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与流程

本发明涉及雷达数据处理领域，特别地，涉及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。

背景技术：

海杂波，即来自于被雷达发射信号照射的一片海面的后向散射回波。由于海杂波对来自海面或接近海面的“点”目标，如航海浮标及漂浮在海上的冰块等目标的雷达回波的可检测性形成严重制约，因此海杂波的研究对海洋背景中轮船等目标的探测性能具有十分重要的影响从而具有重要理论意义和实用价值。

习惯上海杂波被视为单一随机过程，如对数正态分布、k分布等。然而这些模型在实际应用中都有其特定的局限性，其中一个重要原因是海杂波看似随机的波形，实际上并不具有随机分布特性。

技术实现要素：

为了克服传统雷达数据处理的易受人为因素影响、智能性不足的缺点，本发明提供一种避免人为因素影响、智能性高的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。

本发明解决其技术问题所采用的技术方案是：

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，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，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xi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xi：

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：

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；

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：

其中

权重因子vi由下式计算：

其中是误差变量ξi标准差的估计，c1,c2为常量；

求解得待估计函数f(x)：

其中，m是支持向量的数目，1v＝[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(-||xi-xj||/θ²)，其中i＝1,…,m，j＝1,…,m，和exp(-||x-xi||/θ²)均为支持向量机的核函数，xj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；

智能寻优模块，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：

步骤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mmax，最大更新长度dmax，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pi的维度为2维，随机生成每个青蛙的位置pi＝(pi1,pi2)，置初始迭代次数k＝0；

步骤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pg；

步骤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；

其中，xjf表示第j只青蛙xj第f维的值，xgf是种群最优青蛙xg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。

步骤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mmax次；

d＝rand×(pb-pw)

p′w＝pw+d,-dmax≤d≤dmax

其中，pw为子群最差青蛙，pb为子群最优青蛙，dmax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。

步骤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pg；

步骤6：k＝k+1，若k<maxgen，则转至步骤3；否则输出种群最优青蛙xg，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。

海杂波预报模块，用以进行海杂波预测，采用如下过程完成：

1)在采样时刻t采集d个海杂波回波信号幅值得到tx＝[xt-d+1,…,xt]，xt-d+1表示第t-d+1采样时刻的海杂波回波信号幅值，xt表示第t采样时刻的海杂波回波信号幅值；

2)进行归一化处理；

3)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。

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。

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。

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所使用的雷达海杂波预报方法，所述的方法包括以下步骤：

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

2)对训练样本进行归一化处理，得到归一化幅值

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；

3)将归一化后的训练样本重构，分别得到输入矩阵x和对应的输出矩阵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；

4)将得到的x、y代入如下线性方程：

其中

权重因子vi由下式计算：

其中是误差变量ξi标准差的估计，c1,c2为常量；

求解得待估计函数f(x)：

其中，m是支持向量的数目，1v＝[1,...,1]^t,k＝exp(-||xi-xj||/θ²)，上标t表示矩阵的转置，是拉格朗日乘子，其中，i＝1,...,m，j＝1,…,m，b^*是偏置量，和exp(-||x-xi||/θ²)均为支持向量机的核函数，xj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；

5)用自适应混合蛙跳算法对步骤4)的核参数θ和惩罚系数γ进行优化，采用如下过程完成：

步骤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mmax，最大更新长度dmax，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pi的维度为2维，随机生成每个青蛙的位置pi＝(pi1,pi2)，置初始迭代次数k＝0；

步骤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pg；

步骤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；

其中，xjf表示第j只青蛙xj第f维的值，xgf是种群最优青蛙xg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。

步骤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mmax次；

d＝rand×(pb-pw)

p′w＝pw+d,-dmax≤d≤dmax

其中，pw为子群最差青蛙，pb为子群最优青蛙，dmax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。

步骤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pg；

步骤6：k＝k+1，若k<maxgen，则转至步骤3；否则输出种群最优青蛙xg，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＝[xt-d+1,…,xt]，xt-d+1表示第t-d+1采样时刻的海杂波回波信号幅值，xt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；

(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)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。

所述的方法还包括：在所述的步骤8)中，将计算得到的海杂波预报值在上位机显示。

本发明的技术构思为：本发明针对雷达海杂波的混沌特性，对雷达海杂波数据进行重构，并对重构后的数据进行非线性拟合，引入自适应混合蛙跳算法方法，从而建立雷达海杂波的智能预报模型。

本发明的有益效果主要表现在：1、建立了雷达海杂波预报模型，可以在线预测雷达海杂波；2、所用的建模方法只需较少样本即可；3、减少了人为因素的影响，智能性高，鲁棒性强。

附图说明

图1是本发明所提出的系统的硬件结构图；

图2是本发明所提出的上位机的功能模块图。

具体实施方式

下面结合附图对本发明作进一步描述。本发明实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

实施例1

参照图1、图2，一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1连接的数据库2、及上位机3，雷达1、数据库2和上位机3依次相连，所述雷达1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，所述的上位机3包括：

数据预处理模块4，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xi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

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：

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；

鲁棒预报模型建模模块5，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：

其中

权重因子vi由下式计算：

其中是误差变量ξi标准差的估计，c1,c2为常量

求解得待估计函数f(x)：

其中，m是支持向量的数目，1v＝[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(-||xi-xj||/θ²)，其中i＝1,…,m，j＝1,…,m，和exp(-||x-xi||/θ²)均为支持向量机的核函数，xj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；

智能寻优模块6，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：

步骤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mmax，最大更新长度dmax，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pi的维度为2维，随机生成每个青蛙的位置pi＝(pi1,pi2)，置初始迭代次数k＝0；

步骤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pg；

步骤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；

其中，xjf表示第j只青蛙xj第f维的值，xgf是种群最优青蛙xg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。

步骤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mmax次；

d＝rand×(pb-pw)

p′w＝pw+d,-dmax≤d≤dmax

其中，pw为子群最差青蛙，pb为子群最优青蛙，dmax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。

步骤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pg；

步骤6：k＝k+1，若k<maxgen，则转至步骤3；否则输出种群最优青蛙xg，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。

海杂波预报模块7，用以进行海杂波预测，采用如下过程完成：

1)在采样时刻t采集d个海杂波回波信号幅值得到tx＝[xt-d+1,…,xt]，xt-d+1表示第t-d+1采样时刻的海杂波回波信号幅值，xt表示第t采样时刻的海杂波回波信号幅值；

2)进行归一化处理；

3)代入鲁棒预报模型建模模块得到的函数f(x)得到采样时刻(t+1)的海杂波预报值。

判别模型更新模块8，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。

结果显示模块9，用以将海杂波预报模块计算得到的预报值在上位机显示。

所述上位机3的硬件部分包括：i/o元件，用于数据的采集和信息的传递；数据存储器，存储运行所需的数据样本和运行参数等；程序存储器，存储实现功能模块的软件程序；运算器，执行程序，实现指定的功能；显示模块，显示设置的参数和运行结果。

实施例2

参照图1、图2，一种基于自适应混合蛙跳算法的智能雷达海杂波预报方法，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xi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

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；

3)将归一化后的训练样本重构，分别得到输入矩阵x和对应的输出矩阵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；

(4)将得到的x、y代入如下线性方程：

其中

权重因子vi由下式计算：

其中是误差变量ξi标准差的估计，c1,c2为常量

求解得待估计函数f(x)：

其中，m是支持向量的数目，1v＝[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(-||xi-xj||/θ²)，其中i＝1,…,m，j＝1,…,m，和exp(-||x-xi||/θ²)均为支持向量机的核函数，xj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；

(5)用自适应混合蛙跳算法对步骤4)的核参数θ和惩罚系数γ进行优化，采用如下过程完成：

步骤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mmax，最大更新长度dmax，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pi的维度为2维，随机生成每个青蛙的位置pi＝(pi1,pi2)，置初始迭代次数k＝0；

步骤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pg；

步骤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；

其中，xjf表示第j只青蛙xj第f维的值，xgf是种群最优青蛙xg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。

步骤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mmax次；

d＝rand×(pb-pw)

p′w＝pw+d,-dmax≤d≤dmax

其中，pw为子群最差青蛙，pb为子群最优青蛙，dmax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。

步骤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pg；

步骤6：k＝k+1，若k<maxgen，则转至步骤3；否则输出种群最优青蛙xg，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＝[xt-d+1,…,xt]，xt-d+1表示第t-d+1采样时刻的海杂波回波信号幅值，xt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；

(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)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。

由以上实施例可见，本发明建立了雷达海杂波预报模型，可以在线预测雷达海杂波；且所用的建模方法只需较少样本即可；另外，减少了人为因素的影响，智能性高，鲁棒性强。