[发明专利]一种智能自适应的雷达海上目标检测系统及方法

权利要求书

1.一种智能自适应的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，雷达对所检测海域进行照射，并将雷达海杂波数据储存到数据库中，上位机对数据库中的海杂波数据进行建模并检测目标；所述的上位机包括数据预处理模块、动态模糊神经网络建模模块、改进引力搜索算法优化模块、目标检测模块、模型更新模块以及结果显示模块。

2.根据权利要求1所述智能自适应的雷达海上目标检测系统，其特征在于，所述数据预处理模块对数据库输入的雷达海杂波数据进行预处理，采用如下过程完成：

(1)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＝1，2，…，N；

(2)对训练样本进行归一化处理，得到归一化幅值

其中，min x表示训练样本中的最小值，max x表示训练样本中的最大值；

(3)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Y：

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。

3.根据权利要求1所述智能自适应的雷达海上目标检测系统，其特征在于，所述动态模糊神经网络建模模块，用以建立预报模型，采用如下过程完成：

(1)网络结构：设第p个训练样本X_p＝[x_p1，x_p2，…，x_pn]，其中n是输入变量的个数。

动态模糊神经网络的结构由5层组成，详述如下：

第1层为输入层，每个节点分别表示一个输入的语言变量。则可知第p个训练样本X_p有n个输入的语言变量x_p1，x_p2，…，x_pn。

第2层为隶属函数层，每个节点分别代表一个隶属函数，该隶属函数是用如下的高斯函数表示的：

其中，μ_ij是x_pi的第j个隶属函数，c_ij是x_pi的第j个高斯隶属函数的中心，σ_j是x_pi的第j个高斯隶属函数的宽度，n是输入变量的个数，u是隶属函数的数量，也代表系统总的规则数。

第3层为T-范数层，每个节点分别代表一个可能的模糊规则中的IF-部分。因此，该层节点反映了模糊规则数；同时，该层每个节点也代表了一个RBF单元，所以模糊规则数与RBF节点数相等。第j个规则R_j的输出为

其中，是第j个RBF单元的中心。

第4层为归一化层，该层的节点称为N节点。N节点数与模糊规则节点数相等。第j个节点N_j的输出为

第5层为输出层，该层中的每个节点分别表示一个输出变量，该输出是所有输入信号的叠加：

其中，y(X_p)是第p个训练样本对应的实际输出，ω_k是THEN-部分或者第k个规则的连接权。

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

其中，α_k0、α_k1、…、α_kn是网络的结论参数。

把式(4)、式(5)、式(7)代入式(6)，则得到：

(2)动态模糊神经网络学习算法：对于每组观测数据(X_p，t_p)，其中，X_p是第p个训练样本，t_p是第p个训练样本对应的期望输出，在线进行系统结构和参数辨识，具体实现步骤如下：

(2.1)确定可容纳边界的有效半径k_d、根据期望的精度而预先选定的k_e值、根据规则重要性而预设的常数k_err。

(2.2)当到来第一组观测数据(X₁，t₁)时产生第一条规则，并确定前提参数和结论参数。

(2.3)从第二组观测数据开始，每来一组观测数据，计算出d_min。如果d_min＞k_d，则进入第4步；否则，进入第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个训练样本，C_j是现有的RBF单元的中心，u是现有的模糊规则数或者RBF单元的数量。

(2.4)计算||e_p||。如果||e_p||＞k_e，则产生新的规则，否则自动调整已有规则的参数。

||e_p||＝|t_p-y_p|| (10)

其中，t_p是第p组观测数据期望的输出，y_p是第p组观测数据实际的输出。

(2.5)计算||e_p||。如果||e_p||＞k_e，则调整规则的高斯函数宽度，再调整结论参数，否则自动调整规则的结论参。

(2.6)计算η_j，η_j是第j条规则的重要性。如果η_j＞k_err，则删除第j条规则，否则自动调整规则的结论参数。

(2.7)判断是否结束，若没有则返回第3步，否则结束整个学习过程。