1.一种基于自适应混沌粒子群算法的随机共振微弱信号检测方法，其特征在于，包括以下步骤：步骤1)ACPSO算法参数初始化；

步骤2)混沌初始化粒子速度、位置及最优适应度值计算；

步骤3)进行粒子位置、速度和最优适应度值更新；

步骤4)输出最优随机共振。

2.根据权利要求1所述的基于自适应混沌粒子群算法的随机共振微弱信号检测方法，其特征在于，所述步骤1)中，初始化ACPSO算法具体为，设置ACPSO算法的预设适应度精度、维度D与粒子种群规模N，学习因子c1、c2；在搜索空间内随机产生初始的粒子位置向量和速度向量：xi＝(xi1,xi2,...,xiD)(i＝1,2,...,N)  (1)vi＝(vi1,vi2,...,viD)(i＝1,2,...,N)  (2)式(1)中：xi是萤火虫种群内第i只萤火虫所在的位置。

3.根据权利要求1所述的基于自适应混沌粒子群算法的随机共振微弱信号检测方法，其特征在于，所述步骤2)中，选用二维混沌方程(3)作为混沌系统；对方程(1)(2)中产生的各个粒子位置与速度按照二维混沌公式：zn+1＝tan(aZn)exp(-βZn)  (3)

xi+1＝tan(αxi)exp(-βxi)  (4)

vi+1＝tan(αvi)exp(-βvi)  (5)

完成混沌初始化，可得到初始质量较优和分布均匀的粒子，此时所处位置和速度为xi+1与vi+1；使用方程(6)获得混沌优化后粒子的适应度值，将混沌优化后粒子的适应度值赋值为每个粒子的局部最佳适应度值Pbesti(0)(i＝1,2,...,m)，把pbesti(0)中的最大值赋值为粒子的全局最佳适应度值gbesti(0)：F(a,b,k)＝SNRout(sr(a,b,k))   (6)

式(6)中：sr(a,b,k)是ACPSO的随机共振输出结果，SNRout(sr(a,b,k))是SR的输出信噪比，也为适应度函数；

式(8)中:X(f0)是输出信号的功率谱；N是背景的噪声谱，即ω0频率周围段内的平均值。

4.根据权利要求1所述的基于自适应混沌粒子群算法的随机共振微弱信号检测方法，其特征在于，所述步骤3)中，运用方程(9)(10)更新混沌初始化后的粒子速度与位置，让粒子位于新的速度与位置；利用方程(7)计算出更新后的粒子适应度值；如果获得的单个粒子局部最佳适应度值Pbesti(t+1)或全局最佳适应度值gbesti(t+1)好于上一代粒子的Pbesti(t)和gbesti(t)，更新Pbesti(t)和gbesti(t)；在ACPSO算法中，粒子群的种群数N＝20，假设farg是将目前全部粒子适应度求平均，即：vi(t+1)＝ω(t).vi(t)+c1γ1(pbesti(t)-xi(t))+c2γ2(gbesti(t)-xi(t))  (9)xi(t+1)＝xi(t)+vi(t+1)   (10)方程(11)中fi是粒子在目前迭代次数时所取适应值；假如最佳粒子适应值是farg，对适应值好于farg的粒子求平均值，可得farg’。

5.根据权利要求1所述的基于自适应混沌粒子群算法的随机共振微弱信号检测方法，其特征在于，所述步骤4)中，当两代之间的适应度差值比预设精度小的时候，即max|Hz-Hz-1|＜0.01时，迭代停止，此时输出的全局最佳适应度值gbesti(t)所对应的粒子为最终的SR系统参数k、a和b的最优结果，利用所获得的参数实现原始信号的SR输出，完成噪声背景下的微弱信号检测；当两代之间的适应度的差值比预设精度大的时候，则更新粒子速度与位置，返回步骤3)进行下一次迭代。

6.根据权利要求4所述的基于自适应混沌粒子群算法的随机共振微弱信号检测方法，其特征在于，所述步骤3)中，调节适应值为fi粒子的惯性权重ω方法具体为:

1)fi优于farg’，满足这个要求的粒子是种群内寻优性能较好的粒子，非常靠近全局最优，惯性权重赋一个略小的值，调节ω的惯性权重，快速达到全局最优值；其中ωmin＝0.5，其关系式如下：

2)fi好于farg但差于farg’，达到这个要求的粒子拥有较好的局部寻优与全局寻优能力，当ω随着搜索进行按余弦规律减小，开始搜索时ω能较长时间维持较大值来增强搜索效率，在搜索的后期ω又较长时间维持较小值增加搜索精度；

方程(13)中ωmax为搜索开始时最大ω，ωmin是搜索结束时最小ω，t是迭代进行的步数，Maxstep是允许的最大迭代步数，此处ωmin＝0.05，ωmax＝1，Maxstep＝20；

3)fi次于farg，达到这个要求的粒子是种群内较差粒子，调节它的惯性权重方法为：进行调节Δ是对粒子早熟收敛水平的判断量，Δ＝|fg-farg’|，其中fg为最优粒子适应度；当算法停止时，如果粒子比较离散，Δ变大，减小粒子的ω值，增强局部寻优能力，从而让种群趋向收敛；如果粒子比较集中，那么Δ减小，增大ω，让粒子拥有较强的探寻能力，能够有能力跳出局部最优，其中k1＝1.5，k2＝1。