CN110275148A - 一种海杂波幅度分布参数估计方法及系统 - Google Patents
一种海杂波幅度分布参数估计方法及系统 Download PDFInfo
- Publication number
- CN110275148A CN110275148A CN201910537230.4A CN201910537230A CN110275148A CN 110275148 A CN110275148 A CN 110275148A CN 201910537230 A CN201910537230 A CN 201910537230A CN 110275148 A CN110275148 A CN 110275148A
- Authority
- CN
- China
- Prior art keywords
- data
- parameter
- statistical
- sea clutter
- emulation
- 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
- G01S7/023—Interference mitigation, e.g. reducing or avoiding non-intentional interference with other HF-transmitters, base station transmitters for mobile communication or other radar systems, e.g. using electro-magnetic interference [EMI] reduction techniques
-
- 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
-
- 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
Abstract
本发明实施例提供一种海杂波幅度分布参数估计方法及系统。该方法包括获取海杂波幅度分布的实测数据;对实测数据进行幅度统计,得到实测概率数据;将实测概率数据输入至统计分布模型,得到统计分布模型输出的实测统计模型参数;其中统计分布模型是基于海杂波幅度分布的仿真训练数据和仿真训练数据对应的仿真统计模型参数进行训练得到的。本发明实施例提出使用深度学习的方法进行海杂波的参数估计,通过将实测数据进行处理得到实测概率数据,并基于仿真数据进行神经网络模型训练,再将实测概率数据输入至训练好的统计分布模型得到实测统计模型参数,其中模型训练可采用仿真数据离线进行,训练好的模型在处理实测数据时具有很好的实时性,参数估计精度高。
Description
技术领域
本发明涉及信号处理技术领域,尤其涉及一种海杂波幅度分布参数估计方法及系统。
背景技术
对于海面上雷达来说,海面对雷达的后向散射回波中不可避免的包含其他物体的散射信号,即海杂波。雷达作为目标探测的重要手段,主要是通过向空间发射特定信号,接收并处理目标回波信号实现。传输过程中,不可避免的会产生各种干扰,降低雷达的检测性能。海杂波与雷达的工作频率、极化方式、周围环境的温度、风向等因素密切相关,强海杂波信号对有用信号产生严重干扰,因此,海杂波在很大程度上影响了雷达对海上目标的检测能力。
海杂波幅度分布特性认知方面,瑞利模型是最早应用的海杂波模型之一,主要适用于中等或较高掠射角条件下低分辨率雷达海杂波的幅度分布建模,高分辨率海杂波偏离瑞利模型,表现为尖峰和拖尾的增强,低掠射角下更为明显。为了提高模型的拟合准确度,一些双参数或三参数非高斯模型,如对数正态、韦布尔、K分布、GK分布等,在海杂波幅度分布建模中得到应用,在解决拖尾问题上,仍然缺乏体系化的建模方法。由于不同雷达参数及海洋环境参数条件下海杂波幅度分布特性存在较大差异,且不同模型在动态范围、拖尾程度上各异,因此目前不存在一个通用的模型形式来概括已有的幅度分布模型。海杂波谱特性认知方面,由于海面状态和天线扫描调制以及雷达平台运动等因素的影响,海杂波谱将产生多普勒频移。谱特征分析可以辅助特征域目标检测方法设计,提取和筛选出一系列能够区分海杂波单元与目标单元的差异特征,通过特征抽取和特征筛选将海杂波映射到低维特征空间,并在特征空间中选取一个能包含大多数海杂波特征向量的区域,以便有效分离目标和海杂波的回波特征,实现目标检测的目的。这些模型中的参数,通常采用数理统计的方法进行估计,其主要局限性在于,单次参数估计均需以大样本实测数据输入为支撑,这不利于海杂波模型参数的在线实时估计,而且在多参数条件下,通过统计优化方法得到的估计结果容易陷入局部最优解,导致建模准确度下降。
因此,在海杂波幅度分布参数估计领域亟需提出一种精度较高,具有实时性的参数估计方法。
发明内容
本发明实施例提供一种海杂波幅度分布参数估计方法及系统,用以解决现有技术中针对数理统计参数估计方法的非实时性和局限性,导致参数估计准确度下降的问题。
第一方面,本发明实施例提供一种海杂波幅度分布参数估计方法,包括:
获取海杂波幅度分布的实测数据;
对所述实测数据进行幅度统计,得到实测概率数据;
将所述实测概率数据输入至统计分布模型,得到所述统计分布模型输出的海杂波的实测统计模型参数;其中所述统计分布模型是基于海杂波幅度分布的仿真训练数据和所述仿真训练数据对应的仿真统计模型参数进行训练得到的。
其中,所述统计分布模型包括多个参数统计子模型,每一所述参数统计子模型对应一个参数;
对应地,所述将所述实测概率数据输入至统计分布模型,得到所述统计分布模型输出的海杂波的实测统计模型参数,具体包括:
将所述实测概率数据输入至所述统计分布模型中的任一参数对应的参数统计子模型中,获取所述任一参数对应的参数统计子模型输出的所述实测统计模型参数。
其中,所述将所述实测概率数据输入至统计分布模型,得到所述统计分布模型输出的海杂波的实测统计模型参数,之前还包括:
获取仿真数据;
对所述仿真数据进行幅度统计,得到仿真概率数据,其中所述仿真概率数据包括仿真训练数据和仿真测试数据;
对所述仿真训练数据进行数理统计估计处理,得到仿真统计模型参数;
基于所述仿真训练数据与所述仿真训练数据对应的仿真统计模型参数,训练所述统计分布模型。
其中,所述基于所述仿真训练数据与所述仿真训练数据对应的仿真统计模型参数,训练所述统计分布模型,具体包括:
将所述仿真训练数据输入所述统计分布模型,得到统计分布结果;
获取所述仿真统计模型参数与所述统计分布结果之间的误差;
根据随机梯度下降法计算权重衰减值,重复训练过程,直至所述误差和所述权重衰减值低于预设值。
其中,所述获取仿真数据,包括:
获取历史实测数据,采用数理统计方法对所述历史实测数据进行估计,得到估计结果;
对所述估计结果进行范围选取,得到待估计参数取值范围;
将所述待估计参数取值范围进行离散化,划分成若干个等分区间的离散数值,按照所述离散数值生成对应的所述仿真数据。
其中,所述幅度统计是基于直方图统计法处理的。
其中,所述数理统计包括对数正态分布和/或K分布。
第二方面,本发明实施例提供一种海杂波幅度分布参数估计系统,包括:
获取模块,用于获取海杂波幅度分布的实测数据;
实测数据处理模块,用于对所述实测数据进行幅度统计,得到实测概率数据;
参数估计处理模块,用于将所述实测概率数据输入至统计分布模型,得到所述统计分布模型输出的海杂波的实测统计模型参数,其中所述统计分布模型是基于海杂波幅度分布的仿真数据和所述仿真数据对应的仿真统计模型参数进行训练得到的。
第三方面,本发明实施例提供一种电子设备,包括:
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现任一项所述一种海杂波幅度分布参数估计方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现任一项所述一种海杂波幅度分布参数估计方法的步骤。
本发明实施例提供的一种海杂波幅度分布参数估计方法及系统,通过将实测数据进行处理得到实测概率数据,并基于仿真数据进行神经网络模型训练,再将实测概率数据输入至训练好的统计分布模型得到实测统计模型参数,其中模型训练可采用仿真数据离线进行,训练好的模型在处理实测数据时具有很好的实时性,参数估计精度高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种海杂波幅度分布参数估计方法流程图;
图2为本发明实施例提供的神经网络模型示意图;
图3为本发明实施例提供的统计分布模型生成的训练流程图;
图4为本发明实施例提供的实测海杂波数据参数估计整体流程图;
图5为本发明实施例提供的一种海杂波幅度分布参数估计系统结构图;
图6为本发明实施例提供的电子设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
现有技术一般采用数理统计参数估计方法,该方法具有一定的局限性和不利于模型的在线实时估计,导致估计参数精度下降,因此,本发明提出了一种海杂波幅度分布参数估计方法。
图1为本发明实施例提供的一种海杂波幅度分布参数估计方法流程图,如图1所示,包括:
S1,获取海杂波幅度分布的实测数据;
在进行参数估计处理之前,首先获取大量的海杂波真实的实测数据样本,作为原始输入的待估计参数。
S2,对所述实测数据进行幅度统计,得到实测概率数据;
然后对获取的实测数据样本进行幅度统计处理,进一步得到海杂波幅度统计的实测概率数据。
S3,将所述实测概率数据输入至统计分布模型,得到所述统计分布模型输出的海杂波的实测统计模型参数;其中所述统计分布模型是基于海杂波幅度分布的仿真训练数据和所述仿真训练数据对应的仿真统计模型参数进行训练得到的。
再将得到的实测概率数据输入至预先训练好的统计分布模型,最终得到由统计分布模型输出的海杂波的实测统计模型参数。
本发明实施例通过将实测数据进行处理得到实测概率数据,并基于仿真数据进行神经网络模型训练,再将实测概率数据输入至训练好的统计分布模型得到实测统计模型参数,其中模型训练可采用仿真数据离线进行,训练好的模型在处理实测数据时具有很好的实时性,参数估计精度高。
在上述实施例基础上,所述统计分布模型包括多个参数统计子模型,每一所述参数统计子模型对应一个参数;
对应地,所述将所述实测概率数据输入至统计分布模型,得到所述统计分布模型输出的海杂波的实测统计模型参数,具体包括:
将所述实测概率数据输入至所述统计分布模型中的任一参数对应的参数统计子模型中,获取所述任一参数对应的参数统计子模型输出的所述实测统计模型参数。
具体地,在统计分布模型训练过程中,一个神经网络模型对应一个海杂波幅度分布的参数,即一个参数对应统计分布模型的一个参数统计子模型,设定一个神经网络训练一个参数,则训练多个网络对应多个参数,能得到与参数一一对应训练好的网络模型。单个神经网络的训练过程与常规的神经网络相同,即根据批尺寸N,输入前述的训练数据(一次性输入N条仿真数据),比较损失函数是否达到预设值,若达到预设值,则训练完成;若未达到预设值,则继续输入新的数据进行训练。一个参数对应一个网络模型,即每个幅度分布模型都包含一个、两个或多个参数,每个参数都对应着采用一个专用的神经网络,假设有2个模型(共4个参数),则共对应并行训练4个神经网络,每个神经网络对应其中一个参数,神经网络模型示意图参见图2。
完成上述训练过程后,将实测概率数据输入至统计分布模型中的任一参数对应的参数统计子模型中,得到任一参数对应的参数统计子模型输出的实测统计模型参数。
在上述实施例基础上,图3为本发明实施例提供的统计分布模型生成的训练流程图,如图3所示,所述将所述实测概率数据输入至统计分布模型,得到所述统计分布模型输出的海杂波的实测统计模型参数,之前还包括:
101,获取所述仿真数据;
102,对所述仿真数据进行幅度统计,得到仿真概率数据,其中所述仿真概率数据包括仿真训练数据和仿真测试数据;
103,基于所述仿真训练数据与所述仿真训练数据对应的仿真统计模型参数,训练所述统计分布模型。
具体地,先构建数据集,即生成海杂波幅度的仿真数据,再对生成的仿真数据进行幅度统计处理,选取合适的区间大小,一般是取输入数据的幅度最大值和最小值之间的区间范围和将幅值数据划分的数值范围,一般至少应取20以上,得到海杂波幅度统计的仿真概率数据,将其构造为仿真训练数据和仿真测试数据两个部分,基于仿真训练数据和对应的仿真统计模型参数,来训练统计分布模型。
在上述实施例基础上,其中的所述基于所述仿真训练数据与所述仿真训练数据对应的仿真统计模型参数,训练所述统计分布模型,具体包括:
将所述仿真训练数据输入所述统计分布模型,得到统计分布结果;
获取所述仿真统计模型参数与所述统计分布结果之间的误差;
根据随机梯度下降法计算权重衰减值,重复训练过程,直至所述误差和所述权重衰减值低于预设值。
具体地,训练统计分布模型的过程为,将仿真训练数据输入至统计分布模型,得到统计分布结果,再比较仿真统计模型参数和得到的统计分布结果之间的误差值,采用每个样本标签的平均偏差进行评估,偏差计算公式为:
其中n为数据的总数量,Li为数理统计方法估计结果后得到的仿真统计模型参数,Llabel为实际标签(为得到统计分布结果数据时的参数)。
具体的训练流程为,使用随机梯度下降法(Stochastic Gradient Descent,以下简称SGD)进行训练神经网络,例如设置其中的学习率初始值为0.1,动量为0.9,权重衰减(weight decay)为10-4。将经过处理的海杂波幅度统计仿真概率数据作为多层全连接神经网络的输入数据,经过多层全连接神经网络处理,获得当前训练进度下海杂波幅度仿真数据对应的统计分布模型(如前述的对数正态分布、K分布等)的模型参数,计算神经网络输出的模型参数与模型参数真实值之间的误差,并根据SGD方法同步计算权重衰减值。若误差趋于稳定,则将学习率值除以10,再输入经过处理的海杂波幅度统计概率数据对网络进行训练,重复上述训练过程,直至误差稳定且权重衰减低于预设值时,这里预设值设为10-4,完成模型训练。
在上述实施例基础上,所述获取海杂波幅度分布的仿真数据,包括:
获取历史实测数据,采用数理统计方法对所述历史实测数据进行估计,得到估计结果;
对所述估计结果进行范围选取,得到待估计参数取值范围;
将所述待估计参数取值范围进行离散化,划分成若干个等分区间的离散数值,按照所述离散数值生成对应的所述仿真数据。
具体地,仿真数据是基于获取的大量历史实测数据进行处理后得到的,这是因为真实的海杂波实测数据不存在真实的标签,无法进行有监督学习的训练过程,故本发明采用仿真数据进行训练神经网络模型。具体地,仍采用数理统计方法对获取的历史实测数据进行处理,然后在海杂波幅度分布模型中选取待估计的参数,例如K分布的形状因子参数等,根据大量实测数据估计该选取的参数,去除数理统计估计方法得到的参数估值中过大或者过小的估计值,例如设所有参数的构成随机数集合的均值为μ,标准差为σ,若参数的某个估计值x,满足|x-μ|>3σ,即认为是过大或过小的值,得到该参数的取值范围,并以此范围作为模型测试的参数取值范围。选取参数范围时要考虑训练时间等问题,不能选取参数范围过大,否则会出现过多不同参数组合的训练数据,或者训练参数离散化后跨度过大,导致神经网络拟合效果下降。将选取的参数范围离散化,即将整个区间等分,例如划分成10~30个等分区间的数值,并按照这些离散的数值生成对应的海杂波幅度的仿真数据。该步骤需要注意的是,如果要估计多个参数,应使用多个参数不同数值的组合训练网络,以使网络拥有对一个参数的估计不受其他参数影响的效果。
在本发明实施例中多次用到数理统计方法进行数据处理,需要说明的是,数理统计方法是经典的参数估计方法,在本发明中处理实测数据部分的作用是:确定海杂波统计分布模型的参数的取值大约在什么范围内,如仅从数据公式角度确定参数取值范围,这个取值范围会特别大,产生仿真数据的工作量会极其巨大,难以完成。实际上海杂波的统计分布模型参数是有一个大约范围的,这是有海杂波的物理意义决定的。使用这个方法作为辅助手段,给出这个大约范围,目的是根据实际应用背景来避免生成无用的训练数据。
在上述实施例基础上,所述幅度统计是基于直方图统计法处理的。
本发明实施例中涉及的对实测数据进行幅度统计以及对仿真数据进行幅度统计,都是采用直方图统计法进行处理的,直方图是数值数据分布的精确图形表示,是一个连续变量的概率分布的估计,也是一种常用的统计处理方法
另外,所述数理统计包括对数正态分布、K分布、瑞利分布、韦布尔分布、GK分布、KK分布和WW分布。
具体地,本发明实施例中使用的数理统计方法,包括如下方法:
1、对数正态分布:
对数正态分布、K分布是较为常用的非高斯幅度分布模型。其中,对数正态分布模型的概率密度函数(PDF)为:
其中,μ是尺度参数,表示分布的中位数,σ是形状参数,表示分布的倾斜程度。模型的参数估计方法为:
2、K分布
K分布模型的概率密度函数表达式为:
其中,v为形状参数,表示海杂波的拖尾程度,b为尺度参数,与海杂波功率水平有关,Kv-1(·)为v-1阶第二类修正Bessel函数。
K分布的累积概率分布函数为:
其n阶矩为:
由于K分布不是初等函数,多标签(Multi Label,以下简称ML)方法很难处理,对K分布参数估计已提出多种方法。本文主要采用基于二阶和四阶矩的矩估计方方法。
对于K分布的矩,可以得到比值:
是一个只与形状参数有关的量,由此方程就可得到v的估计,再代入任何一个矩中就得到α的估计。基于二阶和四阶矩的方法:取m=2可得到求v的解析式:
这种方法不需要数值求解,计算简单,是最常用的方法。但由于使用了较高阶的矩,对数据要求较高,如要求杂噪比高、样本数多等。
本发明使用的数据统计方法不限于上述两种统计方法,也可采用如前所述的其他方法得到数理统计结果。
图4为本发明实施例提供的实测海杂波数据参数估计整体流程图,如图4所示,包括:
201,获取海杂波历史实测数据;
202,使用经典数理方法估计海杂波幅度分布的实测数据,得到估计结果;
203,选取估计结果对应的测试参数范围,并将参数范围离散化,得到仿真数据;
204,将实测数据和仿真数据进行幅度统计,得到实测概率数据和仿真概率数据;
205,使用仿真概率数据训练统计分布模型;
206,将实测概率数据输入至统计分布模型;
207,得到海杂波实测统计模型参数。
上述流程详细呈现了海杂波实测数据参数估计的完整流程,从初始获取原始的实测数据开始,对实测数据进行一系列的处理得到仿真数据,并基于得到的仿真数据进行模型训练,得到统计分布模型,然后用处理后的实测数据进行模型测试,得到最后的模型统计参数。
本发明实施例通过将实测数据进行处理得到实测概率数据,并基于仿真数据进行神经网络模型训练,再将实测概率数据输入至训练好的统计分布模型得到实测统计模型参数,其中模型训练可采用仿真数据离线进行,训练好的模型在处理实测数据时具有很好的实时性,参数估计精度高。
图5为本发明实施例提供的一种海杂波幅度分布参数估计系统结构图,如图5所示,包括:获取模块51、实测数据处理模块52和参数估计处理模块53;其中:
获取模块51用于获取海杂波幅度分布的实测数据;实测数据处理模块52用于对所述实测数据进行幅度统计,得到实测概率数据;参数估计处理模块53用于将所述实测概率数据输入至统计分布模型,得到所述统计分布模型输出的海杂波的实测统计模型参数;其中所述统计分布模型是基于海杂波幅度分布的仿真训练数据和所述仿真训练数据对应的仿真统计模型参数进行训练得到的。
具体地,首先由获取模块51获取大量的海杂波真实的实测数据样本,作为原始输入的待估计参数,再由实测数据处理模块52对获取的实测数据样本进行幅度统计处理,进一步得到海杂波幅度统计的实测概率数据,参数估计处理模块53再将得到的实测概率数据输入至预先训练好的统计分布模型,最终得到由统计分布模型输出的海杂波的实测统计模型参数
本发明实施例提供的系统用于执行上述对应的方法,其具体的实施方式与方法的实施方式一致,涉及的算法流程与对应的方法算法流程相同,此处不再赘述。
本发明实施例的训练过程采用仿真数据离线进行,数据量不受限制,且对应的标签明确,离线训练不受实时性限制,训练好的模型在处理实测数据时具有很好的实时性,可以在线处理实测数据,相比于传统的数理统计方法,参数估计精度更高。
图6示例了一种电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行如下方法:获取海杂波幅度分布的实测数据;对所述实测数据进行幅度统计,得到实测概率数据;将所述实测概率数据输入至统计分布模型,得到所述统计分布模型输出的海杂波的实测统计模型参数;其中所述统计分布模型是基于海杂波幅度分布的仿真训练数据和所述仿真训练数据对应的仿真统计模型参数进行训练得到的。
此外,上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法,例如包括:获取海杂波幅度分布的实测数据;对所述实测数据进行幅度统计,得到实测概率数据;将所述实测概率数据输入至统计分布模型,得到所述统计分布模型输出的海杂波的实测统计模型参数;其中所述统计分布模型是基于海杂波幅度分布的仿真训练数据和所述仿真训练数据对应的仿真统计模型参数进行训练得到的。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种海杂波幅度分布参数估计方法,其特征在于,包括:
获取海杂波幅度分布的实测数据;
对所述实测数据进行幅度统计,得到实测概率数据;
将所述实测概率数据输入至统计分布模型,得到所述统计分布模型输出的海杂波的实测统计模型参数;其中所述统计分布模型是基于海杂波幅度分布的仿真训练数据和所述仿真训练数据对应的仿真统计模型参数进行训练得到的。
2.根据权利要求1所述的一种海杂波幅度分布参数估计方法,其特征在于,所述统计分布模型包括多个参数统计子模型,每一所述参数统计子模型对应一个参数;
对应地,所述将所述实测概率数据输入至统计分布模型,得到所述统计分布模型输出的海杂波的实测统计模型参数,具体包括:
将所述实测概率数据输入至所述统计分布模型中的任一参数对应的参数统计子模型中,获取所述任一参数对应的参数统计子模型输出的所述实测统计模型参数。
3.根据权利要求1所述的一种海杂波幅度分布参数估计方法,其特征在于,所述将所述实测概率数据输入至统计分布模型,得到所述统计分布模型输出的海杂波的实测统计模型参数,之前还包括:
获取仿真数据;
对所述仿真数据进行幅度统计,得到仿真概率数据,其中所述仿真概率数据包括仿真训练数据和仿真测试数据;
基于所述仿真训练数据与所述仿真训练数据对应的仿真统计模型参数,训练所述统计分布模型。
4.根据权利要求3所述的一种海杂波幅度分布参数估计方法,其特征在于,所述基于所述仿真训练数据与所述仿真训练数据对应的仿真统计模型参数,训练所述统计分布模型,具体包括:
将所述仿真训练数据输入所述统计分布模型,得到统计分布结果;
获取所述仿真统计模型参数与所述统计分布结果之间的误差;
根据随机梯度下降法计算权重衰减值,重复训练过程,直至所述误差和所述权重衰减值低于预设值。
5.根据权利要求3所述的一种海杂波幅度分布参数估计方法,其特征在于,所述获取仿真数据,包括:
获取历史实测数据,采用数理统计方法对所述历史实测数据进行估计,得到估计结果;
对所述估计结果进行范围选取,得到待估计参数取值范围;
将所述待估计参数取值范围进行离散化,划分成若干个等分区间的离散数值,按照所述离散数值生成对应的所述仿真数据。
6.根据权利要求1或3所述的一种海杂波幅度分布参数估计方法,其特征在于,所述幅度统计是基于直方图统计法处理的。
7.根据权利要求3或5所述的一种海杂波幅度分布参数估计方法,其特征在于,所述数理统计包括对数正态分布、K分布、瑞利分布、韦布尔分布、GK分布、KK分布和WW分布。
8.一种海杂波幅度分布参数估计系统,其特征在于,包括:
获取模块,用于获取海杂波幅度分布的实测数据;
实测数据处理模块,用于对所述实测数据进行幅度统计,得到实测概率数据;
参数估计处理模块,用于将所述实测概率数据输入至统计分布模型,得到所述统计分布模型输出的海杂波的实测统计模型参数,其中所述统计分布模型是基于海杂波幅度分布的仿真数据和所述仿真数据对应的仿真统计模型参数进行训练得到的。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述一种海杂波幅度分布参数估计方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述一种海杂波幅度分布参数估计方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910537230.4A CN110275148B (zh) | 2019-06-20 | 2019-06-20 | 一种海杂波幅度分布参数估计方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910537230.4A CN110275148B (zh) | 2019-06-20 | 2019-06-20 | 一种海杂波幅度分布参数估计方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110275148A true CN110275148A (zh) | 2019-09-24 |
CN110275148B CN110275148B (zh) | 2021-08-27 |
Family
ID=67961261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910537230.4A Active CN110275148B (zh) | 2019-06-20 | 2019-06-20 | 一种海杂波幅度分布参数估计方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110275148B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110941908A (zh) * | 2019-12-02 | 2020-03-31 | 中国船舶重工集团公司第七一九研究所 | 一种基于核密度估计的海杂波分布建模方法 |
CN111026626A (zh) * | 2019-11-29 | 2020-04-17 | 中国建设银行股份有限公司 | Cpu消耗量预估、预估模型训练方法及装置 |
CN111241663A (zh) * | 2020-01-02 | 2020-06-05 | 北京航天测控技术有限公司 | 发动机数据评估方法、装置、计算机设备和存储介质 |
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 |
CN111830479A (zh) * | 2020-07-09 | 2020-10-27 | 中国人民解放军海军航空大学 | 雷达回波双分量混合幅度分布模型参数估计方法及装置 |
CN111899324A (zh) * | 2020-07-16 | 2020-11-06 | 中国人民解放军海军航空大学 | 一种动态红外海面生成方法及软件系统和产品 |
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 |
CN113065221A (zh) * | 2021-02-10 | 2021-07-02 | 北京理工大学 | 大擦地角下海杂波模型、模型构建系统以及模拟仿真方法 |
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 |
CN113343630A (zh) * | 2021-06-25 | 2021-09-03 | 海光信息技术股份有限公司 | 建模方法及建模装置、电子设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101806887A (zh) * | 2010-03-19 | 2010-08-18 | 清华大学 | 基于空间跟踪滤波器的海杂波抑制和目标检测方法 |
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 |
CN104749564A (zh) * | 2015-04-10 | 2015-07-01 | 西安电子科技大学 | 海杂波Weibull幅度分布参数的多分位点估计方法 |
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 |
CN105738880A (zh) * | 2016-03-03 | 2016-07-06 | 西安电子科技大学 | 逆高斯纹理复合高斯海杂波幅度分布参数的矩估计方法 |
CN106199537A (zh) * | 2016-06-29 | 2016-12-07 | 西安电子科技大学 | 基于逆高斯纹理海杂波幅度分布参数的分位点估计方法 |
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 |
CN107167781A (zh) * | 2017-03-31 | 2017-09-15 | 西安电子科技大学 | 海杂波幅度对数正态分布参数的分位点估计方法 |
CN107247259A (zh) * | 2017-07-10 | 2017-10-13 | 西安电子科技大学 | 基于神经网络的k分布海杂波形状参数估计方法 |
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 |
-
2019
- 2019-06-20 CN CN201910537230.4A patent/CN110275148B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101806887A (zh) * | 2010-03-19 | 2010-08-18 | 清华大学 | 基于空间跟踪滤波器的海杂波抑制和目标检测方法 |
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 |
CN104749564A (zh) * | 2015-04-10 | 2015-07-01 | 西安电子科技大学 | 海杂波Weibull幅度分布参数的多分位点估计方法 |
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 |
CN105738880A (zh) * | 2016-03-03 | 2016-07-06 | 西安电子科技大学 | 逆高斯纹理复合高斯海杂波幅度分布参数的矩估计方法 |
CN106199537A (zh) * | 2016-06-29 | 2016-12-07 | 西安电子科技大学 | 基于逆高斯纹理海杂波幅度分布参数的分位点估计方法 |
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 |
CN107167781A (zh) * | 2017-03-31 | 2017-09-15 | 西安电子科技大学 | 海杂波幅度对数正态分布参数的分位点估计方法 |
CN107247259A (zh) * | 2017-07-10 | 2017-10-13 | 西安电子科技大学 | 基于神经网络的k分布海杂波形状参数估计方法 |
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 |
Non-Patent Citations (2)
Title |
---|
周智敏 等: "《超宽带地表穿透成像雷达》", 31 March 2013, 国防工业出版社 * |
张鹏: "《基于Java 3D的虚拟现实技术研究与实践》", 31 August 2017, 苏州大学出版社 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111026626A (zh) * | 2019-11-29 | 2020-04-17 | 中国建设银行股份有限公司 | Cpu消耗量预估、预估模型训练方法及装置 |
CN110941908A (zh) * | 2019-12-02 | 2020-03-31 | 中国船舶重工集团公司第七一九研究所 | 一种基于核密度估计的海杂波分布建模方法 |
CN110941908B (zh) * | 2019-12-02 | 2023-04-21 | 中国船舶重工集团公司第七一九研究所 | 一种基于核密度估计的海杂波分布建模方法 |
CN111241663A (zh) * | 2020-01-02 | 2020-06-05 | 北京航天测控技术有限公司 | 发动机数据评估方法、装置、计算机设备和存储介质 |
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 |
CN111830479B (zh) * | 2020-07-09 | 2023-03-07 | 中国人民解放军海军航空大学 | 雷达回波双分量混合幅度分布模型参数估计方法及装置 |
CN111830479A (zh) * | 2020-07-09 | 2020-10-27 | 中国人民解放军海军航空大学 | 雷达回波双分量混合幅度分布模型参数估计方法及装置 |
CN111899324A (zh) * | 2020-07-16 | 2020-11-06 | 中国人民解放军海军航空大学 | 一种动态红外海面生成方法及软件系统和产品 |
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 |
CN113065221A (zh) * | 2021-02-10 | 2021-07-02 | 北京理工大学 | 大擦地角下海杂波模型、模型构建系统以及模拟仿真方法 |
CN113065221B (zh) * | 2021-02-10 | 2023-02-17 | 北京理工大学 | 大擦地角下海杂波模型、模型构建系统以及模拟仿真方法 |
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 |
CN113343630A (zh) * | 2021-06-25 | 2021-09-03 | 海光信息技术股份有限公司 | 建模方法及建模装置、电子设备及存储介质 |
CN113343630B (zh) * | 2021-06-25 | 2023-09-05 | 海光信息技术股份有限公司 | 建模方法及建模装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110275148B (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110275148A (zh) | 一种海杂波幅度分布参数估计方法及系统 | |
KR101958674B1 (ko) | 시퀀스 재귀 필터링 3차원 변분(3d-var) 기반의 실측 해양 환경 데이터 동화방법 | |
CN111965632B (zh) | 一种基于黎曼流形降维的雷达目标检测方法 | |
CN104318593B (zh) | 一种雷达海杂波的仿真方法和系统 | |
CN112070357A (zh) | 一种基于改进bp神经网络的雷达辐射源威胁评估方法 | |
CN110472268A (zh) | 一种桥梁监测数据模态识别方法及装置 | |
CN113189561B (zh) | 一种海杂波参数估计方法、系统、设备及存储介质 | |
CN110659825A (zh) | 银行网点多学习器的现钞需求量预测方法和装置 | |
CN110889207B (zh) | 一种基于深度学习的体系组合模型可信度智能评估方法 | |
Cresswell et al. | The effects of temporally autocorrelated data on methods of home range analysis | |
CN111461923A (zh) | 一种基于深度卷积神经网络的窃电监测系统和方法 | |
CN102697491B (zh) | 心电图特征波形识别方法和系统 | |
CN113780346A (zh) | 一种先验约束分类器调整方法、系统及可读存储介质 | |
CN108509864A (zh) | 一种确定光纤入侵事件类型的方法及装置 | |
CN107656251A (zh) | 一种基于改进入侵杂草优化算法的智能雷达海杂波预报系统及方法 | |
CN108038082A (zh) | 基于TwIST的二维核磁共振谱的反演方法和装置 | |
CN113255839B (zh) | 基于隐马尔可夫模型的目标检测模型的搜索方法 | |
Sakai et al. | Transition of chaotic motion to a limit cycle by intervention of economic policy: an empirical analysis in agriculture | |
CN112419098B (zh) | 基于安全信息熵的电网安全稳定仿真样本筛选扩充方法 | |
CN106772306B (zh) | 一种目标物的检测方法及服务器 | |
CN107942303A (zh) | 一种基于改进人工蜂群算法的智能雷达海杂波预报系统及方法 | |
Dornelles et al. | Artificial neural network methods applied to forecasting river levels | |
CN114139601A (zh) | 一种对电力巡检场景人工智能算法模型的评估方法及系统 | |
CN111736127B (zh) | 面向未知海域海杂波的源域生成和分布参数泛化方法 | |
CN111967276A (zh) | 翻译质量评估方法及装置、电子设备、存储介质 |
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 |