一种敏捷自适应的智能雷达海上目标检测系统的制作方法

本发明涉及雷达数据处理领域，特别地，涉及一种敏捷自适应的智能雷达海上目标检测系统。

背景技术

海杂波，即来自于海面的雷达后向散射回波。近几十年来，随着对海杂波认识的深入，德国、挪威等国家相继尝试利用雷达观测海杂波获取雷达海浪图像来反演海浪信息，以获得关于海洋状态的实时信息，如海浪的波高、方向和周期等，从而进一步对海上微小目标进行检测，这对海上活动具有十分重要的意义。

海上目标检测技术具有重要的地位，提供准确的目标判决是对海雷达工作的重要任务之一。雷达自动检测系统依据判决准则在给定的检测阈值下做出判决，而强海杂波往往成为微弱目标信号的主要干扰。如何处理海杂波将直接影响到雷达在海洋环境下的检测能力：1)识别导航浮标、小片的冰，漂浮在海面的油污，这些可能会对导航带来潜在的危机；2)监测非法捕鱼是环境监测的一项重要的任务。

在传统的目标检测时，海杂波被认为是干扰导航的一种噪声被去掉。然而，在雷达对海观测目标时，微弱的运动目标回波常常湮没在海杂波中，信杂比较低，雷达不易检测到目标，同时海杂波的大量尖峰还会造成严重虚警，对雷达的检测性能产生较大影响。对于各种对海警戒和预警雷达而言，研究的主要目标是提高海杂波背景下目标的检测能力。因此，不仅具有重要的理论意义和实际意义，而且也是国内外海上目标检测的难点和热点。

技术实现要素：

为了克服已有雷达海上目标检测方法检测效率不高、自适应能力较差的不足，本发明提供一种敏捷自适应的智能雷达海上目标检测系统。

本发明解决其技术问题所采用的技术方案是：一种敏捷自适应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；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、差分进化算法优化模块、目标检测模块、模型更新模块以及结果显示模块，其中：

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xi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，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。

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xp＝[xp1,xp2,…,xpn]，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xp有n个输入的语言变量xp1,xp2,…,xpn。

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，μij是xpi的第j个隶属函数，cij是xpi的第j个高斯隶属函数的中心，σj是xpi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rj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nj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(xp)是第p个训练样本对应的实际输出，ωk是then-部分或者第k个规则的连接权。

ωk＝αk0+αk1xp1+…+αknxpnk＝1,2,…,u(7)

其中，αk0、αk1、…、αkn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(xp,tp)，其中，xp是第p个训练样本，tp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kd、根据期望的精度而预先选定的ke值、根据规则重要性而预设的常数kerr。

(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dmin。如果dmin>kd，则进入第4步；否则，进入第5步。

dmin＝argmin(dp(j))＝argmin(||xp-cj||)j＝1,2,…,u(9)

其中，xp是第p个训练样本，cj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||ep||。如果||ep||>ke，则产生新的规则，否则自动调整已有规则的参数。

||ep||＝||tp-yp||(10)

其中，tp是第p组观测数据期望的输出，yp是第p组观测数据实际的输出。

(2.5)计算||ep||。如果||ep||>ke，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ηj，ηj是第j条规则的重要性。如果ηj>kerr，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。

差分进化算法优化模块：用于采用差分进化算法对动态模糊神经网络模块的可容纳边界的有效半径kd值、根据期望的精度而预先选定的ke值、根据规则重要性而预设的常数kerr值进行优化，具体步骤如下：

(1)算法初始化，在问题的可行解空间对种群进行初始化个体xi(k)＝[xi,1(k),xi,2(k),…,xi,d(k)]，i＝1,2,…,np表征问题的解，d为解空间的维数，k表示迭代次数，np为种群数目。初始化种群应该尽可能多地覆盖整个搜索空间，并在规定的最小和最大参数边界限制的搜索空间内对个体进行一致随机化，设定最小和最大边界分别为xmin＝{xmin,1,…,xmin,d}和xmax＝{xmax,1,…,xmax,d}。在迭代次数k＝1时，第i个个体的第j个组分的初始值按下式产生：

xi,j(0)＝xmin,j+rand(0,1)·(xmax,j-xmin,j)(11)

其中rand(0,1)是0到1之间均匀分布的随机数。

(2)变异操作。对种群进行初始化之后，对于每个个体xi(k)相应地会产生一个变异向量vi(k)＝[vi,1(k),vi,2(k),…,vi,d(k)]，个体xi(k)也称为目标向量，变异操作的表达式如下：

vi(k)＝xbest(k)+f·(xr1(k)-xr2(k)),1≤r1≠r2≠i≤np(12)

其中，xbest(k)是在当前第k次迭代时种群中具有最佳适应度值的个体向量，比例因子f是用于缩放差异向量的正控制参数。

(3)交叉操作。针对每对目标向量xi(k)及其相应的变异向量vi(k)进行交叉操作，以生成试验向量ui(k)＝[ui,1(k),ui,2(k),…,ui,d(k)]。根据下式进行该二项式交叉方案：

其中，cr是一个自定义的交叉率，取值范围通常在0到1之间，它控制着种群的多样性，并避免算法陷入局部最优。如果新生成的试验向量的某些参数的值超过了相应的上下限，则在预定义范围内对其进行随机均匀地重新初始化。然后，评估所有试验向量的适应度值。

(4)选择操作。该运算将试验向量的适应度与相应的目标向量进行比较，选择其中更好的解。对于最小化问题，选择操作的表达式如下：

其中，f(x)为适应度值。在每一代的进化过程中，每一个体向量作为目标个体一次，算法通过不断地迭代计算，保留优良个体，淘汰劣质个体，引导搜索过程向全局最优解逼近。

目标检测模块：用以进行目标检测，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)代入模糊小波神经网络建模模块计算得到采样时刻(t+1)的海杂波预报值。

(4)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qα：

其中，α是置信度，θ1,θ2,θ3,h0是中间变量，表示协方差矩阵的第j个特征值的i次方，k是样本维数，cα是正态分布置信度为α的统计；

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

所述敏捷自适应的雷达海上目标检测系统，所述上位机还包括：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。以及结果显示模块，用以将目标检测模块的检测结果在上位机显示。

本发明的有益效果主要表现在：本发明对海上目标进行检测，克服已有雷达海上目标检测方法检测效率不高、自适应能力较差的不足，针对雷达海杂波的混沌特性建立动态模糊神经网络预报模型，进一步引入差分进化优化算法，从而实现海杂波背景下的敏捷自适应目标检测。

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

下面根据附图具体说明本发明。

参照图1、图2，一种敏捷自适应的智能雷达海上目标检测系统，包括雷达1、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：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xi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，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。

动态模糊神经网络建模模块5：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xp＝[xp1,xp2,…,xpn]，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xp有n个输入的语言变量xp1,xp2,…,xpn。

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，μij是xpi的第j个隶属函数，cij是xpi的第j个高斯隶属函数的中心，σj是xpi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rj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nj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(xp)是第p个训练样本对应的实际输出，ωk是then-部分或者第k个规则的连接权。

ωk＝αk0+αk1xp1+…+αknxpnk＝1,2,…,u(7)

其中，αk0、αk1、…、αkn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(xp,tp)，其中，xp是第p个训练样本，tp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kd、根据期望的精度而预先选定的ke值、根据规则重要性而预设的常数kerr。

(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dmin。如果dmin>kd，则进入第4步；否则，进入第5步。

dmin＝argmin(dp(j))＝argmin(||xp-cj||)j＝1,2,…,u(9)

其中，xp是第p个训练样本，cj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||ep||。如果||ep||>ke，则产生新的规则，否则自动调整已有规则的参数。

||ep||＝||tp-yp||(10)

其中，tp是第p组观测数据期望的输出，yp是第p组观测数据实际的输出。

(2.5)计算||ep||。如果||ep||>ke，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ηj，ηj是第j条规则的重要性。如果ηj>kerr，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。

差分进化算法优化模块6：用于采用差分进化算法对动态模糊神经网络模块的可容纳边界的有效半径kd值、根据期望的精度而预先选定的ke值、根据规则重要性而预设的常数kerr值进行优化，具体步骤如下：

(1)算法初始化，在问题的可行解空间对种群进行初始化个体xi(k)＝[xi,1(k),xi,2(k),…,xi,d(k)]，i＝1,2,…,np表征问题的解，d为解空间的维数，k表示迭代次数，np为种群数目。初始化种群应该尽可能多地覆盖整个搜索空间，并在规定的最小和最大参数边界限制的搜索空间内对个体进行一致随机化，设定最小和最大边界分别为xmin＝{xmin,1,…,xmin,d}和xmax＝{xmax,1,…,xmax,d}。在迭代次数k＝1时，第i个个体的第j个组分的初始值按下式产生：

xi,j(0)＝xmin,j+rand(0,1)·(xmax,j-xmin,j)(11)

其中rand(0,1)是0到1之间均匀分布的随机数。

(2)变异操作。对种群进行初始化之后，对于每个个体xi(k)相应地会产生一个变异向量vi(k)＝[vi,1(k),vi,2(k),…,vi,d(k)]，个体xi(k)也称为目标向量，变异操作的表达式如下：

vi(k)＝xbest(k)+f·(xr1(k)-xr2(k)),1≤r1≠r2≠i≤np(12)

其中，xbest(k)是在当前第k次迭代时种群中具有最佳适应度值的个体向量，比例因子f是用于缩放差异向量的正控制参数。

(3)交叉操作。针对每对目标向量xi(k)及其相应的变异向量vi(k)进行交叉操作，以生成试验向量ui(k)＝[ui,1(k),ui,2(k),…,ui,d(k)]。根据下式进行该二项式交叉方案：

其中，cr是一个自定义的交叉率，取值范围通常在0到1之间，它控制着种群的多样性，并避免算法陷入局部最优。如果新生成的试验向量的某些参数的值超过了相应的上下限，则在预定义范围内对其进行随机均匀地重新初始化。然后，评估所有试验向量的适应度值。

(4)选择操作。该运算将试验向量的适应度与相应的目标向量进行比较，选择其中更好的解。对于最小化问题，选择操作的表达式如下：

其中，f(x)为适应度值。在每一代的进化过程中，每一个体向量作为目标个体一次，算法通过不断地迭代计算，保留优良个体，淘汰劣质个体，引导搜索过程向全局最优解逼近。

目标检测模块7：用以进行目标检测，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)代入模糊小波神经网络建模模块计算得到采样时刻(t+1)的海杂波预报值。

(4)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qα：

其中，α是置信度，θ1,θ2,θ3,h0是中间变量，表示协方差矩阵的第j个特征值的i次方，k是样本维数，cα是正态分布置信度为α的统计；

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

模型更新模块8，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，将目标检测模块的检测结果在上位机显示。

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，显示设置的参数和检测结果。

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。