1.一种海杂波背景下的微弱目标信号检测方法，其特征在于，包括步骤：(1)对待检测海杂波信号x(n)进行互补集成经验模态分解，得到m个IMF分量{c1(n),c2(n),...,cm(n)}和一个残差分量{r(n)}，其中，n表示采样点的时间序号，n＝1,2,...,N；步骤(1)中，所述的互补集成经验模态分解包括步骤：(1.1)向待检测的海杂波信号x(n)中依次加入正负成对的k组白噪声序列hi(n)，得到k组加噪后的信号对{x2i‑1(n),x2i(n)}如下公式(1)所示，(1.2)采用EMD分解法对加噪信号对{x2i‑1(n),x2i(n)}进行分解，得到x2i‑1(n)的分解结果为{c2i‑1,1(n),c2i‑1,2(n),...,c2i‑1,m(n),r2i‑1(n)}，x2i(n)的分解结果为{c2i,1(n),c2i,2(n),...,c2i,m(n),r2i(n)}；

对这k组加噪信号分解结果求和取平均作为最终分解结果{c1(n),c2(n),...,cm(n),r(n)}如下公式(2)所示，其中，cj(n)为第j阶IMF分量，r(n)为残差分量，m为IMF分量总数，n为采样点的时间序号，n＝1,2,...N，j＝1,2,......,m；

(2)分别获得各IMF分量和残差分量的嵌入维数p及时间延迟τ，重构相空间，构建各分量最佳输入输出训练样本，并建立m+1个核极限学习机预测子模型；所述步骤(2)包括：(2.1)将残差分量r(n)用cm+1(n)进行代替，则{c1(n),c2(n),...,cm(n),r(n)}写成{c1(n),c2(n),...,cm(n),cm+1(n)}，分别对各阶IMF分量和残差分量{c1(n),c2(n),...,cm(n),cm+1(n)}进行相空间重构，并建立对应的核极限学习预测子模型n＝1,2,...N；

根据Takens定理对cj(n)进行相空间重构，选择归一化的时间延迟τ＝1，嵌入维D是利用Cao法确定的嵌入维p的2倍，即D≥2m，得到相空间xj(n)，如下公式(3)：T

xj(n)＝{cj(n),cj(n‑1),...,cj(n‑D+1)}，n＝D,...,N‑1         (3)其中，T表示矩阵转置，yj(n)＝cj(n)，n＝D+1,...N，并构成最佳输入输出训练样本{xj(n),yj(n+1)}，n＝D,...,N‑1，j＝1,2,......,m+1；

(2.2)利用核极限学习机构建预测子模型的方法如下：最佳输入输出训练样本{xj(n),yj(n+1)}，n＝D,...,N‑1，并按照公式(4)求解核极限学习机的隐含层和输出层的权值矩阵β：其中，I为对角矩阵，C为正则化系数，核函数为K(xj(n),xj(n1))＝exp(‑||xj(n),xj(n1)

2 2

|| /σ)，||·,·||为欧式范数，σ为核参数，n＝D,...,N‑1，n1＝D,...,N‑1，j＝1,

2,......,m+1；

cj(n)对应核极限学习机预测子模型的输出公式为：

(3)利用人工蜂群算法对构建的各个核极限学习机预测子模型中的正则化系数与核参数分别进行优化，使正则化系数与核参数达到全局最优；所述步骤(3)包括：(3.1)将蜂群划分为引领蜂、跟随蜂和侦查蜂3种种群，初始化种群参数，蜂群总数为SN，初始化种群参数，每个蜜蜂对应一个解，按式(6)随机生成SN个解 并有xg为第j个模型的第g种优化方案， 对应第g种正则化系数， 对应第g种核参数；分别定义SN个解对应的变量变化参数 trialg为第g个

解的变量变化参数，初始化trialg＝0，跟踪解连续变化次数为Llimit；设最大迭代次数为maxit，当前迭代次数t＝0；

其中，rand(0,1)为在[0,1]区间服从均匀分布的随机数， 和 为j个预测子模型中的参数Cj取值范围的上限和下限， 和 为j个预测子模型中的参数δj取值上限和下限，j＝1,2,......,m+1；

(3.2)计算第g个解 的适应度fit(xg)如下公式(7)所示，从而得到SN个解对应的适应度值 将适应度值由大到小进行排序，并将适

应度值最大的前SN/2解对应的蜜蜂划分为引领蜂，其对应解为 解变量变化参数为 剩余为跟随蜂，其对应解为

解变量变化参数为 其中

其中，yj(n+1)为第j个核极限学习机预测子模型的期望输出值， 为代入解后按式(5)计算得到的第j个核极限学习机预测子模型预测输出值，i＝1,

2,...,SN，n＝D,...,N‑1,j＝1,2,......,m+1；

(3.3)按式(8)在引领蜂对应的第d个解x'd进行解邻域迭代搜索，搜索到的新解 从而得到所述引领蜂对应解的全部邻域新解为 若适应度值 较fit(x'd)有所提高，则将 赋值x'd， 赋值给fit(x'd)，trial'd＝trial'd，否则trial'd＝trial'd+1；

其中,i,d∈{1,2,...,SN/2}，且i≠d， 为[‑1,1]之间的随机数；

(3.4)当所有的引领蜂完成全部搜索过程后，跟随蜂依据引领蜂提供的蜜源量以轮盘赌的方式选择蜜源，蜜源被选择的概率计算公式如公式(9)所示，跟随蜂选择概率最大的蜜源作为自己新蜜源，并按公式(8)在其所选蜜源邻域内完成一次搜索；

当引领蜂搜索完全部搜索空间时，若解x′i对应的解变量变化参数trial′i＞Llimit时，则舍弃该蜜源，而相应的引领蜂变成侦查蜂，并按公式(6)搜索新的蜜源，同时将解变量变化参数置为0，i＝1,2,...,SN/2；

若当前迭代次数大于最大循环迭代次数，即t＞maxit，则停止迭代，记录此时含蜜量最高的蜜源位置，输出该预测子模型的最优参数解{Cj,best,σj,best}；否则重复步骤(3.3)；

(3.5)利用蜂群算法对建立的各预测子模型进行寻优，获得各预测子模型的最佳参数{{C1,best,σ1,best},{C2,best,σ2,best}....,{Cm,best,σm,best},{Cm+1,best,σm+1,best}}(4)将求得的各子模型的最优参数{{C1,best,σ1,best},{C2,best,σ2,best},…,{Cm,best,σm,best},{Cm+1,best,σm+1,best}}分别代入各核极限学习机预测子模型中进行预测，并将各子模型的预测结果重构求和，得到最终预测结果，其中，Cm,best和σm,best分别为第m个预测子模型的最优正则化系数与核参数；

(5)计算预测误差，并对预测误差进行门限比较和频谱分析，判断是否存在微弱目标信号。

2.根据权利要求1所述的一种海杂波背景下的微弱目标信号检测方法，其特征在于：所述步骤(4)包括：(4.1)将利用蜂群算法求得的如下最优参数

{{C1,best,σ1,best},{C2,best,σ2,best}....,{Cm,best,σm,best},{Cm+1,best,σm+1,best}}按照式(5)分别代入各核极限学习机预测子模型中进行预测，得到最佳的预测结果其中， 为m个IMF分量c1(n)～cm(n)所建立的子模型的预测结果； 为残差分量r(n)建立的子模型的预测结果；

令 对应 重构各子模型的预测结

果，得到最终预测结果 如下公式(10)

3.根据权利要求2所述的一种海杂波背景下的微弱目标信号检测方法，其特征在于：步骤(5)中，所述的预测误差为 对预测误差进行门限比较，判断是否存在瞬态信号；接着采用快速傅里叶变换对err(n)进行频谱分析，判断在预设频率范围内是否存在该频率的微弱周期信号。