CN107247258B - 海杂波空变k-分布参数的递归矩估计方法 - Google Patents
海杂波空变k-分布参数的递归矩估计方法 Download PDFInfo
- Publication number
- CN107247258B CN107247258B CN201710556815.1A CN201710556815A CN107247258B CN 107247258 B CN107247258 B CN 107247258B CN 201710556815 A CN201710556815 A CN 201710556815A CN 107247258 B CN107247258 B CN 107247258B
- Authority
- CN
- China
- Prior art keywords
- estimation
- data
- moment
- resolution cell
- echo
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/414—Discriminating targets with respect to background clutter
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了海杂波空变K‑分布参数的递归矩估计方法,解决了现有技术用单帧数据矩估计时精度差的问题,技术方案是:雷达接收机在多个扫描周期接收回波,每个分辨单元中回波序列为Xt;获取多个扫描周期的功率信息并归一化处理,分辨单元中的归一化功率序列为Yt;建立递归杂波维度和遗忘因子向量;对第一个扫描周期中每个分辨单元中的Yt做形状参数估计;用遗忘因子对多个扫描周期数据进行迭代矩估计。本发明使用多帧数据,通过改变样本窗大小,不断提高小样本下参数估计的分辨率,并实现海杂波形状参数的实时估计,同时本发明不需要对大量数据进行综合运算,提高了运算效率。主要应用于海况勘探、目标检测等领域。
Description
技术领域
本发明属于信号处理技术领域,涉及目标检测,具体是一种海杂波空变K-分布参数的递归矩估计方法,可用于海杂波幅度分布参数的快速估计。
背景技术
海杂波背景下的目标检测技术是雷达应用技术中一个至关重要的研究方向,在军事和民用领域已经得到广泛的应用。而对于海杂波幅度分布特性的准确分析则是海杂波背景下目标检测技术能否取得良好效果的重要因素。因此,为了提高目标检测的效率,对海杂波幅度分布参数进行快速估计是需要做到的重要保障。
随着现代雷达系统距离分辨力的提高,雷达回波出现了以往低分辨力雷达系统所没有的统计特性。而K-分布模型作为复合高斯模型的一种,不仅可以在很宽的范围内与实验数据良好拟合,同时也可以正确地描述回波信号在时间和空间上的相关性。因此,K-分布模型在海杂波统计特性的研究工作中占据重要地位。而针对K-分布模型提出的参数估计方法中,利用二阶矩和四阶矩估计参数是最为常用的参数估计方法。但是,传统的K-分布参数估计方法在利用单扫描周期的数据进行局部矩估计时,由于样本信息不足,估计性能将急剧下降。客观上,需要一种能够应用于样本信息不足情况下的K-分布海杂波参数矩估计方法,保证目标检测的基本要求。
近年来,许多学者对K-分布参数矩估计方法进行着深入的研究,提出了一些基于特定理论的K分布参数矩估计方法。
文献“Iskander D R,Zoubir A M.Estimating the parameters of the K-distribution using the ML/MOM approach[C]//TENCON'96.Proceedings.,1996IEEETENCON.Digital Signal Processing Applications.IEEE,1996,2:769-774.”中给出了一种结合矩估计及最大似然估计方法的混合估计方法。该方法通过将矩估计和最大似然估计结合,改善了矩估计的估计精度以及最大似然估计的执行效率。但在样本数量较低时,估计性能并不乐观。
文献“Dong Y.Clutter spatial distribution and new approaches ofparameter estimation for Weibull and k-distributions[J].2004”中提出了一种新的参数估计方法,即利用求解非线性方程来代替一维线性搜索,从而改善参数估计方法的执行效率。但该方法同样难以在小样本情形下给出令人满意的结果。
以上文献中提出的方法虽然可以对K-分布形状参数进行有效估计,但都不能在单帧小样本情况下得到应有的估计精度,而且计算效率较低。
发明内容
本发明的目的在于提出一种海杂波空变K-分布参数的递归矩估计方法,以解决现有技术利用单帧数据进行局部矩估计时精度差的问题,提高后续海杂波背景下目标检测的性能。
为实现上述技术目的,本发明的技术方案包括如下步骤:
(1)雷达获取数据:雷达发射机发射脉冲信号,利用雷达接收机接收经过海面散射形成的回波数据:回波数据是一个包括脉冲维,距离维和波位维的三维矩阵,每个距离维和波位维构成一个分辨单元;
1a)雷达接收机在多个扫描周期接收到的回波数据
其中为第t个扫描周期接收到的回波数据,T表示扫描周期,得到多个扫描周期数据。
1b)回波数据的每个分辨单元中的回波序列为Xt:
Xt=[x1,x2,...,xi,...,xM],
其中xi表示第i个回波数据,i=1,2,...M,M表示脉冲数。
(2)数据归一化:获取回波数据的功率信息,并将其按功率进行归一化:
2a)多个扫描周期回波数据的归一化功率为
对多个扫描周期均进行归一化处理,其中为第t个扫描周期回波数据的归一化功率。
2b)计算的每个分辨单元中的归一化功率序列Yt:
Yt=[y1,y2,...,yi,...,yM],
其中yi为第i个回波数据的归一化功率。
(3)建立递归杂波维度向量W和递归遗忘因子向量G:
3a)利用样本窗确定分辨单元大小,样本窗大小随着递归周期减小,得到递归杂波维度向量W:
W=[w1,w2,...,wk,...,wT],
其中wk表示第k个递归周期样本窗大小。这里的wk的取值为2次幂数,即2,4,8,...,且wk随着递归周期k减半。
3b)利用遗忘因子联合使用多个周期的回波数据,遗忘因子随着递归周期减小,得到递归遗忘因子向量G:
G=[g1,g2,...,gk,...,gT],
其中gk表示第k个递归周期的遗忘因子。
(4)对形状参数进行第一次估计:对第一个扫描周期回波数据的归一化功率利用矩估计方法对每个分辨单元中的归一化功率序列Yt进行形状参数估计,记录一阶矩与二阶矩,作为递归矩估计的第一组数据。
(5)对形状参数进行后续估计:根据第一次估计的结果,利用遗忘因子gk对多个扫描周期数据进行迭代形状参数矩估计,完成海杂波空变K-分布参数的递归矩估计。
本发明能以高效率通过多组小样本迭代估计出更加精确的K-分布形状参数,解决小样本情况下海杂波幅度分布参数的快速估计问题。
本发明与现有技术相比具有以下优点:
1)本发明联合使用了多帧数据,通过增大样本窗对形状参数进行粗估计的方法,解决了单扫描周期下采样信息不足的问题,提高了小样本下参数估计的精度,再利用后续扫描周期数据对形状参数进行估计的方法提高分辨率,实现海杂波形状参数的实时估计。
2)本发明引入了单帧数据的局部矩估计结果作为初始化数据,并且添加了遗忘因子到矩估计公式中进行迭代估计,不需要像传统估计方法那样对大量数据的一次性运算,所以提高了运算效率。
附图说明
图1为本发明的实现流程图;
图2为仿真实验采用的真实且慢变的海浪图形;
图3为采用本发明和现有单帧数据局部矩估计方法的估计效果对比,其中,图3(a)表示采用本发明估计得到的形状参数;图3(b)表示采用现有技术中单帧数据进行局部矩估计的方法得到的形状参数;图3(c)表示采用本发明估计得到的结果的相对误差与采用单帧数据进行局部矩估计的方法得到的结果的相对误差。
具体实施方式
下面结合附图对本发明作进一步说明:
实施例1
提高海杂波幅度分布参数实时估计的准确性,能够更好地表征海杂波的幅度特性,降低海杂波目标检测中的虚警率和漏检率,改善检测性能,因此海杂波幅度分布参数的快速估计是急需解决的问题。现有的估计方法都是借助长时间积累的大量样本对形状参数进行单帧估计,往往忽略了海杂波慢变特性带来的帧与帧之间的联系,针对这一缺点,本发明展开研究与探讨,提出了一种海杂波空变K-分布参数的递归矩估计方法,参见图1,包括有如下步骤:
(1)雷达获取数据:雷达发射机发射脉冲信号,利用雷达接收机接收经过海面散射形成的回波数据:回波数据是一个包括脉冲维,距离维和波位维的三维矩阵,每个距离维和波位维构成一个分辨单元。
1a)雷达接收机在多个扫描周期接收到的回波数据
其中为第t个扫描周期接收到的回波数据,T表示扫描周期,得到多个扫描周期数据。
1b)回波数据的每个分辨单元中的回波序列为Xt:
Xt=[x1,x2,...,xi,...,xM],
其中xi表示第i个回波数据,i=1,2,...,M,M表示脉冲总数。
(2)数据归一化:获取回波数据的功率信息,并将其按功率进行归一化:
2a)多个扫描周期回波数据的归一化功率为
对多个扫描周期均进行归一化处理,其中为第t个扫描周期回波数据的归一化功率。
2b)计算的每个分辨单元中的归一化功率序列Yt:
Yt=[y1,y2,...,yi,...,yM],
其中yi为第i个回波数据的归一化功率。
(3)建立递归杂波维度向量W和递归遗忘因子向量G:
3a)利用样本窗确定分辨单元大小,样本窗大小随着递归周期减小,得到递归杂波维度向量W:
W=[w1,w2,...,wk,...,wT],
其中wk表示第k个递归周期样本窗大小k=1,2,...,T。这里的wk的取值为2次幂数,即2,4,8,...,且wk随着递归周期k减半。本发明实例中,样本窗wk减小到2后保持不变。
3b)利用遗忘因子联合使用多个周期的回波数据,遗忘因子随着递归周期减小,得到递归遗忘因子向量G:
G=[g1,g2,...,gk,...,gT],
其中gk表示第k个递归周期的遗忘因子。本发明实例中,
(4)对形状参数进行第一次估计:对第一个扫描周期回波数据的归一化功率利用矩估计方法对每个分辨单元中的归一化功率序列Yt进行形状参数估计,记录一阶矩与二阶矩,作为递归矩估计的第一组数据。
(5)对形状参数进行后续估计:根据第一次估计的结果,利用遗忘因子gk对多个扫描周期数据进行迭代形状参数矩估计,完成海杂波空变K-分布参数的递归矩估计。
本发明利用多帧数据与遗忘因子联合的方法估计形状参数,实现了小样本情况下海杂波形状参数的实时估计,打开了一种关于海杂波多帧数据形状参数估计的方式。
实施例2
海杂波空变K-分布参数的递归矩估计方法同实施例1,步骤(2)中对于每个分辨单元的雷达回波序列Xt的功率进行归一化,按以下步骤进行:
2a)多个扫描周期回波数据的归一化功率为
其中为第t个扫描周期回波数据的归一化功率。
2b)计算的每个分辨单元中的归一化功率序列Yt:
Px=|Xt|2=[|x1|2,|x2|2,...,|xi|2,...,|xM|2],
Px表示回波功率,其中xi表示第i个回波数据,i=1,2,...,M。Xt的幅度服从K-分布,其概率密度函数f(x)为:
其中,σ表示尺度参数(σ>0),υ表示形状参数(υ>0),Kυ(·)为υ阶修正第二类Bessel函数,Γ(·)表示Gamma函数。
2c)对回波功率PX进行归一化,得到功率归一化后的回波数据样本Yt:
其中表示回波功率PX的平均值,表示PX的第i个数据,回波数据序列在实验中也称为回波数据样本。
本发明对雷达杂波数据进行功率归一化,保证雷达功率的一致性,方便计算。
实施例3
海杂波空变K-分布参数的递归矩估计方法同实施例1-2,步骤(4)中对第一个扫描周期回波数据的归一化功率利用矩估计方法对每个分辨单元中的归一化功率序列Y1进行形状参数估计,作为递归矩估计的第一组数据,按以下步骤进行:
4a)对第一个扫描周期回波数据的归一化功率利用初始样本窗大小w1确定每个分辨单元的距离维大小Q,得到归一化功率序列Y1的归一化功率yi:
其中yi表示分辨单元中的第i个回波数据的归一化功率,Q为距离维的大小。
4b)利用每个分辨单元的归一化功率,计算每个分辨单元的一阶矩E1(Y1)和二阶矩
4c)对于每个分辨单元,利用一、二阶矩估计方法计算该分辨单元的形状参数υ:
完成第一组数据的形状参数估计。
本发明通过对第一帧数据采用传统矩估计方法,得到形状参数的低分辨率估计,一定程度上保证了形状参数的估计精度。
实施例4
海杂波空变K-分布参数的递归矩估计方法同实施例1-3,步骤(5)中利用遗忘因子gk对多个扫描周期数据进行迭代形状参数矩估计,具体包括有如下步骤:
5a)第t(t>1)个递归周期,利用雷达接收机得到新的回波数据的归一化功率
5b)对于每个分辨单元的归一化功率序列Yt,计算一阶矩Et(Yt)和二阶矩
5c)对于每个分辨单元的归一化功率序列Yt,利用遗忘因子gk和第t-1个递归周期记录的一阶矩Et-1(Yt-1)和二阶矩再次计算本次递归周期的一阶矩Et(Yt)和二阶矩
Et(Yt)=gk*Et(Yt)+(1-gk)*Et-1(Yt-1),
5d)对于每个分辨单元,利用一、二阶矩估计方法计算该分辨单元的形状参数υ:
本发明引入了单帧数据的局部矩估计结果作为初始化数据,利用后续扫描周期数据对形状参数进行精细化估计,将本帧数据结合上一帧数据并且添加了遗忘因子到矩估计公式中进行迭代估计,提高了小样本下参数估计的精度,实现海杂波形状参数的实时估计。
实施例5
海杂波空变K-分布参数的递归矩估计方法同实施例1-4
实验利用已有雷达纯海杂波的回波数据作为原始回波数据,为完成此次实验将采集100帧原始回波数据,使用计算机对每一帧相同位置的原始回波数据进行截取,得到100帧大小为256*256*32的回波数据。利用计算机获取回波数据的功率信息,将其按功率进行归一化。确定本次实验采用大小为32*32的样本窗作为初始样本窗。
先对第一帧功率归一化回波数据进行处理,记录第一帧功率归一化回波数据并计算每一个分辨单元的一阶矩数值与二阶矩数值。利用K-分布矩估计方法计算每一个分辨单元的归一化回波数据形状参数的大小。
对第2帧至第100帧功率归一化回波数据进行递归处理。样本窗大小每一帧减半,最小值取为2,利用样本窗确定每一个分辨单元的回波数据,计算每一个分辨单元的功率归一化回波数据的一阶矩与二阶矩。利用遗忘因子与前一帧记录的一阶矩、二阶矩数据,求得本帧数据每一个分辨单元的一阶矩与二阶矩,并记录作为本帧归一化回波数据每一个分辨单元的一阶矩数值与二阶矩数值。利用K-分布矩估计方法计算每一个分辨单元归一化回波数据形状参数的大小。
本发明实验利用多帧数据与遗忘因子联合的方法估计形状参数,与传统的估计方法相比,在相同数量的实验数据下,本发明实验形状参数的估计效果更佳。同时,本发明还实现了小样本情况下海杂波形状参数的实时估计。
下面给出一个详细的例子,对本发明进一步说明:
实施例6
海杂波空变K-分布参数的递归矩估计方法同实施例1-5,参照图1,本发明的实现步骤如下:
步骤1,利用雷达发射机发射脉冲信号,利用雷达接收机接收经过海面散射形成的回波数据。
雷达接收机在多个扫描周期接收到的回波数据
其中为第t个扫描周期接收到的回波数据,T表示扫描周期,得到多个扫描周期数据。
回波数据是一个包括脉冲维,距离维和波位维的三维矩阵,每个距离维和波位维构成一个分辨单元,每个分辨单元中的回波序列为Xt:
Xt=[x1,x2,...,xi,...,xM],
其中xi表示第i个回波数据,M表示脉冲数。
步骤2,获取回波数据的功率信息,并将其按功率进行归一化。
计算每个分辨单元中的回波序列Xt的功率,并且将其归一化,得到每个分辨单元中回波序列的归一化功率序列Yt:
2a)多个扫描周期回波数据的归一化功率为
对多个扫描周期均进行归一化处理,其中为第t个扫描周期回波数据的归一化功率;
2b)计算的每个分辨单元中的归一化功率序列Yt:
Px=|Xt|2=[|x1|2,|x2|2,...,|xi|2,...,|xM|2], <1>
其中xi表示第i个回波数据,i=1,2,...M。Xt的幅度服从K-分布,其概率密度函数f(x)为:
其中,σ表示尺度参数(σ>0),υ表示形状参数(υ>0),Kυ(·)为υ阶修正第二类Bessel函数,Γ(·)表示Gamma函数。
2c)对回波功率PX进行归一化,得到功率归一化后的回波数据样本Yt:
其中表示回波功率PX的平均值,表示PX的第i个数据。
步骤3,建立递归杂波维度向量和递归遗忘因子向量。
3a)利用样本窗确定分辨单元大小,样本窗大小随着递归周期减小,得到递归杂波维度向量W:
W=[w1,w2,...,wk,...,wT],
其中wk表示第k个递归周期样本窗大小。这里的wk的取值为2次幂数,即2,4,8,...,且wk随着递归周期k减半。本发明实例中,样本窗wk减小到2后保持不变。
3b)利用遗忘因子联合使用多个周期的回波数据,遗忘因子随着递归周期减小,得到递归遗忘因子向量G:
G=[g1,g2,...,gk,...,gT],
其中gk表示第k个递归周期添加的遗忘因子。本发明实例中,
步骤4,对第一个扫描周期回波数据的归一化功率利用矩估计方法对每个分辨单元中的归一化功率序列Y1进行形状参数估计,作为递归矩估计的第一组数据。
4a)对第一个扫描周期回波数据的归一化功率利用初始样本窗大小w1确定每个分辨单元的距离维大小Q,得到归一化功率序列Y1的归一化功率yi:
其中yi表示分辨单元中的第i个脉冲回波数据的归一化功率,Q为距离维的大小。
4b)利用每个分辨单元的归一化功率,计算每个分辨单元的一阶矩E1(Y1)和二阶矩
4c)对于每个分辨单元,利用一、二阶矩估计方法计算该分辨单元的形状参数υ:
步骤5,利用遗忘因子gk对多个扫描周期数据进行迭代形状参数矩估计。
5a)第t(t>1)个递归周期,利用雷达接收机得到新的回波数据的归一化功率
5b)对于每个分辨单元的归一化功率序列Yt,利用公式<4>~<7>求得新的一阶矩Et(Yt)和二阶矩
5c)对于每个分辨单元的归一化功率序列Yt,利用遗忘因子gk和第t-1个递归周期记录的一阶矩Et-1(Yt-1)和二阶矩再次计算本次递归周期的一阶矩Et(Yt)和二阶矩
Et(Yt)=gk*Et(Yt)+(1-gk)*Et-1(Yt-1), <9>
5d)对于每个分辨单元,利用一、二阶矩估计方法计算该分辨单元的形状参数υ:
通过步骤1到步骤5,实现了海杂波空变K-分布参数的递归矩估计。
本发明联合使用了多帧数据,引入了单帧数据的局部矩估计结果作为初始化数据,并且添加了遗忘因子到矩估计公式中进行迭代估计,不需要像传统估计方法那样对大量数据的一次性运算,解决了单扫描周期下采样信息不足的问题,提高了小样本下参数估计的精度与计算效率,再利用后续扫描周期数据对形状参数进行精细化估计的方法,实现海杂波形状参数的实时估计。
下边结合仿真和实验数据,对本发明的技术效果再做说明:
实施例7
海杂波空变K-分布参数的递归矩估计方法同实施例1-6
实验采用使用matlab中的gamrnd函数产生K-分布海杂波数据。仿真产生大小为256*256*32的回波仿真数据100组,仿真产生大小为256*256*3200的对比数据1组。实验中,初始样本窗大小取值为32*32,回波脉冲数取值为32。
先对第一帧功率归一化回波数据进行处理,记录第一帧功率归一化回波数据并计算每一个分辨单元的一阶矩数值与二阶矩数值。利用K-分布矩估计方法计算每一个分辨单元的归一化回波数据形状参数的大小。
对第2帧至第100帧功率归一化回波数据进行递归处理。样本窗大小每一帧减半,最小值取为2,利用样本窗确定每一个分辨单元的回波数据,计算每一个分辨单元的功率归一化回波数据的一阶矩与二阶矩。利用遗忘因子与前一帧记录的一阶矩、二阶矩数据,求得本帧数据每一个分辨单元的一阶矩与二阶矩,并记录作为本帧归一化回波数据每一个分辨单元的一阶矩数值与二阶矩数值。利用K-分布矩估计方法计算每一个分辨单元归一化回波数据形状参数的大小。
对功率归一化对比数据进行处理。利用大小为2*2的样本窗确定每一个分辨单元的对比数据。计算每一个分辨单元的功率归一化对比数据的一阶矩与二阶矩,运用K-分布矩估计方法计算每一个分辨单元的归一化对比数据形状参数的大小。
利用计算机对第100帧功率归一化回波数据递归处理后的形状参数进行显示,同样对功率归一化对比数据处理后的形状参数进行显示,对比图3(a)和图3(b)并计算两种处理方法的相对误差。
仿真参数
仿真实验采用真实且慢变,像素值为256*256的海浪图形来仿真杂波数据,如图2所示。
仿真实验内容
仿真实验中分别采用本发明方法和利用单帧数据进行局部矩估计的方法对仿真产生的K-分布数据进行形状参数的估计,通过仿真结果图比较两种参数估计方法的效果。
仿真实验
基于上述海浪图,使用matlab中的gamrnd函数产生K-分布海杂波数据。分别使用本发明和现有单帧数据局部矩估计方法对该海杂波数据的形状参数进行估计,实验中,初始样本窗大小取值为32,回波脉冲数取值为32。
两种方法的结果对比结果如图3所示。
图2表示原本形状参数示意图,图3(a)和图3(b)分别是本发明和现有技术以图2基准做出的估计图。
图3(a)表示采用本发明估计得到的形状参数,样本数量为256*256*32*100。
图3(b)表示采用现有技术中单帧数据进行局部矩估计的方法得到的形状参数,样本数量为256*256*3200。
对比图3(a)和图3(b),在同等样本数量下,现有技术做出的矩估计形状参数图没有本发明方法估计得到形状参数图精确。
图3(c)表示采用本发明估计得到的结果的相对误差与采用单帧数据进行局部矩估计的方法得到的结果的相对误差,横坐标表示样本数量,纵坐标表示相对误差。样本数量在2*107以下时,现有技术与本发明相对误差较为相近,而样本数量在2*107以上时,本发明的相对误差明显比现有技术要小。
从图3的对比中可以看出,采用本发明方法估计得到的形状参数明显优于现有方法得到的形状参数。
综上所述,本发明提出的空变K-分布参数的递归矩估计方法,可以提高海杂波幅度分布参数估计的精度,解决了现有技术在样本信息不足的情况下,估计性能下降的问题。本发明计算速度快,能够满足实际雷达系统的实时处理要求,有利于后续海杂波背景下目标检测性能的提高。
简而言之,本发明公开的海杂波空变K-分布参数的递归矩估计方法,主要解决现有技术利用单帧数据进行局部矩估计时精度差的问题,其技术方案是:利用雷达发射机发射脉冲信号,雷达接收机在多个扫描周期接收回波数据回波数据的每个分辨单元中的回波序列为Xt;获取回波数据的功率信息,并将其按功率进行归一化,多个扫描周期回波数据的归一化功率为分辨单元中的归一化功率序列为Yt;建立递归杂波维度向量W和递归遗忘因子向量G;对第一个扫描周期回波数据的归一化功率利用矩估计方法对每个分辨单元中的归一化功率序列Yt进行形状参数估计;利用遗忘因子gk对多个扫描周期数据进行迭代形状参数矩估计。本发明使用多帧数据,通过改变样本窗大小,不断提高小样本下参数估计的分辨率,并实现海杂波形状参数的实时估计,同时本发明不需要对大量数据进行综合运算,提高了运算效率。主要应用于海况勘探、目标检测等领域。
Claims (2)
1.一种海杂波空变K-分布参数的递归矩估计方法,其特征在于,包括有如下步骤:
(1)雷达获取数据:雷达发射机发射脉冲信号,利用雷达接收机接收经过海面散射形成的回波数据:回波数据是一个包括脉冲维,距离维和波位维的三维矩阵,每个距离维和波位维构成一个分辨单元;
1a)雷达接收机在多个扫描周期接收到的回波数据
其中为第t个扫描周期接收到的回波数据,T表示扫描周期;
1b)回波数据的每个分辨单元中的回波序列为Xt:
Xt=[x1,x2,...,xi,...,xM],
其中xi表示第i个回波数据,i=1,2,...M,M表示脉冲数;
(2)数据归一化:获取回波数据的功率信息,并将其按功率进行归一化:
2a)多个扫描周期回波数据的归一化功率为
对多个扫描周期均进行归一化处理,其中为第t个扫描周期回波数据的归一化功率;
2b)计算的每个分辨单元中的归一化功率序列Yt:
Yt=[y1,y2,...,yi,...,yM],
其中yi为第i个回波数据的归一化功率;
(3)建立递归杂波维度向量W和递归遗忘因子向量G:
3a)利用样本窗确定分辨单元大小,样本窗大小随着递归周期减小,得到递归杂波维度向量W:
W=[w1,w2,...,wk,...,wT],
其中wk表示第k个递归周期样本窗大小,这里的wk的取值为2次幂数,即2,4,8,...,且wk随着递归周期k减半;
3b)利用遗忘因子联合使用多个周期的回波数据,遗忘因子随着递归周期减小,得到递归遗忘因子向量G:
G=[g1,g2,...,gk,...,gT],
其中gk表示第k个递归周期的遗忘因子;
(4)对形状参数进行第一次估计:对第一个扫描周期回波数据的归一化功率利用矩估计方法对每个分辨单元中的归一化功率序列Yt进行形状参数估计,记录一阶矩与二阶矩,作为递归矩估计的第一组数据;对形状参数进行第一次估计,包括有以下步骤;
4a)对第一个扫描周期回波数据的归一化功率利用初始样本窗大小w1确定每个分辨单元的距离维大小Q,得到归一化功率序列Y1的归一化功率yi:
其中yi表示分辨单元中的第i个回波数据的归一化功率,Q为距离维的大小;
4b)利用每个分辨单元的归一化功率,计算每个分辨单元的一阶矩E1(Y1)和二阶矩
4c)对于每个分辨单元,利用一、二阶矩估计方法计算该分辨单元的形状参数υ:
完成第一组数据的形状参数估计;
(5)对形状参数进行后续估计:根据第一次估计的结果,利用遗忘因子gk对多个扫描周期数据进行迭代形状参数矩估计,完成海杂波空变K-分布参数的递归矩估计,具体包括有如下步骤:
5a)第t个递归周期,t>1,利用雷达接收机得到新的回波数据的归一化功率
5b)对于每个分辨单元的归一化功率序列Yt,计算一阶矩Et(Yt)和二阶矩
5c)对于每个分辨单元的归一化功率序列Yt,利用遗忘因子gk和第t-1个递归周期记录的一阶矩Et-1(Yt-1)和二阶矩再次计算本次递归周期的一阶矩Et(Yt)和二阶矩
Et(Yt)=gk*Et(Yt)+(1-gk)*Et-1(Yt-1),
5d)对于每个分辨单元,利用一、二阶矩估计方法计算该分辨单元的形状参数υ:
2.如权利要求1所述的海杂波空变K-分布参数的递归矩估计方法,其特征在于,步骤(2)中对于每个分辨单元的回波序列Xt的功率进行归一化,包括有如下步骤:
2a)多个扫描周期回波数据的归一化功率为
其中为第t个扫描周期回波数据的归一化功率;
2b)计算的每个分辨单元中的归一化功率序列Yt:
Px=|Xt|2=[|x1|2,|x2|2,…|xi|2,…|xM|2],
其中xi表示第i个回波数据,i=1,2,...,M,Xt的幅度服从K-分布,其概率密度函数f(x)为:
其中,σ表示尺度参数,σ>0,υ表示形状参数,υ>0,Kυ(·)为υ阶修正第二类Bessel函数,Γ(·)表示Gamma函数;
2c)对回波功率PX进行归一化,得到功率归一化后的回波数据样本Yt:
其中表示回波功率PX的平均值,表示PX的第i个数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710556815.1A CN107247258B (zh) | 2017-07-10 | 2017-07-10 | 海杂波空变k-分布参数的递归矩估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710556815.1A CN107247258B (zh) | 2017-07-10 | 2017-07-10 | 海杂波空变k-分布参数的递归矩估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107247258A CN107247258A (zh) | 2017-10-13 |
CN107247258B true CN107247258B (zh) | 2019-11-15 |
Family
ID=60013885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710556815.1A Active CN107247258B (zh) | 2017-07-10 | 2017-07-10 | 海杂波空变k-分布参数的递归矩估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107247258B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109541566B (zh) * | 2018-12-20 | 2023-02-10 | 西安电子科技大学 | 基于双重分数阶矩的k分布海杂波参数估计方法 |
CN109581319B (zh) * | 2019-01-24 | 2023-02-10 | 西安电子科技大学 | 基于多扫描递归的海杂波多普勒偏移和带宽估计方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103645467B (zh) * | 2013-11-11 | 2016-04-06 | 北京环境特性研究所 | 海杂波抑制以及海杂波背景中目标检测的方法和系统 |
CN103760556B (zh) * | 2014-01-23 | 2016-03-23 | 西安电子科技大学 | 基于集中式mimo雷达的多目标认知跟踪方法 |
CN106443627B (zh) * | 2016-09-23 | 2018-11-16 | 西安电子科技大学 | 基于Bayesian的K分布海杂波形状参数估计方法 |
-
2017
- 2017-07-10 CN CN201710556815.1A patent/CN107247258B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107247258A (zh) | 2017-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104076355B (zh) | 基于动态规划的强杂波环境中弱小目标检测前跟踪方法 | |
CN106443627B (zh) | 基于Bayesian的K分布海杂波形状参数估计方法 | |
CN107247259B (zh) | 基于神经网络的k分布海杂波形状参数估计方法 | |
CN104749564B (zh) | 海杂波Weibull幅度分布参数的多分位点估计方法 | |
CN106468770B (zh) | K分布杂波加噪声下的近最优雷达目标检测方法 | |
CN109752710B (zh) | 一种基于稀疏贝叶斯学习的快速目标角度估计方法 | |
CN105738880A (zh) | 逆高斯纹理复合高斯海杂波幅度分布参数的矩估计方法 | |
Wang et al. | SAR target recognition based on probabilistic meta-learning | |
CN107015205A (zh) | 一种分布式mimo雷达检测的虚假目标消除方法 | |
CN105699952A (zh) | 海杂波k分布形状参数的双分位点估计方法 | |
CN106468771A (zh) | 一种低可观测高杂波条件下的多目标检测与跟踪方法 | |
CN107247258B (zh) | 海杂波空变k-分布参数的递归矩估计方法 | |
CN110865343A (zh) | 基于lmb的粒子滤波检测前跟踪方法及系统 | |
CN106646417A (zh) | 广义帕累托分布参数的迭代最大似然估计方法 | |
CN112162244A (zh) | 一种相关噪声和随机丢包环境下的事件触发目标跟踪方法 | |
CN113408328A (zh) | 基于毫米波雷达的手势分割与识别算法 | |
CN105445732B (zh) | 在密集杂波条件下利用多径观测的目标航迹初始化方法 | |
CN111999715B (zh) | 异质杂波下目标知识辅助自适应融合检测方法 | |
CN105699950A (zh) | 基于自适应迭代前后向平滑共轭梯度的雷达杂波抑制方法 | |
CN103954962B (zh) | 一种基于压缩感知的isar成像脉冲估计算法 | |
CN107064893B (zh) | 基于对数矩的广义帕累托分布参数估计方法 | |
CN106353743A (zh) | 匹配于等效形状参数的近最优雷达目标检测方法 | |
CN106199552A (zh) | 一种局部均匀海杂波背景下的分组广义似然比检测方法 | |
CN108761384A (zh) | 一种抗差的传感器网络目标定位方法 | |
CN111736127A (zh) | 面向未知海域海杂波的源域生成和分布参数泛化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |