当前标准差，δ_max和δ_min分别为种群初始状态时设定的最大值和最小值，n是非线性调和因子。

(6.5)按N(0,δ²)正态分布随机产生扩散值，并将其加入至当前种群；

(6.6)判断种群规模是否达到N_max。若达到上限，跳转至步骤(6.7)；否则，跳转至步骤(6.2)；

(6.7)评估当前种群中所有个体的适应度，并按适应度大小进行排序，选择前N_max个个体，淘汰剩余个体，标记最好适应度、最差适应度和最优个体，然后跳转至步骤(6.3)。

其中，初始种群大小为20，最小种群规模为10，最大种群规模为50，杂草个体所能产生的最大和最小种子规模分别为1和10，种群初始状态设定的最小和最大值分别为100和0，最大迭代数100，非线性调和因子为3。

(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。

(10)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。