(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111288579.2 (22)申请日 2021.11.02 (71)申请人 西安电子科技大 学 地址 710071 陕西省西安市雁塔区太白南 路2号 (72)发明人 董春雷　孟肖　魏仪文　胡佳敏　 刘悦　 (74)专利代理 机构 西安铭泽知识产权代理事务 所(普通合伙) 61223 代理人 张举 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/12(2006.01) G06N 20/20(2019.01) (54)发明名称 基于遗传算法优化支持向量机的海面电磁 散射预测方法 (57)摘要 本发明提供基于遗传算法优化支持向量机 的海面电磁散射预测方法， 包括： 以半确定面元 法作为前向模 型， 计算出不同极化条件下海面单 站散射系数， 构建数据集； 对支持向量机预测模 型进行训练， 建立了后向预测模型， 对海面单站 散射系数随角度以及风速的变化进行预测。 统计 了半确定面元法仿真时间和支持向量机模型预 测时间以及计算误差， 结果表明本方法建立的支 持向量机 预测模型在满足一定精度条件 下， 能够 有效缩短计算时间， 提高计算效率。 权利要求书3页 说明书8页 附图3页 CN 114004158 A 2022.02.01 CN 114004158 A 1.基于遗传算法优化支持向量机的海面电磁散射预测方法， 其特征在于， 包括以下步 骤： 建立支持向量机预测模型； 根据遗传算法， 优化支持向量机预测模型的惩罚系数和核 函数参数， 具体包括： 生成初始种群， 对惩罚系数和核函数参数进行二进制编码， 产生初始种群， 设置最大迭 代次数、 交叉概 率和变异概 率； 将均方根误差作为适应度函数， 采用轮盘赌法进行选择操作， 从上一代种群中选择优 秀个体， 即适应度值大的个 体组成新的种群； 根据交叉概率判断各个染色体是否进行交叉， 交换部分基因产生两个新的染色体， 与 没有交叉的染色体一 起进入新的种群； 根据变异概率判断交叉后的染色体是否进行变异， 变异后的染色体取代原来的染色体 与没有变异的染色体一 起进入新的种群； 直至最大迭代次数后输出惩罚系数和核函数参数的最优解； 根据数据样本集训练支持向量机预测模型； 根据训练后的支持向量机预测模型对海面 单站散射系数随入射角以及风速变化曲线进 行预测， 获得不同极化条件下随入射角以及风 速变化的海面单站散射系数。 2.根据权利要求1所述的基于遗传算法优化支持向量机的海面电磁散射预测方法， 其 特征在于， 还包括： 基于 半确定面元法建立海面电磁散射模型， 并计算不同极化条件下海面 单站散射系数随入射角以及风速变化的数据文件， 构造数据样本集。 3.根据权利要求2所述的基于遗传算法优化支持向量机的海面电磁散射预测方法， 其 特征在于， 所述基于半确定面元法建立海面电磁散射模型包括以下步骤： 根据半确定面元法从粗糙海面双尺度模型出发， 将海浪划分为大尺度重力波以及小尺 度毛细波； 粗糙海面按网格剖分成一个个倾斜面片后， 每个面片都是具有粗糙度， 海面的总 散射即为各小面元散射的叠加； 假设微起伏小尺度粗糙面的轮廓为 根据微扰解， 任意小面元的散射幅度可以表 示为： 其中， k表示入射电磁波波数； 分别表示入射和散射方向的单位矢 量； Fpq表示散射极化因子； 下标p,q分别表示入射波和散射波的极化方式， h表示 水平极化， v 表示垂直极化。 假设接收点到坐标中心的距离为R0， 则单个面元的散射场表示 为： 雷达散射系数为： 其中， Sζ(ql)为微粗糙面的空间功率谱， ql为q在均值 面z＝0上的投影；权　利　要　求　书 1/3 页 2 CN 114004158 A 2将极化因子由局部坐标系转换到全局坐标系： 其中， 为全局的水平和垂直极化矢量， 为局部坐标系下的水平 和垂直极化矢量； 用Γ替换的Fpq得到全局坐标系下单个小面元的散射系数， 故任意倾斜微粗糙小面元的 散射系数为： 整个海面的总散射系数表达式为： 其中， Δx,Δy分别表示各个小面元上等间隔离散点， 为对应第mn个面元的散射系 数。 4.根据权利要求1所述的基于遗传算法优化支持向量机的海面电磁散射预测方法， 其 特征在于， 所述支持向量机预测模型构建包括以下步骤： 设有一组训练样本T＝{(x1,y1),…,(xl,yl)}， 在线性条件下， 支持向量机使用线性函数 对样本点进行拟合； 在非线性条件下， 通过一个非线性映射φ， 在更高维特征空间构造线性函数f(x)＝ (w·φ(x))+b； 其中， φ： Rn→F,w∈F， w 为权值矢量， b为阈值； 引入松弛因子 ξi≥0和 ξ* i≥0， 则有回归函数： 将相应的回归预测问题， 转 化为求解优化问题： 其中， w为权向量， 常数C>0， 为 惩罚参数； 利用拉格朗日方法求 解上述最优化问题， 将原问题转 化为对偶问题: 约束条件为： 其中αi, 是最小化R(w)对偶问题的解； 最终得到回归函数为： 权　利　要　求　书 2/3 页 3 CN 114004158 A 3