1.一种基于IA‑SVM模型的微弱信号检测方法；其特征在于包括如下步骤：(1)采用C‑C法对待测海杂波信号x(n)进行相空间重构，确定相空间的关键参数嵌入维数和延迟时间；

(2)利用支持向量机能够较好处理复杂非线性问题以及较优的分类回归能力，建立基于支持向量机的海杂波单步预测模型；

(3)利用免疫算法对影响支持向量机预测能力的惩罚系数、核函数和不敏感损失参数进行优化，使得模型的预测效果达到最佳；

(4)将利用免疫算法求得的最优参数C、σ、ε，代入到支持向量机的单步预测模型中进行预测，得到最终的预测结果；所述C表示惩罚系数，σ表示核函数参数,ε表示不敏感损失参数；

(5)计算预测误差，并对误差进行时域频域分析，从预测误差中检测淹没在混沌海杂波中的微弱信号。

2.根据权利要求1所述的基于IA‑SVM模型的微弱信号检测方法，其特征在于步骤1中，所述的C‑C法相空间重构包括步骤：(1.1)将待测海杂波信号x(n)，n＝1,2,...,N,分成t个不相交的时间列长度为N/t的取整，计算每个子序列的统计量S(m,N,r,τ)式中，Cl是第l个子序列的相关积分；

(1.2)局部最大间隔可以去S(·)的零点或对所有的半径r相互差别最小的时间点；选择对应值最大和最小两个半径r，定义差量为ΔS(m,t)＝max[S(m,N,ri,t)]‑min[S(m,N,ri,t)],i≠j  (2)根据统计学原理，m取值在2到5之间，r的取值在σ/2和2σ之间，σ是时间序列的均方差，方程如下:式中， 均为所有子序列的统计量的均值；Sωr(ti)的第一个极小值对应第一个局部最大时间的最小值，同时对应时间序列独立的第一个整体最大值时间窗口，即延迟时间窗口。

3.根据权利要求1所述的基于IA‑SVM模型的微弱信号检测方法，其特征在于步骤(2)包括：(2.1)对于给定的训练数据集：

n

{(xi,yi)|i＝1,2,...,l,xi∈R ,yi∈R}  (4)式中：xi为微弱信号预测模型训练数据的n维输入；yi为目标信号预测的输出值；l为采集训练的样本个数；

回归估计函数为：

其中，超平面的权值为ω，偏置常数量为b， 则是将输入的海杂波背景下微弱信号，预测模型的训练样本和输出预测值之间的非线性关系转化为 与y之间的线性关系；

(2.2)支持向量机的优化函数对目标值进行优化，得到下式：约束条件： 其中，C为支

持向量机模型的惩罚系数，C>0；ξi为松弛变量，是数据允许偏离的间隔，在原目标的基础上要尽可能的小；可以用拉格朗日乘子法来求解这个有约束条件的二次规划问题，得到支持向量机的回归模型为*

式中，αi，αi为拉格朗日乘子，K(xi,x)是训练过程的核函数，采用的是高斯径向基核函数为

4.根据权利要求1所述的基于IA‑SVM模型的微弱信号检测方法，其特征在于步骤(3)包括：(3.1)初始化参数，创建初始种群：将待预测的实际信号作为抗原，预测信号作为抗体，设置支持向量机C、σ、ε各自参数；

(3.2)亲和度计算：亲和度表征的是免疫细胞和抗原之间的结合强度，类似于遗传算法中的适应度，结合抗原的同时使整个优化模型得到的均方根误差最小，将均方根误差的倒数定义为亲和度函数其中，yi为待预测信号的实际值， 为信号的预测值，l为训练样本数；

(3.3)算法寻优终止判断条件：判断算法是否满足终止条件，如果满足，则停止算法寻优，否则继续寻优；判断条件为在有限的优化迭代中，亲和度是否最大；

(3.4)抗体浓度和激励度计算：抗体浓度表征的是抗体种群的多样性好坏，浓度过高会使得寻优集中，不利于全局寻优，所以要对抗体浓度过高的进行抑制，抗体浓度定义为：式中：N为种群规模，S代表抗体间的相似度，Fit(yi,yj)表示两抗体之间的亲和度，δs表示相似度阀值；

激励度表征的是抗体质量的最终评价结果，通过综合考虑抗体亲和度以及抗体浓度，计算方式为Simij(C,σ,ε)＝a·Fitij(C,σ,ε)‑b·Denij(C,σ,ε)  (13)其中，a，b为计算参数；

(3.5)种群刷新：用随机生成的新抗体替换种群中激励度较低的抗体，产生新一代抗体，重复步骤(3.3)，直至寻优过程结束。

5.根据权利要求4所述的基于IA‑SVM模型的微弱信号检测方法，其特征在于支持向量机C、σ、ε各自参数范围分别为[0.1,100]、[0.01,1000]、[0.01,1000]；设置免疫个体维数为

3，免疫个体数目为NP，最大免疫代数为G，由于待优化的参数数量较少，所以采用二进制编码。