CN107247259A - 基于神经网络的k分布海杂波形状参数估计方法 - Google Patents
基于神经网络的k分布海杂波形状参数估计方法 Download PDFInfo
- Publication number
- CN107247259A CN107247259A CN201710556839.7A CN201710556839A CN107247259A CN 107247259 A CN107247259 A CN 107247259A CN 201710556839 A CN201710556839 A CN 201710556839A CN 107247259 A CN107247259 A CN 107247259A
- Authority
- CN
- China
- Prior art keywords
- clutter
- mrow
- neutral net
- data
- form parameter
- 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.)
- Granted
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
- G01S7/417—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 involving the use of neural networks
-
- 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)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于神经网络的K分布海杂波形状参数估计方法,主要解决现有方法在存在异常样本的小样本情况下形状参数估计性能差的问题。技术方案是:产生不同形状参数的理想K分布功率归一化海杂波幅度数据;均匀提取数据的多个分位点幅度值作为输入并设计合适神经网络结构对大量理想数据进行训练;获取雷达海杂波数据进行功率归一化;应用已有神经网络,将数据的多个分位点幅度值带入得到形状参数估计值。本发明使用部分海杂波幅度特性,通过训练神经网络,提高了在存在异常样本的小样本情况下的形状参数估计性能,同时本发明不需要对所有数据进行计算,效率远高于传统方法。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,具体是一种基于神经网络的K分布海杂波形状参数估计方法,可用于海杂波形状参数的有效快速估计。
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应用。而对于海杂波统计特性的准确分析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,提出合适的模型并在存在异常样本时对其模型参数进行准确估计成为目标检测的重要保障。
K分布作为地海杂波理论研究中的重要模型,在对于高分辨力低掠射角的海杂波重拖尾特性的模拟上具有明显优势。因此在雷达系统的设计,仿真,建模中得到了广泛应用。因此给出雷达数据下K分布形状参数的合理估计值具有重要意义。但是,由于海杂波的非高斯非平稳特性,造成独立同分布的样本获取比较困难,而传统的K分布形状参数估计方法在样本数量较少或伴随有一定比例的异常样本时,估计性能急剧下降,在一定程度下无法满足雷达系统的需求,因此,需要一种能够应用于小样本情况下对K分布海杂波形状参数进行稳健估计的方法,保证目标检测的基本要求。
近年来,很多研究者针对K分布海杂波的形状参数估计,提出了一些基于特定条件下的K分布海杂波形状参数估计理论。
文献“Machadofernández J R,Chávezferry N.A Neural Network Approach toWeibull Distribution Sea Clutter Parameters Estimation[J].InteligenciaArtificial Revista Iberoamericana De Inteligencia Artificial,2015,18:págs.3-13.”中提出了一种基于神经网络的海杂波形状参数估计方法,但利用的是较简单的Weibull分布,不能很好的拟合现实中海杂波的强非高斯重拖尾特性。
文献“Machado J R F.Improved Shape Parameter Estimation in K Clutterwith Neural Networks and Deep Learning[J].International Journal ofInteractive Multimedia&Artificial Intelligence,2016,3(7):96-103.”给出了一种利用神经网络来对K分布海杂波进行形状参数估计的方法。该方法通过提取杂波的各种幅度统计特征来构建神经网络,对比传统矩估计方法有一定提升,但并没有考虑存在异常样本时的情况。
以上文献中提出的方法都运用了神经网络的结构来估计海杂波形状参数,但都无法在存在异常样本的情况下对海杂波形状参数进行有效快速估计。
发明内容
本发明的目的在于针对现有技术的不足,以解决现有技术对海杂波数据独立同分布样本获取困难的问题,提高在样本数较少且存在异常样本的情况下K分布形状参数的估计精度,提出一种基于神经网络的K分布海杂波形状参数估计方法。
为实现上述技术目的,本发明的技术方案包括有如下步骤:
(1)理想纯海杂波数据获取:保证功率归一化的情况下,利用仿真软件针对不同形状参数产生多组独立的K分布仿真杂波数据;
(2)训练神经网络:找到合适的输入以及神经网络结构,对神经网络进行训练,从每组独立的K分布仿真杂波数据中均匀提取25个分位点的杂波幅度值,将其作为输入层添加至神经网络,而输出层则为真实的海杂波形状参数,完成神经网络的训练;
(3)雷达获取数据:雷达发射机发射脉冲信号,用雷达接收机接收经过海面散射形成的回波数据,该回波数据的每个分辨单元中的回波序列X为:
X=[x1,x2,…,xi,…,xN],
其中xi表示第i个脉冲回波数据,i=1,2,…,N,N表示脉冲总数;
(4)数据归一化:获取当前杂波数据的功率信息,并将其按功率进行归一化,得到功率归一化序列Y:
Y=[y1,y2,…,yi,…,yN],
其中yi功率归一化后的第i个脉冲功率归一化回波幅度数据;
(5)用训练完成的神经网络进行雷达海杂波形状参数估计:如步骤(2)方法均匀提取功率归一化海杂波幅度数据的25个分位点幅度值,具体是将功率归一化雷达数据从小到大排序得到顺序序列,用顺序序列进行序列划分,将其均匀的划分为26个子序列,若不能进行精准的划分,则默认第一个子序列中元素最少,并取前25个子序列中每个子序列的最后一个元素作为该分位点的值,这样依次取到25个分位点的幅度值作为输入带入步骤(2)训练完成的神经网络,输出即为估计的K分布海杂波形状参数值。
本发明在神经网络训练完成后,进行实际参数估计时效率很高,并且解决了存在异常本的小样本情况下海杂波形状参数的有效快速估计问题。
本发明与现有技术相比具有以下优点:
1)本发明仅利用25个分位点幅度值作为输入来估计形状参数,所以对雷达杂波数据样本数量要求不高,只要分位点的幅度值准确,在较少样本时依旧能保证较高的精度。
2)本发明利用分位点作为输入来估计形状参数,而异常样本经常出现在杂波幅度值非常大或非常小的地方,对分位点的影响非常小,因此本发明在存在异常样本的情况下对海杂波形状参数估计具有很好的稳健性。
3)本发明前期利用大量理想样本训练神经网络,虽然在这一部分用时较长,但在网络训练完成后,再进行后期参数估计时拥有非常高的效率。
附图说明
图1为本发明的实现流程图;
图2为本发明与传统K分布形状参数估计方法的相对均方根误差比较图,其中图2(a)为理想样本下各方法误差比较图,图2(b)为异常样本下各方法误差比较图。
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
提高在存在异常样本情况下海杂波形状参数估计的准确性,能够更好地反映海况的实际情况,降低海杂波目标检测中的虚警率和漏检率,改善检测性能,因此在存在异常样本情况下对海杂波形状参数进行有效快速估计是急需解决的问题。现有的估计方法都是结合全部幅度特性对海杂波形状参数进行估计,忽略了异常样本带来的影响,针对这一缺点,本发明展开研究与探讨,提出了一种基于神经网络的K分布海杂波形状参数估计方法,参见图1,包括有如下步骤:
(1)理想纯海杂波数据获取:保证功率归一化的情况下,利用仿真软件针对不同形状参数产生多组独立的K分布仿真杂波数据,这样获得的海杂波数据为理想纯海杂波数据。
(2)训练神经网络:找到合适的输入以及神经网络结构,对神经网络进行训练,从每组独立的K分布仿真杂波数据中均匀提取25个分位点的杂波幅度值,将其作为输入层添加至神经网络,而输出层则为真实的海杂波形状参数,完成神经网络的训练。
(3)雷达获取数据:雷达发射机发射脉冲信号,用雷达接收机接收经过海面散射形成的回波数据,该回波数据的每个分辨单元中的回波序列X为:
X=[x1,x2,…,xi,…,xN],
其中xi表示第i个脉冲回波数据,i=1,2,…,N,N表示脉冲总数。
(4)数据归一化:获取当前杂波数据的功率信息,并将其按功率进行归一化,得到功率归一化序列Y:
Y=[y1,y2,…,yi,…,yN],
其中yi功率归一化后的第i个脉冲功率归一化回波幅度数据。
(5)用训练完成的神经网络进行雷达海杂波形状参数估计:如步骤(2)方法均匀提取功率归一化海杂波幅度数据的25个分位点幅度值,具体是将功率归一化雷达数据从小到大排序得到顺序序列,用顺序序列进行序列划分,将其均匀的划分为26个子序列,若不能进行精准的划分,则默认第一个子序列中元素最少,并取前25个子序列中每个子序列的最后一个元素作为该分位点的值,这样依次取到25个分位点的幅度值作为输入带入步骤(2)训练完成的神经网络,输出即为估计的K分布海杂波形状参数值。
本发明利用分位点与神经网络结合的方法估计海杂波形状参数,实现了存在异常样本的小样本情况下海杂波形状参数的有效快速估计。
实施例2
基于神经网络的K分布海杂波形状参数估计方法同实施例1,步骤(1)对理想纯海杂波数据获取,包括有以下步骤:
1a)K分布的概率密度函数ρx表示为:
其中,v表示形状参数(v>0),b表示尺度参数(b>0),Kv(·)表示v阶第二类修正Bessel函数。
得到K分布功率E(x2)为:
E(x2)=vb。
1b)在的情况下对间隔为0.01范围是0.1-5的每个形状参数产生10组杂波样本,杂波样本序列Z表示形式如下:
其中是以a为形状参数,b为组号的杂波样本序列,a(a=0.1,0.11,,5)表示形状参数,b(b=1,2,…,10)表示组号,zi(i=1,2,…,3000)表示杂波幅度值。
本例中的各组数据均是经过多次实验寻求的最佳数据点,其中间隔、组数可自由定义,形状参数范围建议取20以下。
本发明保证功率归一化的情况下,利用仿真软件针对不同形状参数产生多组独立的K分布仿真杂波数据,以便令神经网络实现收敛。
实施例3
基于神经网络的K分布海杂波形状参数估计方法同实施例1-2,步骤(2)对神经网络进行训练,包括以下步骤:
2a)将K分布仿真杂波数据中每组幅度序列内的元素进行从小到大的排序,得到多组顺序序列,对顺序序列进行序列划分,将其均匀的划分为26个子序列,若不能进行精准的划分,则默认第一个子序列中元素最少,并取前25个子序列中每个子序列的最后一个元素作为该分位点的值,这样依次取到25个分位点的幅度值作为神经网络的输入;设计隐层为50个节点;期望输出为杂波样本组相对应的形状参数值a。这样的一组输入和输出就构成一个样本组。
2b)设定隐层传递函数为双曲正切函数,输出层传递函数为线性函数,学习函数为梯度下降动量学习函数,误差函数为均方误差性能函数。
2c)选取70%的样本组进行训练,在训练时为实现快速收敛将样本组进行乱序训练,15%的样本组进行过拟合检验,另外15%样本组进行测试,完成神经网络的训练。
本例中的各组数据均是经过多次实验寻求的最佳数据点,输入层、隐层、训练样本组比例、检验样本组比例、测试样本组比例均可自由定义,建议输入层、隐层数目尽可能少,训练样本组比例尽量大于检验样本组比例好测试样本组比例。
本发明中合适的输入及神经网络结构参数是指通过经验知识和实验结果相结合寻找到的能令神经网络实现收敛的特定组成部分,输出为对应的真实形状参数值,以此训练出能高效精准估计海杂波形状参数的神经网络。
实施例4
基于神经网络的K分布海杂波形状参数估计方法同实施例1-3,步骤(4)获取当前雷达杂波数据的功率信息,并将其按功率进行归一化,包括以下步骤:
4a)计算当前样本数据X的功率PX:
Px=|X|2=[|x1|2,|x2|2,…,|xi|2,…,|xN|2],
其中xi表示第i个回波数据,i=1,2,…,N,N表示脉冲数。PX服从K分布。
4b)对杂波功率PX进行归一化,得到功率归一化后的杂波幅度样本Y:
其中表示杂波功率的平均值,表示PX的第i个数据。
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,令雷达数据能够在神经网络中得到应用。
实施例5
基于神经网络的K分布海杂波形状参数估计方法同实施例1-4
本例中利用软件仿真对不同形状参数产生多组独立的K分布仿真杂波数据,在保证功率归一化的前提下的情况下对间隔为0.01范围是0.1-5的每个形状参数值产生10组杂波样本,每组3000个杂波幅度值构成一个幅度序列,这样就有4910个幅度序列作为杂波样本组可用于训练。
每组幅度序列内的元素进行从小到大的排序,得到多组顺序序列,对顺序序列进行序列划分,将其均匀的划分为26个子序列,若不能进行精准的划分,则默认第一个子序列中元素最少,并取前25个子序列中每个子序列的最后一个元素作为该分位点的值,依次取到25个分位点的幅度值作为神经网络的一组输入,而期望输出为该幅度序列对应的形状参数值,这样就可以得到4910个样本组。利用软件设定神经网络输入层25个节点,隐层50个节点且传递函数为双曲正切函数,输出层一个节点且传递函数为线性函数,选取样本组的70%乱序输入神经网络进行训练,15%的样本组进行过拟合检验,另外15%样本组进行测试,完成神经网络的训练,得到目标神经网络。
用已有雷达纯海杂波回波数据先进行功率归一化处理得到幅度序列,再仿照上述方法找出25个分位点幅度值,将其输入已训练好的神经网络就可以得到估计出的K分布海杂波形状参数值。
本发明只利用少量的海杂波幅度特性,从根源上防止了异常样本对海杂波形状参数估计的影响,在保证估计精度的前提下还大大的减少了估计时间。
下面给出一个详细的例子,对本发明进一步说明:
实施例6
基于神经网络的K分布海杂波形状参数估计方法同实施例1-5,参照图1,本发明实现步骤如下:
步骤1,保证功率归一化的情况下,利用仿真软件对不同形状参数产生多组独立的K分布仿真杂波数据。
1a)K分布的概率密度函数ρx表示为:
其中,v表示形状参数(v>0),b表示尺度参数(b>0),Kv(·)表示v阶第二类修正Bessel函数。
得到K分布功率E(x2)为:
E(x2)=vb。
1b)在的情况下对间隔为0.01范围是0.1-5的每个形状参数产生10组杂波样本,每组3000个杂波幅度值,杂波样本序列Z表示形式如下:
其中是以a为形状参数,b为组号的杂波样本序列,a(a=0.1,0.11,…,5)表示形状参数,b(b=1,2,…,10)表示组号,zi(i=1,2,…,3000)表示杂波幅度值。
步骤2,提取分位点的杂波幅度值进行神经网络的训练。
2a)将K分布仿真杂波数据中每组幅度序列内的元素进行从小到大的排序,得到多组顺序序列,对顺序序列进行序列划分,将其均匀的划分为26个子序列,若不能进行精准的划分,则默认第一个子序列中元素最少,并取前25个子序列中每个子序列的最后一个元素作为该分位点的值,这样依次取到25个分位点的幅度值作为神经网络的输入;设计隐层为50个节点;期望输出为杂波样本组相对应的形状参数值a。这样的一组输入和输出就构成一个样本组。
2b)设定隐层传递函数为双曲正切函数,输出层传递函数为线性函数,学习函数为梯度下降动量学习函数,误差函数为均方误差性能函数。
2c)选取70%的样本组进行训练,在训练时为实现快速收敛将样本组进行乱序训练,15%的样本组进行过拟合检验,另外15%样本组进行测试,完成神经网络的训练。
步骤3,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。
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X为:
X=[x1,x2,…,xi,…,xN],
其中xi表示第i个脉冲回波数据,N表示脉冲总数。
步骤4,获取当前杂波数据的功率信息,并将其按功率进行归一化。
4a)计算当前样本数据X的功率PX:
Px=|X|2=[|x1|2,|x2|2,…,|xi|2,…,|xN|2],
其中xi表示第i个回波数据,i=1,2,…,N,N表示脉冲数。PX服从K分布。
4b)对杂波功率PX进行归一化,得到功率归一化后的杂波幅度样本Y:
其中表示杂波功率的平均值,表示PX的第i个数据。
步骤5,如步骤(2)方法均匀提取雷达功率归一化海杂波幅度数据的25个分位点幅度值,将其带入训练完成的神经网络,得出估计的K分布海杂波形状参数值。
执行步骤1到步骤5,实现了基于神经网络的K分布海杂波形状参数估计,能够应用于小样本情况下对K分布海杂波形状参数进行稳健估计。
本发明创新的采用多个分位点幅度值作为神经网络的输入,有效的增加了对海杂波形状参数估计的稳健性。
下面结合仿真实验对本发明的效果做进一步说明:
实施例7
基于神经网络的K分布海杂波形状参数估计方法同实施例1-6
实验利用软件仿真对不同形状参数产生多组独立的K分布仿真杂波数据,在保证功率归一化的前提下的情况下对间隔为0.01范围是0.1-5的每个形状参数值产生10组杂波样本,每组3000个杂波幅度值构成一个幅度序列,这样就有4910个幅度序列作为杂波样本组可用于训练。
每组幅度序列内的元素进行从小到大的排序,得到多组顺序序列,对顺序序列进行序列划分,将其均匀的划分为26个子序列,若不能进行精准的划分,则默认第一个子序列中元素最少,并取前25个子序列中每个子序列的最后一个元素作为该分位点的值,依次取到25个分位点的幅度值作为神经网络的一组输入,而期望输出为该幅度序列对应的形状参数值,这样就可以得到4910个样本组。利用软件设定神经网络输入层25个节点,隐层50个节点且传递函数为双曲正切函数,输出层一个节点且传递函数为线性函数,选取样本组的70%乱序输入神经网络进行训练,15%的样本组进行过拟合检验,另外15%样本组进行测试,完成神经网络的训练,得到目标神经网络。
用仿真软件对不同形状参数产生多组独立的K分布仿真杂波数据,在保证功率归一化的前提下的情况下对间隔为0.1范围是0.15-4.95的每个形状参数值产生1000组杂波样本,每组3000个杂波幅度值。对每个形状参数的1000组分别像上述方法一样提取25个分位点幅度值带进目标神经网络估计出形状参数,并计算平均的相对均方根误差。与矩估计和最大似然估计形成如图2(a)的比较图。再向杂波样本中加入0.2%-2%的1-10倍幅值的异常样本用相同方法比较得到图2(b)。
仿真参数
仿真实验中采用仿真产生的K分布杂波数据。
仿真实验内容
仿真实验中分别采用本发明和矩估计以及最大似然估计方法对于仿真产生的K分布数据进行形状参数的估计,通过相对误差和均方根误差比较三种不同方法的估计效果。
仿真实验
实验1,使用Matlab中的gamrnd和randn函数产生不同形状参数下独立的K分布数据,在利用sort函数排序从而提取分位点幅度值,最后通过newff和train函数完成神经网络的训练。
实验2,使用Matlab中的gamrnd和randn函数产生不同形状参数下的K分布数据,分别使用本发明和矩估计以及最大似然估计K分布的参数进行估计,每个参数重复试验1000次,取其平均值为结果,试验中每组样本数为3000。
实验3,使用Matlab中的gamrnd和randn函数产生不同形状参数下的K分布数据,在加入0.1%-2%的1-10倍幅值的异常样本后分别使用本发明和矩估计以及最大似然估计K分布的参数进行估计,每个参数重复试验1000次,取其平均值为结果,试验中每组样本数为3000。
图2(a)表示三种不同的估计方法在无异常样本的小样本情况下估计的相对均方根误差变化曲线,其中横坐标表示参数取值,纵坐标表示相对均方根误差;
图2(b)表示三种不同的估计方法在存在异常样本的小样本情况下估计的相对均方根误差变化曲线,其中横坐标表示参数取值,纵坐标表示相对均方根误差;
对比图2两图可以看出,本发明在理想样本情况下得到的参数估计效果在形状参数为0.25-2.5时优于矩估计而且接近于最大似然估计,而在形状参数大于2.5时估计效果也能近似于矩估计。一般讲最大似然估计拥有最高的估计精度,但其估计效率太低且不抗异常样本。
重要的是本发明在异常样本情况下得到的参数估计效果不仅在形状参数大于0.15时优于矩估计方法,形状参数大于0.45时估计效果同样优于最大似然估计。而雷达在实际数据采集过程中无法有效避免异常样本,本发明使雷达在工程应用中体现更高的应用价值。
综上所述,本发明提出的基于神经网络的K分布海杂波形状参数估计方法,对存在异常样本的小样本杂波形状参数有很好的估计性能,同时计算高效,在网络训练完成后可以快速的只根据少量数据进行形状参数的估计。
简而言之,本发明公开了一种基于神经网络的K分布海杂波形状参数估计方法,主要解决当前K分布形状参数估计方法在存在异常样本的小样本情况下估计性能差的问题。其技术方案是:产生不同形状参数的理想K分布功率归一化海杂波幅度数据;均匀提取幅度序列的多个分位点幅度值作为输入并设计合适的神经网络结构对大量真实数据进行训练;获取现实雷达海杂波数据并进行功率归一化;应用已有神经网络,将数据的多个分位点幅度值带入得到形状参数估计值。本发明使用部分海杂波幅度特性,通过训练神经网络,提高了K分布海杂波形状参数估计方法在存在异常样本的小样本情况下的估计性能,同时本发明不需要对所有数据进行计算,效率远高于传统方法。主要应用于海况勘探、目标检测等领域。
Claims (4)
1.一种基于神经网络的K分布海杂波形状参数估计方法,其特征在于,包括有如下步骤:
(1)理想纯海杂波数据获取:保证功率归一化的情况下,利用仿真软件针对不同形状参数产生多组独立的K分布仿真杂波数据;
(2)训练神经网络:找到合适的输入以及神经网络结构,对神经网络进行训练,从每组独立的K分布仿真杂波数据中均匀提取25个分位点的杂波幅度值,将其作为输入层添加至神经网络,而输出层则为真实的海杂波形状参数,完成神经网络的训练;
(3)雷达获取数据:雷达发射机发射脉冲信号,用雷达接收机接收经过海面散射形成的回波数据,该回波数据的每个分辨单元中的回波序列X为:
X=[x1,x2,...,xi,...,xN],
其中xi表示第i个脉冲回波数据,i=1,2,...,N,N表示脉冲总数;
(4)数据归一化:获取当前杂波数据的功率信息,并将其按功率进行归一化,得到功率归一化序列Y:
Y=[y1,y2,…,yi,...,yN],
其中yi功率归一化后的第i个脉冲功率归一化回波幅度数据;
(5)用训练完成的神经网络进行雷达海杂波形状参数估计:如步骤(2)方法均匀提取功率归一化海杂波幅度数据的25个分位点幅度值,具体是将功率归一化雷达数据从小到大排序得到顺序序列,用顺序序列进行序列划分,将其均匀的划分为26个子序列,若不能进行精准的划分,则默认第一个子序列中元素最少,并取前25个子序列中每个子序列的最后一个元素作为该分位点的值,这样依次取到25个分位点的幅度值作为输入带入步骤(2)训练完成的神经网络,输出即为估计的K分布海杂波形状参数值。
2.如权利要求1所述的基于神经网络的K分布海杂波形状参数估计方法,其特征在于,步骤(1)中对于保证功率归一化的情况下,利用仿真软件对不同形状参数产生多组独立的K分布仿真杂波数据,包括有以下步骤:
1a)K分布的概率密度函数ρx表示为:
<mrow>
<msub>
<mi>&rho;</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>4</mn>
<mrow>
<msqrt>
<mi>b</mi>
</msqrt>
<mi>&Gamma;</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mi>x</mi>
<msqrt>
<mi>b</mi>
</msqrt>
</mfrac>
<mo>)</mo>
</mrow>
<mi>v</mi>
</msup>
<msub>
<mi>K</mi>
<mrow>
<mi>v</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mn>2</mn>
<mi>x</mi>
</mrow>
<msqrt>
<mi>b</mi>
</msqrt>
</mfrac>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中,v表示形状参数(v>0),b表示尺度参数(b>0),Kv(·)表示v阶第二类修正Bessel函数。
得到K分布功率E(x2)为:
E(x2)=vb;
1b)在的情况下对间隔为0.01范围是0.1-5的每个形状参数产生10组杂波样本,每组3000个杂波幅度值,杂波样本序列Z表示形式如下:
<mrow>
<msubsup>
<mi>Z</mi>
<mi>a</mi>
<mi>b</mi>
</msubsup>
<mo>=</mo>
<mo>&lsqb;</mo>
<msub>
<mi>z</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>z</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>z</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>z</mi>
<mn>3000</mn>
</msub>
<mo>&rsqb;</mo>
<mo>,</mo>
</mrow>
其中是以a为形状参数,b为组号的杂波样本序列,a表示形状参数,a=0.1,0.11,...,5,b表示组号,b=1,2,...,10,zi表示杂波幅度值,i=1,2,...,3000。
3.如权利要求1所述的基于神经网络的K分布海杂波形状参数估计方法,其特征在于,步骤(2)中对于提取分位点的杂波幅度值进行神经网络的训练,包括有以下步骤:
2a)将K分布仿真杂波数据中每组幅度序列内的元素进行从小到大的排序,得到多组顺序序列,对顺序序列进行序列划分,将其均匀的划分为26个子序列,若不能进行精准的划分,则默认第一个子序列中元素最少,并取前25个子序列中每个子序列的最后一个元素作为该分位点的值,这样依次取到25个分位点的幅度值作为神经网络的输入;设计隐层为50个节点;期望输出为杂波样本组相对应的形状参数值a,上述一组输入和输出就构成一个样本组;
2b)设定隐层传递函数为双曲正切函数,输出层传递函数为线性函数,学习函数为梯度下降动量学习函数,误差函数为均方误差性能函数;
2c)选取70%的样本组进行训练,在训练时为实现快速收敛将样本组进行乱序训练,15%的样本组进行过拟合检验,另外15%样本组进行测试,完成神经网络的训练。
4.如权利要求1所述的基于神经网络的K分布海杂波形状参数估计方法,其特征在于,步骤(4)中对于获取当前杂波数据的功率信息,并将其按功率进行归一化,包括有以下步骤:
4a)计算当前样本数据X的功率PX:
Px=|X|2=[|x1|2,|x2|2,...,|xi|2,...,|xN|2],
其中xi表示第i个回波数据,i=1,2,...,N,N表示脉冲数。PX服从K分布;
4b)对杂波功率PX进行归一化,得到功率归一化后的杂波幅度样本Y:
<mrow>
<mi>Y</mi>
<mo>=</mo>
<msqrt>
<mrow>
<msub>
<mi>P</mi>
<mi>X</mi>
</msub>
<mo>/</mo>
<msub>
<mover>
<mi>P</mi>
<mo>&OverBar;</mo>
</mover>
<mi>X</mi>
</msub>
</mrow>
</msqrt>
<mo>,</mo>
</mrow>
其中表示杂波功率的平均值,pXi表示PX的第i个数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710556839.7A CN107247259B (zh) | 2017-07-10 | 2017-07-10 | 基于神经网络的k分布海杂波形状参数估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710556839.7A CN107247259B (zh) | 2017-07-10 | 2017-07-10 | 基于神经网络的k分布海杂波形状参数估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107247259A true CN107247259A (zh) | 2017-10-13 |
CN107247259B CN107247259B (zh) | 2020-04-14 |
Family
ID=60013875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710556839.7A Active CN107247259B (zh) | 2017-07-10 | 2017-07-10 | 基于神经网络的k分布海杂波形状参数估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107247259B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108594190A (zh) * | 2018-04-20 | 2018-09-28 | 西安电子科技大学 | 一种高分辨海杂波的仿真方法 |
CN109001736A (zh) * | 2018-06-12 | 2018-12-14 | 中国人民解放军国防科技大学 | 一种基于深度时空预测神经网络的雷达回波外推方法 |
CN109063247A (zh) * | 2018-06-26 | 2018-12-21 | 西安工程大学 | 基于深度信念网络的滑坡灾害预报方法 |
CN109143196A (zh) * | 2018-09-25 | 2019-01-04 | 西安电子科技大学 | 基于k分布海杂波幅度模型的三分位点参数估计方法 |
CN109541566A (zh) * | 2018-12-20 | 2019-03-29 | 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 |
CN110275148A (zh) * | 2019-06-20 | 2019-09-24 | 中国人民解放军海军航空大学 | 一种海杂波幅度分布参数估计方法及系统 |
CN110851788A (zh) * | 2019-11-07 | 2020-02-28 | 北京工业大学 | 基于神经网络的超声背散射零差k模型参数估算方法 |
CN110879927A (zh) * | 2019-11-20 | 2020-03-13 | 中国海洋大学 | 一种用于海目标检测的海杂波幅度统计分布现场建模方法 |
CN111736127A (zh) * | 2020-06-11 | 2020-10-02 | 北京理工大学 | 面向未知海域海杂波的源域生成和分布参数泛化方法 |
JP2020180875A (ja) * | 2019-04-25 | 2020-11-05 | 三菱電機株式会社 | クラッタ学習装置及びクラッタ識別装置 |
CN111950198A (zh) * | 2020-08-10 | 2020-11-17 | 北京环境特性研究所 | 一种基于神经网络的地杂波仿真方法 |
CN113189561A (zh) * | 2021-06-16 | 2021-07-30 | 中国人民解放军火箭军工程大学 | 一种海杂波参数估计方法、系统、设备及存储介质 |
CN113269301A (zh) * | 2021-04-27 | 2021-08-17 | 北方工业大学 | 基于神经网络估计多目标跟踪系统参数的方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004063769A2 (en) * | 2003-01-06 | 2004-07-29 | Halliburton Energy Services, Inc. | Neural network training data selection using memory reduced cluster analysis for field model development |
CN104535981A (zh) * | 2015-01-21 | 2015-04-22 | 西安电子科技大学 | 海杂波Pareto幅度分布参数的双分位点估计方法 |
CN105550745A (zh) * | 2015-12-07 | 2016-05-04 | 河海大学 | 基于主动学习的madaline神经网络样本选择方法及系统 |
CN105699952A (zh) * | 2016-01-25 | 2016-06-22 | 西安电子科技大学 | 海杂波k分布形状参数的双分位点估计方法 |
CN106443627A (zh) * | 2016-09-23 | 2017-02-22 | 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 CN201710556839.7A patent/CN107247259B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004063769A2 (en) * | 2003-01-06 | 2004-07-29 | Halliburton Energy Services, Inc. | Neural network training data selection using memory reduced cluster analysis for field model development |
CN104535981A (zh) * | 2015-01-21 | 2015-04-22 | 西安电子科技大学 | 海杂波Pareto幅度分布参数的双分位点估计方法 |
CN105550745A (zh) * | 2015-12-07 | 2016-05-04 | 河海大学 | 基于主动学习的madaline神经网络样本选择方法及系统 |
CN105699952A (zh) * | 2016-01-25 | 2016-06-22 | 西安电子科技大学 | 海杂波k分布形状参数的双分位点估计方法 |
CN106443627A (zh) * | 2016-09-23 | 2017-02-22 | 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 |
Non-Patent Citations (4)
Title |
---|
MACHADO,JRF等: "Improved Shape Parameter Estimation in K Clutter with Neural Networks and Deep Learning", 《INTERNATIONAL JOURNAL OF INTERACTIVE MULTIMEDIA AND ARTIFICIAL INTELLIGENCE》 * |
刘云霞: "《数据预处理 数据归约的统计方法研究及应用》", 31 March 2011, 厦门大学出版社 * |
姜晓军等: "神经网络训练样本选取与优化的研究", 《第十七届全国测控计量仪器仪表学术年会论文集下册》 * |
石志广等: "K分布海杂波参数估计方法", 《信号处理》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108594190B (zh) * | 2018-04-20 | 2021-04-27 | 西安电子科技大学 | 一种高分辨海杂波的仿真方法 |
CN108594190A (zh) * | 2018-04-20 | 2018-09-28 | 西安电子科技大学 | 一种高分辨海杂波的仿真方法 |
CN109001736A (zh) * | 2018-06-12 | 2018-12-14 | 中国人民解放军国防科技大学 | 一种基于深度时空预测神经网络的雷达回波外推方法 |
CN109001736B (zh) * | 2018-06-12 | 2022-04-05 | 中国人民解放军国防科技大学 | 一种基于深度时空预测神经网络的雷达回波外推方法 |
CN109063247A (zh) * | 2018-06-26 | 2018-12-21 | 西安工程大学 | 基于深度信念网络的滑坡灾害预报方法 |
CN109063247B (zh) * | 2018-06-26 | 2023-04-18 | 西安工程大学 | 基于深度信念网络的滑坡灾害预报方法 |
CN109143196A (zh) * | 2018-09-25 | 2019-01-04 | 西安电子科技大学 | 基于k分布海杂波幅度模型的三分位点参数估计方法 |
CN109541566A (zh) * | 2018-12-20 | 2019-03-29 | 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 |
JP7143809B2 (ja) | 2019-04-25 | 2022-09-29 | 三菱電機株式会社 | クラッタ学習装置及びクラッタ識別装置 |
JP2020180875A (ja) * | 2019-04-25 | 2020-11-05 | 三菱電機株式会社 | クラッタ学習装置及びクラッタ識別装置 |
CN110275148A (zh) * | 2019-06-20 | 2019-09-24 | 中国人民解放军海军航空大学 | 一种海杂波幅度分布参数估计方法及系统 |
CN110851788B (zh) * | 2019-11-07 | 2023-04-07 | 北京工业大学 | 基于神经网络的超声背散射零差k模型参数估算方法 |
CN110851788A (zh) * | 2019-11-07 | 2020-02-28 | 北京工业大学 | 基于神经网络的超声背散射零差k模型参数估算方法 |
CN110879927A (zh) * | 2019-11-20 | 2020-03-13 | 中国海洋大学 | 一种用于海目标检测的海杂波幅度统计分布现场建模方法 |
CN110879927B (zh) * | 2019-11-20 | 2023-08-08 | 中国海洋大学 | 一种用于海目标检测的海杂波幅度统计分布现场建模方法 |
CN111736127A (zh) * | 2020-06-11 | 2020-10-02 | 北京理工大学 | 面向未知海域海杂波的源域生成和分布参数泛化方法 |
CN111950198A (zh) * | 2020-08-10 | 2020-11-17 | 北京环境特性研究所 | 一种基于神经网络的地杂波仿真方法 |
CN111950198B (zh) * | 2020-08-10 | 2024-02-02 | 北京环境特性研究所 | 一种基于神经网络的地杂波仿真方法 |
CN113269301A (zh) * | 2021-04-27 | 2021-08-17 | 北方工业大学 | 基于神经网络估计多目标跟踪系统参数的方法及系统 |
CN113269301B (zh) * | 2021-04-27 | 2023-08-08 | 北方工业大学 | 基于神经网络估计多目标跟踪系统参数的方法及系统 |
CN113189561A (zh) * | 2021-06-16 | 2021-07-30 | 中国人民解放军火箭军工程大学 | 一种海杂波参数估计方法、系统、设备及存储介质 |
CN113189561B (zh) * | 2021-06-16 | 2023-12-15 | 中国人民解放军火箭军工程大学 | 一种海杂波参数估计方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107247259B (zh) | 2020-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107247259A (zh) | 基于神经网络的k分布海杂波形状参数估计方法 | |
CN104459668B (zh) | 基于深度学习网络的雷达目标识别方法 | |
CN104535981B (zh) | 海杂波Pareto幅度分布参数的双分位点估计方法 | |
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 | |
CN110084195A (zh) | 基于卷积神经网络的遥感图像目标检测方法 | |
CN106940439B (zh) | 基于无线声传感器网络的k均值聚类加权声源定位方法 | |
CN107766668A (zh) | 一种基于神经网络的复杂仿真模型验证方法 | |
CN109471074A (zh) | 基于奇异值分解与一维cnn网络的雷达辐射源识别方法 | |
CN107688170A (zh) | 一种基于随机森林的雷达目标航迹起始方法 | |
CN104316914B (zh) | 依赖形状参数的雷达目标自适应检测方法 | |
CN104331583B (zh) | 一种基于实测海杂波数据的多重分形建模方法 | |
CN103954935A (zh) | 一种最小l1范数下的雷达信号分选方法 | |
CN109143196A (zh) | 基于k分布海杂波幅度模型的三分位点参数估计方法 | |
CN106443627A (zh) | 基于Bayesian的K分布海杂波形状参数估计方法 | |
CN105699952A (zh) | 海杂波k分布形状参数的双分位点估计方法 | |
CN110133599A (zh) | 基于长短时记忆模型的智能雷达辐射源信号分类方法 | |
CN104680178A (zh) | 基于迁移学习多吸引子细胞自动机的图像分类方法 | |
CN109032349A (zh) | 一种基于毫米波雷达的手势识别方法及系统 | |
CN106874950A (zh) | 一种暂态电能质量录波数据的识别分类方法 | |
CN103020709B (zh) | 基于人工蜂群和量子粒子群算法的一维水质模型参数率定方法 | |
CN105954731A (zh) | 冲击噪声下基于免疫布谷鸟搜索的双基地mimo雷达测向方法 | |
CN106067034A (zh) | 一种基于高维矩阵特征根的配电网负荷曲线聚类方法 | |
CN108957418A (zh) | 一种基于循环神经网络模型的雷达目标识别方法 | |
CN109508740A (zh) | 基于高斯混合噪声生成式对抗网络的物体硬度识别方法 | |
CN105389799A (zh) | 基于素描图与低秩分解的sar图像目标检测方法 |
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 |