基于改进灰狼算法的天波雷达定位模型 下载: 1170次
ed at the disadvantages of the lower azimuth resolution of the sky-wave radar and larger position error of traditional analytic algorithm, a new locating model using chaotic mutation grey wolf optimization algorithm to optimize the kernel extreme learning machine (KELM) is put forward. First, the piecewise linear chaotic map, adaptive Cauchy mutation strategy and non-linearity of the convergence factor are introduced into the grey wolf optimization algorithm to form an improved grey wolf algorithm. Then, the improved grey wolf optimization algorithm is used to optimize penalty coefficient and kernel parameter of the KELM. Finally, the optimized the KELM is applied to sky-wave radar location, making the established KELM model have the high steady-state prediction accuracy and generalization performance. The experimental results show that the predicted results of the proposed model are basically consistent with the measured values, and the prediction accuracy is higher than that of the KELM location model, which is optimized by the standard grey wolf algorithm. A new target location method is provided for sky-wave radar.
1 引言
高频天波雷达[1]利用电离层对高频探测电波的反射实现超远距离目标的探测,具有探测距离远、覆盖范围大、反隐身能力强、预警时间长等战术特点。天波超视距雷达(OTHR)的检测和定位技术广泛应用于远程预警与战术警戒、探测隐身飞机、核爆炸监测和维护海洋主权等方面,其定位精度的提升是目前**强国的研究热点。
目前天波雷达常用的定位方法主要包括测向定位、时差定位以及测向与时差混合定位。时差定位可以获得比较高的定位精度,但是对各个接收站之间的时间同步要求比较苛刻,导致系统比较复杂。宋君等[2]利用电磁波的传播群路径和传播时间的关系进行目标定位,具有很好的精度,但该模型对系统要求较高,需要主站和接收站之间在时域、频域、空域上的严格同步。相对于时差定位,测向定位需要更少的接收站,系统的构成相对简单,对接收站之间的时间同步要求不高,但是其缺点是定位误差比较大。孔若男等[3]提出了基于天波超视距雷达与角度传感器群进行数据关联的定位精度提升算法,能明显提升方位角的测量精度,但是不能明显提升径向距的估计精度。测向与时差混合定位结合了角度和时差的信息,只需要两个接收站就能实现对目标的定位,且可以得到比测向定位方法更好的精度。张晓玲[4]提出了利用在高频超视距雷达中比较容易获得的方位角信息,结合时差信息,使用两个接收站来对目标进行定位的无源定位方法,但定位精度不高,因此,通过增加一个接收站以获取更多的目标信息来提高高频雷达对目标的探测精度,但其缺点是系统复杂度提高,接收站的个数增多,解算时需要对三个子系统的冗余定位方程进行最邻近匹配法和简化加权最小二乘(SWLS)融合来提高定位精度,计算复杂,实时性降低。
上述方法均通过解析几何方程获得目标位置,实现时算法简单、直观,但对测量噪声和站型分布敏感,测量误差和目标与接收站之间的距离对目标定位的精度影响较大。利用到达时间差(TDOA)与方位角(AZ)的混合定位方法,在解析法求解的过程中,对非线性方程进行线性近似处理,虽然简化了数学计算过程,但不易求得精确解,降低算法的定位精度。
机器学习算法很适合处理这种非线性特征的相关数据。极限学习机(ELM)与其他神经网络算法相比,学习速度更快,输入参数更少,可以避免局部极值问题,具有较好的泛化性能。但也存在隐含层节点数量无法确定、易产生奇点等缺点,核极限学习机(KELM)将激励函数转化为核映射,很好地避免了该问题。
为了发挥测向与时差混合定位算法的优势,同时克服解析法的缺点,提高天波雷达定位的精度和稳定性,本文提出一种基于KELM的测向与时差混合的双基地定位算法,利用混沌变异灰狼优化(CMGWO)算法改进的KELM对两个接收站探测到目标反射回波的TDOA、AZ观测量和目标位置数据进行学习,建立TDOA、AZ和目标经纬度位置的函数关系,进行目标位置的预测。既充分利用角度和时差混合定位方法接收站的个数少、系统构成相对简单和设备量相对比较小的工程实用优点,又利用KELM强大的泛化能力克服解析法求解精度低的缺点,提高了目标的定位精度,同时用CMGWO对KELM的惩罚系数和核参数进行优化,克服KELM算法对参数选择敏感的缺点,进一步提高了KELM定位模型的泛化性能和定位精度。
2 基本原理介绍
2.1 基本灰狼算法介绍
灰狼群的社会等级由上至下依次为
2.2 TDOA/AZ定位的数学模型
侧向与时差混合定位方法同时基于TDOA和AZ这两个最基本的观测量。接收站分开放置,同时接收目标回波,通过测量目标反射信号到达两个接收站的TDOA信息以及AZ信息对目标进行定位。系统平面示意图如
设
式中
式中
2.3 基于核极限学习机的TDOA/AZ定位模型
利用KELM对上述复杂函数关系进行高度非线性自适应拟合,利用KELM对接收站探测到目标反射回波的TDOA、AZ数据和目标位置数据进行学习,建立TDOA、AZ和目标经纬度位置的函数关系,进行目标位置的预测。输入层由接收站提供的一个TDOA测量值和两个AZ测量值组成,输入向量
式中
式中
3 基于改进灰狼算法优化核极限学习机的定位建模
3.1 灰狼算法的改进
GWO算法在解决复杂问题时易陷入局部最优解[6],全局搜索能力不足。为了进一步提高灰狼算法的寻优性能,加快算法的收敛速度,同时避免算法陷入局部最优,本文采用多种策略对灰狼算法进行优化,有效地改善了灰狼算法的寻优性能和寻优精度,具体改进点如下。
1) 基于分段线性混沌映射优化初始种群
种群初始化对GWO算法的收敛速度和解质量影响很大,如果采取随机初始化的方法,虽然在一定程度上能保证种群的随机分布,但会影响算法的全局搜索能力和收敛速度。混沌能够在一定范围内按其自身规律不重复地遍历所有状态,提高算法的全局搜索能力。
与常见的Logistic映射、Tent映射以及Chebyshev映射相比,分段线性映射(PLM)[7]具有表述简单、分布函数均匀和统计特性可控的显著特性,因此,本文将分段线性映射的混沌特性应用到灰狼算法的种群初始化中,优化过程如下。
① 根据 (5) 式产生
式中:
式中:
2) 基于自适应柯西变异优化迭代过程的最优种群位置
灰狼算法在收敛之前,全局最优灰狼个体
① 生成一个随机数
② 对全局最优解
式中
式中:
式中:
式中
式中:
③ 进入下一轮CMGWO迭代。
3) 改进非线性收敛因子策略
标准GWO算法中,局搜索能力和局部搜索能力在很大程度上依赖于收敛因子
式中:
3.2 CMGWO-KELM多基地天波超视距雷达目标定位建模
传统ELM的隐含层数目无法确定[11-13],影响其预测性能,因此,根据支持向量机(SVM)的原理,将核函数引入到ELM模型,从而提出了KELM算法[14]。由于核函数的引入,KELM算法对参数选择敏感[15],故本文采用CMGWO对KELM预测精度影响较大的核参数
1) 数据预处理
采集若干组实验数据,数据信息包括各接收站接收到目标反射回波信号的TDOA和AZ信息。将若干组数据,进行一定的预处理后,按比例分成两组,分别作为训练集和测试集。对数据进行归一化处理。
2) CMGWO网络参数优化
设置灰狼种群规模,搜索空间范围,最大迭代次数和柯西变异概率
3) 适应度评价函数为
式中
4) CMGWO-KELM定位模型的实现
将通过CMGWO优化算法得到最优灰狼个体解码KELM最优模型结构参数,实现CMGWO-KELM定位模型。
5) 预测目标位置
将测试集输入到训练好的CMGWO-KELM天波雷达定位模型,预测目标位置,并将预测目标位置与目标实际位置进行对比,检验模型的有效性和可靠性。
图 3. CMGWO-KELM天波雷达定位模型实现流程图
Fig. 3. Location model implementation flow chart of sky-wave radar based on CMGWO-KELM
4 仿真与性能分析
4.1 评价指标
通过寻优结果精确度(AC)来评价算法CMGWO的性能,该指标反映了算法所得结果与问题全局最优解的接近程度。问题的理论最优解与算法所求最优解越接近,则说明算法的寻优性能越好。假设一个问题的全局最优解是
式中
采用误差绝对值(AE)来评价各个模型预测的精确度,AE反映了绝对误差测量值相对真值的偏离程度,偏离程度越小,说明结果越精确。
式中
4.2 CMGWO算法性能分析
为了测试本文CMGWO算法的性能,本文选取CEC2005上的4个基准测试函数进行仿真实验分析,利用CMGWO算法对4个基准测试函数进行寻优求解,并与GWO算法和粒子群优化(PSO)算法的寻优结果进行比较。
为了比较结果的公平性,针对4个测试函数的三种算法的参数设置如下:种群规模为50,最大迭代次数为200,维度为10。为避免寻优效果的偶然性,同时也为了证明CMGWO算法的稳定性,对每种测试函数分别运行20次。特别地,CMGWO算法中PLM混沌映射的控制参数
表 1. 基准测试函数
Table 1. Benchmarking function
|
表 2. 改进GWO算法的实验结果比较
Table 2. Comparison of experimental results by improved GWO algorithm
|
对三种算法运行后的最优结果求出最优值、最差值、平均值和标准差,测试结果如
从
4.3 CMGWO-LELM模型性能分析
接收站
由
从时间性能上分析,达到
总的来说,在KELM定位模型中,基于CMGWO算法改进KELM的定位模型(即CMGWO-ELM定位模型)的定位精度高于基于标准GWO算法改进KELM的定位模型(即GWO-ELM定位模型),虽然定位速度略有下降,但仍然在可接受范围内。解析法定位模型通过数学算法求解2.2节所述的非线性方程实现目标定位,虽然算法实现简单、实时性较好,但在解析法求解的过程中,对非线性方程进行线性近似处理,因此,算法的定位精度较低。GWO-KELM定位模型和CMGWO-KELM定位模型通过对输入数据的训练和学习,建立TDOA、AZ和目标经纬度位置的函数关系,实现目标位置的预测,克服了解析法求解精度低的缺点,算法的定位精度相对较高,但由于需要训练神经网络,算法的实时性有所下降。因此,从定位精度上评价,本文提出的CMGWO-KELM具备更高的预测精度,验证了该模型的有效性和高精度性。
图 4. CMGWO-KELM的目标预测位置与真实位置的对比
Fig. 4. Comparison of target prediction position and real position by CMGWO-KELM model
图 5. 三种模型的预测误差绝对值。(a)经纬度预测误差;(b)径向距离预测误差
Fig. 5. Absolute value of the prediction error of the three models. (a) Longitude and latitude prediction error; (b) radial distance prediction error
表 3. 不同预测模型的误差绝对值对比
Table 3. Absolute value comparison of different prediction models
|
5 结论
针对天波雷达侧向与时差混合定位方法存在的问题,建立基于CMGWO算法优化KELM的天波雷达定位模型,KELM用于构建目标预测模型,CMGWO用于KELM参数寻优。采集了100组数据用于仿真实验,测试结果表明,CMGWO与标准GWO算法相比,收敛速度更快,寻优能力更强;CMGWO-KELM与其他模型相比,预测精度更高,模型的泛化能力更好,具有可行性和精度上的优越性,为天波雷达的目标定位提供了一种新方法。
[2] 宋君, 赵正予, 周晨, 等. 多基高频天波超视距定位模型[J]. 系统工程与电子技术, 2011, 33(2): 272-275.
[3] 孔若男, 程咏梅, 梁彦, 等. 基于OTHR与纯角度传感器群数据关联的模式辨识与定位精度提升[J]. 航空学报, 2012, 33(6): 1061-1069.
[4] 张晓玲. 无源时差定位技术在高频雷达中的应用[D]. 西安: 西安电子科技大学, 2013: 6- 9.
Zhang XL. Application of passive TDOA location technology in HF radar[D]. Xi'an:Xidian University, 2013: 6- 9.
[5] Mirjalili S, Mirjalili S M, Lewis A. Grey wolf optimizer[J]. Advances in Engineering Software, 2014, 69: 46-61.
[9] 康岚兰, 董文永, 宋婉娟, 等. 无惯性自适应精英变异反向粒子群优化算法[J]. 通信学报, 2017, 38(8): 66-78.
[10] 柳长安, 王晓鹏, 刘春阳, 等. 基于改进灰狼优化算法的无人机三维航迹规划[J]. 华中科技大学学报(自然科学版), 2017, 45(10): 38-42.
[11] 白俊健, 孙群, 井诗博, 等. 稳健极限学习机及其在近红外光谱分析中的应用[J]. 激光与光电子学进展, 2015, 52(10): 103002.
[12] 张海东, 李贵荣, 李若诚, 等. 近红外光谱结合极限学习机和GA-PLS算法检测普洱茶茶多酚含量[J]. 激光与光电子学进展, 2013, 50(4): 043001.
[13] 徐岩, 韦镇余. 一种改进的交通标志图像识别算法[J]. 激光与光电子学进展, 2017, 54(2): 021001.
Article Outline
宋萍, 刘以安. 基于改进灰狼算法的天波雷达定位模型[J]. 激光与光电子学进展, 2019, 56(3): 032001. Ping Song, Yian Liu. Sky-Wave Radar Location Model Based on Improved Grey Wolf Optimization Algorithm[J]. Laser & Optoelectronics Progress, 2019, 56(3): 032001.