[发明专利]一种基于混合人工蜂群算法的智能雷达海杂波预报系统及方法

权利要求书

1.一种基于混合人工蜂群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，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；

(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，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，用以采用混合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)：初始化混合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)：雇佣蜂EMBE_i以禁忌搜索算法产生新解EMBE_i'，并计算其适应度值

步骤3：比较EMBE_i和EMBE_i'，如果EMBE_i'好于EMBE_i，则用EMBE_i'代替EMBE_i，且将雇佣蜂的参数em lim it_i清零；否则，保持EMBE_i'不变，将参数em lim it_i加1；

(C)：跟随蜂ONBE_i通过轮盘赌策略选择雇佣蜂EMBE_p进行跟随，并计算其适应度值。

(D)：将ONBE_i与雇佣蜂EMBE_p进行比较，如果ONBE_i较好，则雇佣蜂与跟随蜂互换角色，即用ONBE_i代替EMBE_p，并将参数em lim it_p清零，参数on lim it_i加1；如果EMBE_p较差，则保持原有雇佣蜂不变，并用EMBE_p代替ONBE_i，将参数em lim it_p加1，参数on lim it_i加1；

(E)：判断是否有要放弃的解，如果存在，则通过侦察蜂搜索一个新解代替原先的解；

(F)：记录本次循环的最优解；

(G)：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。

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所述的基于混合人工蜂群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，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；

(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)用混合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)初始化混合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)雇佣蜂EMBE_i以禁忌搜索算法产生新解EMBE_i'，并计算其适应度值

(6.3)比较EMBE_i和EMBE_i'，如果EMBE_i'好于EMBE_i，则用EMBE_i'代替EMBE_i，且将雇佣蜂的参数em lim it_i清零；否则，保持EMBE_i'不变，将参数em lim it_i加1；

(6.4)跟随蜂ONBE_i通过轮盘赌策略选择雇佣蜂EMBE_p进行跟随，并计算其适应度值。

(6.5)将ONBE_i与雇佣蜂EMBE_p进行比较，如果ONBE_i较好，则雇佣蜂与跟随蜂互换角色，即用ONBE_i代替EMBE_p，并将参数em lim it_p清零，参数on lim it_i加1；如果EMBE_p较差，则保持原有雇佣蜂不变，并用EMBE_p代替ONBE_i，将参数em lim it_p加1，参数on lim it_i加1；

(6.6)判断是否有要放弃的解，如果存在，则通过侦察蜂搜索一个新解代替原先的解；

(6.7)记录本次循环的最优解；

(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)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。