基于改进蜻蜓算法的多基地天波雷达定位模型 下载: 875次
1 引言
天波超视距雷达利用电离层对高频信号的反射实现超远距离目标的定位[1],具有探测距离远、覆盖范围广、反隐身能力强、预警时间长、研制成本低等优点。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领域都广泛使用天波超视距雷达的检测和定位技术,因此,提高天波超视距雷达的定位精度尤为重要。天波雷达定位系统常用的定位模型有基于天波传播模式下的目标定位模型[2]和基于天地波联合传播模式下的定位模型[3],常用的定位方法有基于到达时间差的定位方法[2]和基于到达角的定位方法[1,4]。这些传统定位方法的定位精度容易受到基站站型、电离层信息探测误差、时差定位方程初始值和坐标配准精度等因素的影响[5-6]。
随着分布式探测技术和信息融合技术的发展,分布式多基站联合定位在一定程度上减小了上述因素对定位精度的影响[7]。分布式天波雷达采用多基地体制[8],由多个子发射站和子接收站进行分布式组网,完成相应的探测任务。雷文英[9]提出了一种适用于多站被动超视距雷达的海面目标定位方法,胡炎等[10-12]借助中继站或者卫星定位进行超视距定位,上述方法主要是直射波照射情况下的超视距目标定位,并没有利用天波雷达的超视距探测优势;张晓玲[13]将改进的无源时差定位方法与高频超视距雷达相结合,使得无源时差定位方法和高频雷达各自的优势同时得到发挥,但该方法未考虑地球曲率影响,在定位精度要求较高时只适合近距离目标定位;宋君等[2]将Bowring公式与电波传播相结合来解决超视距定位问题,虽然考虑了地球曲率对定位的影响,比平面定位模型更为准确,克服了实际应用中无源定位系统在获取目标距离信息时的困难,但该方法只采用传统的距离信息和定位算法来实现目标定位,不能充分利用多余的测量参数给出的统计信息来改进定位精度,若某一基地测量值随机误差较大,算法的定位性能将受到严重影响。
本文利用极限学习机对各接收站接收到目标回波信号的时间与发射站发射信号的时间之差(TDOA)数据和目标经纬度位置数据进行学习,建立TDOA(输入)和目标经纬度位置(输出)的非线性映射关系,实现二维空间目标位置信息的神经网络预测。既使得时差定位方法和天波雷达各自优势同时得到更好的发挥,也可以充分利用多基地冗余信息的数据融合结果实现对目标的精确定位。
2 多基地天波超视距雷达目标定位基本原理
在基于TDOA的多基站联合定位系统中,主站由收发一体的电离层斜向返回探测系统构成,各接收阵列分开放置,同时接收目标回波。系统平面如
宋君等[2]利用大地解算Bowring公式与电波传播特性相结合,提出了一种天波传播模式下的目标定位模型。该模型利用电磁波传播群路径和传播时间列出方程组,求解方程组便可得到目标的位置。
本文利用极限学习机对多基地天波超视距雷达定位模型的复杂函数关系进行高度非线性自适应拟合,利用各接收站与发射站的TDOA信息实现目标位置预测。假设M发射探测信号的时间为
式中:Ñ
输出向量
式中:
3 基于改进蜻蜓算法优化极限学习机的多基地天波超视距雷达目标定位
3.1 蜻蜓算法改进
蜻蜓个体主要有五种行为:避撞、结队、聚集、觅食和避敌。Mirjalili[14]对这一现象进行数学建模,提出了蜻蜓算法(DA)。对于一个寻优问题,蜻蜓算法能有效改善初始随机种群,表现出优良的寻优性能,但算法仍存在易陷入局部最优的“早熟”现象,且具有收敛速度不快、求解精度不高和非劣解分布不均的缺点。为了进一步提高蜻蜓算法的寻优性能,加快算法的收敛速度,同时避免算法陷入局部最优,本文采用多策略对蜻蜓算法进行优化,形成改进的蜻蜓算法(LACMODA)。
3.1.1 Logistic混沌初始化种群
种群初始化对DA算法的收敛速度和解质量有很大影响。DA初始化时,蜻蜓的位置和移动步长一般采取随机初始化的方法来确定,这虽然在一定程度上保证了种群的随机分布,但有些蜻蜓由于远离食物源位置,会影响算法的收敛速度。将混沌理论引入蜻蜓算法,利用混沌运动的遍历性对蜻蜓种群进行初始化,选择较优的初始群体,加快算法的收敛速度。采用Logistic[15]混沌映射进行蜻蜓种群的初始化,其迭代公式为
式中:
3.1.2 反向学习策略改善种群寻优
2005年Tizhoosh[16]提出反向学习策略(OBL)。该算法的主要思想是:对当前问题的可行解及其反向解同时进行评估,择优进入下一代进化。蜻蜓种群初始化和迭代过程中的反向解定义如下。
定义1:设
式中:
定义2:设
式中:
将定义1和定义2分别应用到蜻蜓算法种群初始化和迭代进化过程中。主要思路是:首先对数量为
3.1.3 自适应柯西变异策略
反向学习策略使蜻蜓算法收敛速度加快,但易陷入局部最优。为避免蜻蜓算法陷入局部最优,引入变异操作扩大蜻蜓种群搜索范围,帮助蜻蜓算法跳出局部最优。董文永等[17-18]采用自适应柯西变异策略(ACM)帮助粒子跳出局部最优;王学武等[19-20]将Lévy flights策略融入群智能算法,解决基本群智能算法在运算后期由于种群多样性的快速丧失而造成的算法“早熟”收敛问题。基本蜻蜓算法自身在种群更新无邻居时,采用Lévy函数进行位置更新,所以本文在迭代进化过程中采用自适应柯西变异策略[21]丰富种群多样性,避免算法陷入局部最优。ACM综合考虑蜻蜓个体极值点
式中:Ñ
式中:
式中:
式中:
3.2 LACMODA-ELM多基地天波超视距雷达目标定位建模
在神经网络预测模型中,误差反向传播(BP)神经网络和径向基函数(RBF)神经网络都存在对初始参数选择敏感、训练速度慢和易陷入局部极值的缺点。2004年,黄广斌等[22]提出极限学习机(ELM)算法。ELM作为一种新兴的单隐层前馈神经网络,学习速度快,且拥有较好的泛化性能,因此被广泛应用到各种预测模型中[23-25]。但其输入权值和隐含层偏置通常是随机产生的,因此稳定性较差,导致训练模型不能拥有很好的泛化能力和预测精度[26]。
LACMODA既继承了基本蜻蜓算法结构简单、易于实现、搜索性能好且稳健性强的优点,又能有效改善算法的初始随机种群,收敛速度快,全局寻优能力强。因此采用LACMODA算法优化ELM网络的输入权值和隐含层偏置,提出基于LACMODA-ELM的多基地天波超视距雷达目标定位模型。该模型以各接收站与发射站之间的TDOA数据作为极限学习机的网络输入,以目标二维空间经纬度位置为极限学习机的网络预测输出。模型实现和优化流程如
1) 数据预处理
收集各接收站接收到目标反射回波与发射站发射信号的时间差数据若干组,进行一定的校正处理后,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) 确定ELM拓扑结构
图 2. LACMODA-ELM多基地天波超视距雷达目标定位模型实现流程图
Fig. 2. Target location model implementation flow chart of multi-static sky-wave over-the-horizon radar based on LACMODA-ELM
ELM网络包括输入层、隐含层和输出层。根据输入向量和输出向量分别确定ELM输入层神经元数和输出层神经元数,通过反复实验选择ELM隐含层神经元数目的最优经验值。隐含层激活函数采用Sigmoid型函数,输入权值和隐含层偏置范围均为[-1,1]。
3) LACMODA参数初始化
用ELM神经网络的权值和阈值共同构成的参数向量对蜻蜓种群进行初始化,即每只蜻蜓代表一个神经网络,每只蜻蜓位置向量的每一维度均代表神经网络模型的一个参数,蜻蜓算法解向量搜索空间为[-1,1]。设置种群规模、最大迭代次数和反向学习概率
4) 适应度评价函数
适应度评价函数为
式中:
5) LACMODA-ELM定位模型实现
将LACMODA算法优化得到的最优蜻蜓个体位置向量解码为ELM最优模型结构参数(即权值和阈值),实现LACMODA-ELM定位模型。
6) 预测目标位置
将测试集输入已经训练好的LACMODA-ELM目标定位模型,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。
4 仿真与性能分析
4.1 LACMODA优化性能测试
为了测试LACMODA的性能,
测试结果如
表 1. 基准测试函数
Table 1. Benchmark function
|
表 2. 改进DA的仿真结果
Table 2. Simulation results of improved DA
|
综上,在相同的参数设置条件下,相较于基本DA和PSO算法,LACMODA无论在单峰基准测试函数还是多峰基准测试函数上,寻优性能都表现出了很大的优越性。
4.2 LACMODA-ELM模型验证
建立结合LACMODA优化极限学习机的多基地天波超视距雷达目标定位模型。为验证模型的优越性,建立BP、RBF、ELM定位模型和PSO算法、DA、LACMODA优化的ELM定位模型,与本文模型进行对比实验研究,同时将本文模型与已知文献中天波超视距雷达模型的定位精度进行对比。采用平均绝对百分比误差
式中:
ELM隐含层节点数目是通过多次实验人为确定的经验值。具体实验方法如下:初始设定少量隐含层节点数,训练神经网络,然后不断增加隐含层节点个数,重新生成新的神经网络,进行训练和预测。随着隐含层节点个数的增加,训练误差会逐渐减小,当误差大小趋于稳定,再增加隐含层节点数目对整个网络预测误差影响不大时,将此时的隐含层数目作为极限学习机隐含层节点数目的经验值。实验结果如
对于LACMODA部分,根据设定的ELM神经网络规模,得到蜻蜓算法解向量空间的维数
图 3. 隐含层节点数目对ELM定位误差的影响
Fig. 3. Influence of the number of hidden layer nodes on the locating error of ELM
采用上述六种预测模型进行对比实验,每种模型独立运行20次。
表 3. 基于不同神经网络预测方法的误差对比
Table 3. Error comparison based on different neural network prediction methods
|
由
由
表 4. 基于不同优化算法的ELM预测方法的误差对比
Table 4. Error comparison of ELM prediction methods based on different optimization algorithms
|
图 4. 神经网络的预测误差。(a)三种神经网络的预测误差;(b)不同算法优化ELM神经网络的目标预测误差
Fig. 4. Prediction error of neural network. (a) Prediction error of three neural networks; (b) prediction error from ELM neural network optimized by different algorithms
图 5. 不同算法优化的ELM经纬度预测结果。(a)经度预测;(b)纬度预测
Fig. 5. Longitude and latitude predicted by ELM optimized by different algorithms. (a) Longitude prediction; (b) latitude prediction
由
已有的相关文献[2-5,9-13,28-29]中定位模型和部分
表 5. 不同定位方法的误差比较
Table 5. Comparison of errors in different positioning methods
|
相关定位参数与本文不同,所以
张晓玲[13]指出,在实际应用中高频超视距雷达绝对距离的测量误差高达30 km,通过精确的路径估算后,探测误差可减小10~20 km。邱德厚[28]从Haselgrove射线方程出发,利用短波射线追踪技术,计算的天波超视距雷达在雷达载频15 MHz、纬度30°时测距误差最好,为17.2 km;谢锐等[29]在对外辐射源天地波雷达定位精度分析中,得出距离Rr的估值误差随方位角增大收敛到9 km左右;周晨[4]将天波超视距雷达探测进行坐标配准和多径数据处理后,当射线频率为22 MHz时,在整个地面距离范围(2500~3400 km)的平均误差可达2.75 km。由于超视距定位距离较远,故本文定位误差分析忽略各基站本身的位置误差,时差测量误差为25~45 ns,各站的时间测量以及时间测量误差都是相互独立的,电离层高度的测量误差在0~3.5 km的高度范围内变化,目标与站的距离在900~3000 km范围内,发射阵列和接收阵列之间的经纬度差值在0.9°~1.6°之间。LACMODA-ELM定位距离误差为2.71 km。对比结果说明,本文提出的定位模型不仅具有可行性,而且具有更高的定位精度。
5 结论
提出一种结合LACMODA优化极限学习机的多基地天波超视距雷达目标定位模型,ELM用于构建多基地超视距雷达系统的目标预测模型,LACMODA用于ELM输入权值和隐含层偏置的寻优。为了证明ELM预测模型的预测精度和预测速度比BP、RBF更为优越,使用20组测试数据对三种神经网络作20次验证测试,测试结果表明ELM具有更高的预测精度和更好的泛化能力。经实验验证,LACMODA与DA和PSO算法相比,全局搜索能力更强,LACMODA-ELM模型的预测精度高于其他模型。与已有文献中天波超视距雷达定位模型的定位精度对比,结果证明了本文提出的定位模型具有可行性和优越性。因此,基于LACMODA-ELM的多基地天波超视距雷达目标定位模型可以有效地完成对目标位置的高精度预测,为天波超视距雷达的目标定位提供了一种新方法。
[1] 韩彦明. 天波超视距雷达无源信标修正方法研究[D]. 南京: 南京理工大学, 2010: 1- 2.
Han YM. Research on passive beacon correcting method of OTH radar[D]. Nanjing: Nanjing University of Science and Technology, 2010: 1- 2.
[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] 张佳智. 混合传播模式下目标定位修正方法研究[D]. 哈尔滨: 哈尔滨工业大学, 2016: 35- 40.
Zhang JZ. Research on target localization correction methods under the mixes propagation mode[D]. Harbin: Harbin Institute of Technology, 2016: 35- 40.
[4] 周晨. 天波超视距雷达坐标配准与多径数据处理研究[D]. 武汉: 武汉大学, 2009: 86- 89.
ZhouC. Research on skywave over-the-horizon radar coordinate registration and multipath data process[D]. Wuhan: Wuhan University, 2009: 86- 89.
[5] 宋君. 返回式电离层探测技术应用研究[D]. 武汉: 武汉大学, 2011: 89- 103.
SongJ. Research on applications of backscatter ionospheric sounding techniques[D]. Wuhan: Wuhan University, 2011: 89- 103.
[6] 刘子威, 苏洪涛, 胡勤振. 天波超视距雷达中瞬态干扰定位方法研究[J]. 电子与信息学报, 2016, 38(10): 2482-2487.
[7] 严韬, 陈建文, 罗欢.等. 新体制天波超视距雷达技术述评[J]. 飞航导弹, 2015( 3): 71- 76.
YanT, Chen JW, LuoH, et al. Review on new system skywave over-the-horizon radar technology[J]. Winged Missiles Journal, 2015( 3): 71- 76.
[8] 卢琨. 分布式天波超视距雷达体制研究[J]. 现代雷达, 2011, 33(6): 16-19.
Lu K. A study on distributed skywave over-the-horizon radar[J]. Modern Radar, 2011, 33(6): 16-19.
[9] 雷文英. 多站被动超视距雷达时差定位及相关问题研究[D]. 西安: 西安电子科技大学, 2014: 13- 15.
Lei WY. Study on time-difference location and its related issues of over-the-horizon passive multistatic radar[D]. Xi'an:Xidian University, 2014: 13- 15.
[10] 陈百英. 远程超视距目标无源定位与跟踪技术[D]. 无锡: 江南大学, 2013: 8- 9.
Chen BY. Research on the method of a single observer passive ranging and locating[D]. Wuxi: Jiangnan University, 2013: 8- 9.
[11] 陈伯孝, 张守宏. 基于综合脉冲与孔径技术的多基地“无源”定位系统[J]. 火控雷达技术, 2003, 32(1): 12-16.
[12] 胡炎, 张丕旭, 石章松. 基于Bowring公式的超视距目标定位算法实现[J]. 舰船电子工程, 2008, 28(11): 169-171.
[13] 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.
[16] Tizhoosh HR. Opposition-based learning: a new scheme for machine intelligence[C]∥International Conference on Computational Intelligence for Modelling, Control and Automation and International Conference on Intelligent Agents, Web Technologies and Internet Commerce, IEEE, 2005: 695- 701.
[17] 董文永, 康岚兰, 刘宇航, 等. 带自适应精英扰动及惯性权重的反向粒子群优化算法[J]. 通信学报, 2016, 37(12): 1-10.
[18] 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.
[19] 胡梦月, 胡志坚, 仉梦林, 等. 基于改进AdaBoost.RT和KELM的风功率预测方法研究[J]. 电网技术, 2017, 41(2): 536-542.
[20] 王学武, 严益鑫, 丁冬雁, 等. 基于Lévy-PSO算法的焊接机器人避障路径规划[J]. 上海交通大学学报, 2016, 50(10): 1517-1520.
[21] 覃晖, 周建中, 王光谦, 等. 基于多目标差分进化算法的水库多目标防洪调度研究[J]. 水利学报, 2009, 40(5): 513-519.
[23] 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.
[24] 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.
[25] 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.
[26] 杨锡运, 关文渊, 刘玉奇, 等. 基于粒子群优化的核极限学习机模型的风电功率区间预测方法[J]. 中国电机工程学报, 2015, 35(S1): 146-153.
[27] 黎珍惜, 黎家勋. 基于经纬度快速计算两点间距离及测量误差[J]. 测绘与空间地理信息, 2013, 36(11): 235-237.
[28] 邱德厚. 基于射线追踪技术的天波超视距雷达目标定位误差分析[J]. 数字技术与应用, 2016( 3): 45- 47.
Qiu DH. Analysis of target position error of skywave over-the-horizon radar based on ray tracing method[J]. Digital Technology & Application, 2016( 3): 45- 47.
[29] 谢锐, 万显荣, 赵志欣, 等. 外辐射源天地波雷达定位方法及精度分析[J]. 电波科学学报, 2014, 29(3): 442-449.
Article Outline
宋萍, 刘以安. 基于改进蜻蜓算法的多基地天波雷达定位模型[J]. 激光与光电子学进展, 2018, 55(11): 112001. Ping Song, Yian Liu. Multi-Static Sky-Wave Over-the-Horizon Radar Location Model Based on Improved Dragonfly Algorithm[J]. Laser & Optoelectronics Progress, 2018, 55(11): 112001.