[发明专利]一种自适应的雷达海杂波预报系统在审
申请号: | 201810691874.4 | 申请日: | 2018-06-28 |
公开(公告)号: | CN108983183A | 公开(公告)日: | 2018-12-11 |
发明(设计)人: | 刘兴高;张淼 | 申请(专利权)人: | 浙江大学 |
主分类号: | G01S7/41 | 分类号: | G01S7/41 |
代理公司: | 杭州求是专利事务所有限公司 33200 | 代理人: | 邱启旺 |
地址: | 310058 浙江*** | 国省代码: | 浙江;33 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 杂波 雷达 上位机 预报系统 数据库 自适应 小波神经网络 数据预处理模块 结果显示模块 模糊 更新模块 建模模块 结构参数 判别模型 数据储存 依次相连 预报模块 自动更新 抗噪音 能力强 预报 建模 照射 海域 检测 | ||
1.一种自适应的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,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预报;所述的上位机包括数据预处理模块、模糊小波神经网络建模模块、海杂波预报模块、判别模型更新模块以及结果显示模块。
2.根据权利要求1所述自适应的雷达海杂波预报系统,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,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所述自适应的雷达海杂波预报系统,其特征在于,所述模糊小波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)模糊小波神经网络是一个五层的网络结构,包含输入层、模糊化层、规则层、小波结果层、输出层。该网络的模糊规则服从下面的形式:
其中,x1,x2,…,xn表示输入变量,ψ1,ψ2,…,ψM表示输出变量,Akj是包含高斯成员函数的第k个模糊集,ωik是连接权值。
对每一层的节点的描述如下:
第一层(输入层):在这一层里,每个节点代表一个输入变量,每个输入变量在节点处都被直接映射到节点的输出,其中n表示其中输入变量的个数。
第二层(模糊化层):第一层的输出作为成员函数的输入,相应的成员函数值可以根据下面的高斯函数计算得到:
其中,mj和σj分别表示高斯成员函数的中心和宽度,M表示规则的个数。
第三层(规则层):在这一层里,节点数等于规则数,每一个节点都代表了一个对输入变量的T-范数操作,这里的输入变量即为第二层模糊化层的输出值,节点的输出为输入变量对此规则的适用度。则第k个节点的输出为
其中,模糊化层和规则层之间的连接权值设定为1。
第四层(小波结果层):小波层接收变量x1,x2,…,xn作为输入信号,它包含M个小波神经网络,并且每个小波神经网络对应一个模糊规则的结果层。ψk是小波神经网络的输出,表示如下:
结果层的节点接收来自小波层和规则层的输入,并将两者相乘,作为该层的输出:
其中,结果层和规则层之间的连接权值设定为1。
第五层(输出层):这一层的每个输出都代表了一个输出变量,输出变量是由该层的节点集合第四层的输出变量值并对其进行反模糊化,这里采用加权求和作为反模糊化函数。计算网络的最终输出:
(2)网络学习算法
在模糊小波神经网络中需要修正的参数集合为包括第二层中高斯成员函数的中心mj和宽度σj,小波函数的平移因子bik和缩放因子aik,第四层小波层的权值参数ωik,第五层的连接权值
在梯度下降算法中,根据目标函数梯度的反方向来调整网络的结构参数定义目标函数如下:
其中,y和f分别表示预测值和真实值。
模糊小波神经网络参数的更新规则如下式所示:
Θ(t+1)=Θ(t)+ΔΘ (12)
其中,η=(ηm,ησ,ηb,ηa,ηω1,ηω2)表示各参数对应的学习速率,上式中的微分项可以根据下面描述的后向传播算法计算得到。
第五层:这一层需要传播的误差项为
相应地,连接权值的增量计算如下:
第四层:这一层需要传播的误差项为
小波层权值参数ωik的增量计算如下:
缩放因子aik的增量计算如下:
平移因子bik的增量计算如下:
第三层:这一层需要传播的误差项为
第二层:这一层的误差项计算如下:
相应地,成员函数中心参数mj的增量计算如下:
成员函数宽度参数σj的增量计算如下:
因此,只要确定了学习速率η=(ηm,ησ,ηb,ηa,ηω1,ηω2),就可以调整网络的结构参数,从而使网络预测输出不断逼近期望输出。
4.根据权利要求1所述自适应的雷达海杂波预报系统,其特征在于,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:
(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。
所述自适应的雷达海杂波预报系统,所述上位机还包括: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。以及结果显示模块,用以将海杂波预报模块计算得到的预报值在上位机显示。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于浙江大学,未经浙江大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201810691874.4/1.html,转载请声明来源钻瓜专利网。