CN110879927A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110879927A CN110879927A CN201911140966.4A CN201911140966A CN110879927A CN 110879927 A CN110879927 A CN 110879927A CN 201911140966 A CN201911140966 A CN 201911140966A CN 110879927 A CN110879927 A CN 110879927A
- Authority
- CN
- China
- Prior art keywords
- model
- parameter
- neural network
- distribution
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明公开了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。该方法包括:获取训练好的神经网络模型,神经网络模型包括瑞丽分布神经网络模型、威布尔分布神经网络模型、对数正太分布神经网络模型以及K分布神经网络模型中的多种;采集现场海杂波幅度数据,得到海杂波幅度PDF曲线,记为现场PDF曲线;将现场PDF曲线输入各神经网络模型,得到各理论模型的估计参数;将各组估计参数分别输入相对应的理论模型,确定各理论模型对应的PDF曲线,记为理论PDF曲线;选取与现场PDF曲线均方误差最小的理论PDF曲线所对应的理论模型和估计参数作为估计现场海杂波幅度分布的模型和模型参数。
Description
技术领域
本发明涉及海上目标检测技术领域,特别是涉及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。
背景技术
海杂波是雷达照射在海面的散射回波。对海工作时的雷达目标检测性能主要依赖于海杂波的统计特性分布。一般的,海杂波统计分布特性将主要受以下四个方面参数的影响,雷达参数:发射频率、极化、带宽等;测量几何参数:擦地角、方位角等;海浪参数:如浪高、浪向、浪周期等;气象参数:如风速、风向等。由于影响参数众多,可以设想其映射关系将是极其复杂的。海杂波幅度统计分布是雷达对海目标检测的重要依据之一。除上述多因素和复杂关系之外,海面结构的时变性和非平稳性也决定了海杂波幅度统计分布函数的复杂性。因此,通过海杂波现场快速建模方法而获得实时海杂波幅度统计分布是一条有效解决问题的途径。传统海杂波建模方法是人工建立四种模型,并依次对四种模型进行参数估计,这种方式效率低、工作重复率高、经验依赖性强,无法实现快速而准确的实现对目标的检测。
发明内容
本发明的目的是提供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,能够对海杂波幅度的分布进行现场快速而准确的建模,实现对海目标快速而准确的检测。
为实现上述目的,本发明提供了如下方案:
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,包括:
获取训练好的神经网络模型,所述神经网络模型包括瑞丽分布神经网络模型、威布尔分布神经网络模型、对数正太分布神经网络模型以及K分布神经网络模型中的多种;所述瑞丽分布神经网络模型为以海杂波幅度的PDF曲线为输入,以瑞丽分布理论模型的参数为输出的神经网络模型,所述威布尔分布神经网络模型为以海杂波幅度的PDF曲线为输入,以威布尔分布理论模型的参数为输出的神经网络模型,所述对数正太分布神经网络模型为以海杂波幅度的PDF曲线为输入,以对数正太分布理论模型的参数为输出的神经网络模型,所述K分布神经网络模型为以海杂波幅度的PDF曲线为输入,以K分布理论模型的参数为输出的神经网络模型;
采集现场海杂波幅度数据,得到海杂波幅度PDF曲线,记为现场PDF曲线;
将所述现场PDF曲线输入各所述神经网络模型,得到各理论模型的估计参数;
将各组估计参数分别输入相对应的理论模型,确定各所述理论模型对应的PDF曲线,记为理论PDF曲线;
选取与所述现场PDF曲线均方误差最小的理论PDF曲线所对应的理论模型和估计参数作为估计现场海杂波幅度分布的模型和模型参数。
可选的,各所述神经网络模型并行完成对输入的所述现场PDF曲线的参数估计。
可选的,所述神经网络模型的训练方法包括:
确定理论模型中参数的取值范围;
在所述取值范围内选择参数的取值,并根据所述理论模型和所述参数的取值确定对应的PDF曲线,将所述PDF曲线作为样本数据,将所述参数的取值作为标签,构建训练样本集;
采用所述训练样本集对神经网络进行训练,得到神经网络模型;
获取测试PDF曲线,并将所述测试PDF曲线输入所述神经网络模型,得到理论模型的估计参数;
将所述估计参数代入所述理论模型,得到所述理论模型对应的理论PDF曲线;
根据理论PDF曲线与测试PDF曲线的均方误差调整标签的取值间隔,重新构建训练样本集,并对神经网络模型进行重新训练,直至理论PDF曲线与测试PDF曲线的均方误差小于设定阈值时停止训练样本集的重新构建。
可选的,在构建训练样本集时,不同的区间范围上所述标签的取值间隔不同。
可选的,在所述采集现场海杂波幅度数据之后,还包括:对所述海杂波幅度数据进行规范化处理,根据规范化处理后的海杂波幅度数据确定海杂波幅度PDF曲线。
可选的,在得到所述模型参数之后,还包括:根据规范化时海杂波幅度的缩小倍数,对所述模型参数进行还原。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供的用于海目标检测的海杂波幅度统计分布现场建模方法,采用训练好的神经网络模型对现场海杂波幅度的PDF曲线进行模型参数估计,此处训练好的神经网络模型可以包括瑞丽分布神经网络模型、威布尔分布神经网络模型、对数正太分布神经网络模型以及K分布神经网络模型中的多种,将估计得到的参数分别代入对应的理论模型,得到各理论模型对应的海杂波幅度的理论PDF曲线,此处的理论模型为与训练好的神经网络模型相对性的理论模型:瑞丽分布理论模型、威布尔分布理论模型、对数正太分布理论模型以及K分布理论模型中的多种。最后,选取与现场海杂波幅度的PDF曲线均方误差最小的理论PDF曲线所对应的理论模型和估计参数作为估计现场海杂波幅度分布的模型和模型参数。本发明无需进行现场建模,也无需进行现场人工参数估计,节约了时间,提高了效率,而且,采用神经网络模型估算参数,不再依赖人工经验,使估算结果更加的客观,提高了参数的客观准确性。采用该模型以及模型参数对现场海杂波分布进行预测,并从海目标检测数据中去除预测得到的海杂波数据,提高了海目标检测的效率和准确度。
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,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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为本发明实施例中用于海目标检测的海杂波幅度统计分布现场建模方法流程图;
图2为本发明实施例中神经网络模型训练方法流程图;
图3为本发明实施例中海杂波幅度统计分布模型参数提取方法的流程图;
图4(a)与图4(b)分别为本发明实施例中威布尔分布尺度参数与形状参数变化对PDF误差的影响图;
图5(a)与图5(b)分别为本发明实施例中对数正态分布尺度参数与形状参数变化对PDF误差的影响图;
图6(a)与图6(b)分别为本发明实施例中K分布尺度参数与形状参数变化对PDF误差的影响图;
图7为本发明实施例中瑞利分布参数变化对误差的影响图;
图8(a)、8(b)、8(c)和8(d)分布为本发明实施例中用于训练瑞丽分布神经网络模型、对数正太分布神经网络模型、威布尔分布神经网络模型以及K分布神经网络模型的概率密度曲线图;
图9为本发明实施例中对IPIX波段数据的预测结果图;
图10为本发明实施例中对P波段数据的预测结果图;
图11为本发明实施例中对S波段数据的预测结果图。
具体实施方式
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,所描述的实施例仅仅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做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。
本发明的目的是提供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,能够对海杂波幅度的分布进行现场快速而准确的建模,进而实现对海目标快速而准确的检测。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供的用于海目标检测的海杂波幅度统计分布现场建模方法包括以下步骤:
步骤101:获取训练好的神经网络模型,所述神经网络模型包括瑞丽分布神经网络模型、威布尔分布神经网络模型、对数正太分布神经网络模型以及K分布神经网络模型中的多种;所述瑞丽分布神经网络模型为以海杂波幅度的PDF曲线为输入,以瑞丽分布理论模型的参数为输出的神经网络模型,所述威布尔分布神经网络模型为以海杂波幅度的PDF曲线为输入,以威布尔分布理论模型的参数为输出的神经网络模型,所述对数正太分布神经网络模型为以海杂波幅度的PDF曲线为输入,以对数正太分布理论模型的参数为输出的神经网络模型,所述K分布神经网络模型为以海杂波幅度的PDF曲线为输入,以K分布理论模型的参数为输出的神经网络模型;也就是说,训练好的神经网络模型使得各理论模型不同参数下的PDF(概率密度函数)曲线与参数一一对应。
步骤102:采集现场海杂波幅度数据,得到海杂波幅度PDF曲线,记为现场PDF曲线。
步骤103:将所述现场PDF曲线输入各所述神经网络模型,得到各理论模型的估计参数。
步骤104:将各组估计参数分别输入相对应的理论模型,确定各所述理论模型对应的PDF曲线,记为理论PDF曲线。
步骤105:选取与所述现场PDF曲线均方误差最小的理论PDF曲线(即拟合度最优的PDF曲线)所对应的理论模型和估计参数作为估计现场海杂波幅度分布的模型和模型参数。
在得到用于估计现场海杂波幅度分布的模型和模型参数之后,利用该模型以及模型参数对现场的海杂波幅度分布进行预测,并从检测到的海目标数据中除去预测得到的海杂波数据,得到去躁后的海目标数据。
在上述实施例中,各所述神经网络模型并行完成对输入的所述现场PDF曲线的参数估计,也就是说,各神经网络模型是同时对输入的现场PDF曲线进行参数估计的。
在上述实施例中,步骤101中的各理论模型的具体描述如下:
瑞利分布模型:
其中,x为自变量,也就是海杂波幅度数据,σ为需要估计的模型参数,瑞利分布多用于低分辨率雷达海杂波数据的建模。
威布尔分布模型:
威布尔分布模型建模过程中所需估计的参数包括两个:形状参数σ,尺度参数μ。x为自变量。
对数正态分布模型:
对数正态分布多用于高分辨率雷达的情况下,海面环境较差的海杂波数据。其中,形状参数σ与尺度参数μ为需要估计的模型参数,x为自变量。
K分布模型:
b为K分布模型的尺度参数,v为模型中的形状参数,Kv-1(·)为v-1阶第二类贝塞尔函数,x为自变量。
在上述实施例中,在步骤103,不同于现有技术中采用数值估计的方法,本发明提出了用概率密度曲线进行分布模型参数估计的方法,提高了参数预测的准确度与参数预测效率,具体描述如下:
设有n组PDF数据X,每组数据为m个离散点,可以表示为在训练与预测过程中,将PDF作为输入数据,输入到神经网络中,m个离散点对应神经网络输入层的m个节点。经过神经网络计算后,所预测的形状参数与尺度参数可以表示为θi∈(θ1,θ2)。
在上述实施例中,步骤105通过实测数据的PDF与预测的四种模型的结果做均方误差(MSE)计算,取MSE误差最小,拟合度最优的分布模型作为输出结果。具体过程描述如下:
在经过步骤103的预测得到瑞利分布、威布尔分布、对数正态分布和K分布四种分布模型的参数之后,通过步骤101中PDF理论模型公式计算PDF值,四种分布模型的PDF值表示为Pt∈(PR,PW,PL,PK),实测海杂波的PDF值表示为Ps,将各分布模型的PDF值分别与实测PDF值做MSE计算,MSE计算公式表示如下:
MSE=E(Pt-Ps)2
四种模型计算得到的PDF误差可以表示为e∈(eR,eW,eL,eK),取误差最小者所属的模型作为最终预测模型。
在上述实施例中,各神经网络模型采用以下训练方法获得,如图2所示:
步骤201:确定理论模型中参数的取值范围;可以采用最大似然估计或者矩估计界定出四种分布模型的参数范围θi∈(θimin,θimax),i=1,2,以用作产生训练样本集数据时参数数值范围的选择。为保证训练分布模型PDF的精度一致,需考虑参数增量(即后续步骤中所述的参数取值间隔)对PDF误差的影响,通过调节参数精度,修正训练PDF误差。
步骤202:在所述取值范围内选择参数的取值,并根据所述理论模型和所述参数的取值确定对应的海杂波幅度PDF曲线,将各理论模型不同参数下的PDF(概率密度函数)曲线与参数一一对应,以所述PDF曲线作为样本数据,以所述参数的取值作为标签,构建训练样本集。在该步骤中,可以先对样本数据即海杂波幅度数据进行规则化处理,之后,再计算其PDF曲线,该步骤等价于归一化了PDF维数以保证数据的可比较性。
步骤203:采用所述训练样本集对神经网络进行训练,得到神经网络模型;该步骤中的神经网络可以采用没有递归模块的Pyrenn神经网络,可以将其设置为无反馈方式。网络节点数可以分别设置为[100,60,20,2/1],最后一层的节点数取决于输出参数的个数。如瑞利分布只有一个需要预测的参数,网络尾部节点为1;而韦布尔分布、对数正态分布与K分布有两个需要预测的参数,网络尾部节点为2。
步骤204:获取测试PDF曲线,并将所述测试PDF曲线输入所述神经网络模型,得到理论模型的估计参数;
步骤205:将所述估计参数代入所述理论模型,得到所述理论模型对应的理论PDF曲线;
步骤206:根据理论PDF曲线与测试PDF曲线的均方误差调整标签的取值间隔,重新构建训练样本集,并对神经网络模型进行重新训练,直至理论PDF曲线与测试PDF曲线的均方误差小于设定阈值时停止训练样本集的重新构建,以确定参数(即标签)的最佳取值间隔,得到最终用于训练神经网络模型的样本集。所述最佳间隔的形式可以为:在不同的区间范围上参数的取值间隔不同,比如,瑞利分布理论模型中的参数σ在区间[1,3]内的采样间隔小于参数σ在其它区间的采样间隔;威布尔分布理论模型中,参数σ在区间[5,10]内的采样间隔小于参数σ在其它区间的采样间隔;参数μ在区间[0,5]内的采样间隔小于参数μ在其它区间的采样间隔;对数正态分布理论模型中,参数σ在区间[0,5]内的采样间隔小于参数σ在其它区间的采样间隔,参数μ在区间[1,5],[8,11],[13,15]内的采样间隔小于参数μ在其它区间的采样间隔;K分布理论模型中,参数v在区间[0,5]内的采样间隔小于参数v在其它区间的采样间隔,参数b在区间[0,5]内的采样间隔小于参数b在其它区间的采样间隔。
在上述实施例中,如果对海杂波幅度数据进行了规范化处理,那么,在最后得到现场海杂波的幅度分布模型和模型参数后,还可以对所述模型参数进行还原,计算出原始幅度上的分布模型参数。具体方式可以如下:
当幅度变为原来的n倍时
1)、针对K分布,形状参数v保持不变,尺度参数b:
2)、针对瑞利分布,参数变为原来的n倍:
σnew=nσold
3)、针对威布尔分布,尺度参数μ变为原来的n倍,形状参σ保持不变:
μnew=nμold
4)、针对对数正态分布,尺度参数μ增加ln(n),形状参数σ不变:
μnew=μold+ln(n)
下面以示例的方式对本发明进行解释说明:
如图3所示,(1)以四个网络模块对应于四种海杂波幅度统计分布理论模型,通过神经网络训练使得各模型不同参数下的PDF(概率密度函数)曲线与参数一一对应;(2)将现场实测数据的PDF曲线同时输入四个训练后神经网络,得到每个模型对输入PDF的参数;(3)将现场实测数据的PDF曲线同时与(2)所得到四种模型和参数的PDF曲线比较,选择误差最小者作为建模系统的模型和参数输出;(4)通过复原计算方法,计算出原始幅度上的分布参数及其PDF曲线。
在得到原始海杂波数据后,进入步骤(1),通过最大似然法与矩估计法估计出分布模型参数范围,因为最大似然法与矩估计法虽然是数值估计,受限于数据量,但是在参数范围估计方面仍然比较实用,下表为所用IPIX数据、P波段数据、S波段数据所估计出的参数范围。
表一IPIX各模型参数范围
分布参数 | MIN | MAX | 区间个数 |
瑞利分布参数 | 0.248229193 | 1.832962761 | 500 |
对数正态分布均值参数 | -1.961364785 | 0.384262145 | 50 |
对数正态分布方差参数 | 0.466751429 | 1.193648176 | 100 |
韦布尔分布尺度参数 | 0.220739957 | 2.226511904 | 50 |
韦布尔分布形状参数 | 0.810968826 | 1.59268486 | 100 |
K分布尺度参数 | 0.077049269 | 2.185700891 | 100 |
K分布形状参数 | 0.133764182 | 1.263608893 | 100 |
表二P波段和S波段的各模型参数范围:
分布参数 | P波段 | S波段 | 区间个数 |
瑞利分布参数 | [0.20,3.05] | [2.49,30.08] | 10000 |
对数正态分布均值参数 | [-1.60,1.60] | [1.00,3.48] | 100 |
对数正态分布方差参数 | [0.59,0.77] | [0.48,0.71] | 5000 |
韦布尔分布尺度参数 | [0.28,4.25] | [3.44,42.99] | 50 |
韦布尔分布形状参数 | [1.24,2.13] | [1.33,2.17] | 10000 |
K分布尺度参数 | [0.23,49.02] | [0.002,1.80] | 100 |
K分布形状参数 | [0.40,98.04] | [0.51,98.43] | 5000 |
具体操作步骤如下:
针对瑞利分布、韦布尔分布、对数正态分布进行参数范围估计可用最大似然方法:
θ∈(θmin,θmax)
其中,θmax=max(θj),θmin=min(θj),θj由不同的数据根据求导后的似然公式解得,然后在根据概率分布公式生成概率密度曲线:P(x)∈(p(θmin),p(θmax))
针对复合K分布采用1/2阶矩的方法,具体步骤为:
根据复合K分布的分布模型可以得到其矩表达式为
所以复合K分布的参数范围可以表示为V∈(vmin,vmax),B∈(bmin,bmax),所以生成的K分布概率密度曲线可以表示为P(x)∈(p(vmin,bmin),p(vmax,bmax))
分析尺度参数b和形状参数v对各个分布模型PDF的影响,来确定产生数据时的参数间隔大小。将参数b,v等分50份,表示固定横坐标参数,随着纵坐标参数的变化,相邻分布模型PDF均方误差的变化情况。具体分析如下:
图4(a)、图4(b)分别表示随着尺度参数b和形状参数v的变化,威布尔分布PDF均方误差变化。从图4(a)可以看出,曲面趋势一致,随着参数v的增大,PDF均方误差在逐渐增大,随着参数b的增大,PDF均方误差在逐渐减小;从图4(b)可以看出,PDF均方误差受参数v的影响较大,随着参数v的增大,PDF均方误差变化更明显,随着参数b的增大,PDF均方误差在逐渐减小。总体而言,PDF均方误差受形状参数影响较大,为保证训练模型PDF精度一致,需将两参数的前部分的精度加大。
图5(a)、图5(b)分别表示随着尺度参数b和形状参数v的变化,对数正态分布PDF均方误差变化。从图5(a)可以看出,随着参数v的增大,PDF均方误差在逐渐减小,PDF均方误差主要集中在[0,10],而随着参数b的增大,PDF均方误差的变化变得多样,在部分点处会出现“峰谷”。说明在部分点处,PDF均方误差的变化对参数b的变化不敏感;图5(b)与图5(a)相似。总体而言,PDF尺度参数b影响较大,随着参数v的增大,PDF均方误差在逐渐减小,而随着参数b的变化,PDF均方误差出现了跳跃式的变化,所以为保证训练PDF的精度,需要将参数v的前部分的精度加大;对于参数b,需要将在图5(a)出现“峰顶”处的参数b精度加大。
图6(a)、图6(b)分别表示随着尺度参数b和形状参数v的变化,K分布PDF均方误差变化。从图6(a)可以看出,随着参数b的增大,PDF均方误差在逐渐减小,PDF均方误差主要集中在[0,5];图6(b)可以看出,随着参数v的增大,PDF均方误差在逐渐减小,PDF均方误差主要集中在[0,5]。总体而言,PDF受尺度参数v影响较大,随着两个参数的增大,PDF均方误差在逐渐减小,所以为保证训练PDF的精度,需要将参数的前部分的精度加大。
瑞利分布的参数范围为[1,30],将参数等分10份,各部分pdf均方误差比例如图7所示。从图中可以看出,均方误差主要集中在[1,3],为保证训练pdf的精度,将[1,3]范围内的参数精度加大。
如图8所示,是本发明中所用到的部分生成训练数据。
得到分布参数范围后,通过四种分布模型生成对应的概率密度曲线,然后用于训练神经网络,LM算法是本发明采用的梯度更新算法。
训练完神经网络之后,进入步骤(2),将实际海杂波数据的概率密度曲线输入到神经网络中,其特征在于,不同于之前所采用数值估计的方法,本发明是通过概率密度曲线直接预测各个分布模型的参数,提高了效率。简化计算公式可以表示为:
θ=f(X)
其中,θ为分布模型的参数,f为训练好的神经网络,X为实际海杂波的概率密度曲线曲线,该网络的梯度更新算法为LM算法,网络节点数分别为[100,60,20,2/1],最后一层的节点数取决于要预测的参数,瑞利分布只有一个需要预测的参数,网络尾部节点为1;而韦布尔分布、对数正态分布与K分布有两个需要预测的参数,网络尾部节点为2。
在经过神经网络的预测之后,得到四个分布模型的预测结果,进入步骤(3),通过MSE进行拟合优度检验,得到最优拟合模型。
下一步进入步骤(4)通过复原计算,计算出最优拟合模型在原始幅度上的参数,计算公式如下:
当幅度变为原来的n倍时
1)、针对K分布,形状参数v保持不变,尺度参数b:
2)、针对瑞利分布,参数变为原来的n倍:
σnew=nσold
3)、针对威布尔分布,尺度参数μ变为原来的n倍,形状参σ保持不变:
μnew=nμold
4)、针对对数正态分布,尺度参数μ增加ln(n),形状参数σ不变:
μnew=μold+ln(n)
经过本发明所预测的IPIX雷达数据,P波段、S波段数据的模型分别如图9、图10和图11所示,图9中虚线为现场海杂波的实际PDF曲线,图9中的星划线为采用本发明提供的建模方法预测得到的结果:采用K分布理论模型进行现场海杂波的估计,图9中圈划线为采用传统的方法(最大似然估计)得到的预测结果:采用威布尔分布理论模型进行现场海杂波的估计。图10中虚线为现场海杂波的实际PDF曲线,图10中的星划线为采用本发明提供的建模方法预测得到的结果:采用K分布理论模型进行现场海杂波的估计,图10中圈划线为采用传统的方法(最大似然估计)得到的预测结果:采用K分布理论模型进行现场海杂波的估计。图11中虚线为现场海杂波的实际PDF曲线,图11中的星划线为采用本发明提供的建模方法预测得到的结果:采用威布尔分布理论模型进行现场海杂波的估计,图11中圈划线为采用传统的方法(最大似然估计)得到的预测结果:采用威布尔分布理论模型进行现场海杂波的估计。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种用于海目标检测的海杂波幅度统计分布现场建模方法,其特征在于,包括:
获取训练好的神经网络模型,所述神经网络模型包括瑞丽分布神经网络模型、威布尔分布神经网络模型、对数正太分布神经网络模型以及K分布神经网络模型中的多种;所述瑞丽分布神经网络模型为以海杂波幅度的PDF曲线为输入,以瑞丽分布理论模型的参数为输出的神经网络模型,所述威布尔分布神经网络模型为以海杂波幅度的PDF曲线为输入,以威布尔分布理论模型的参数为输出的神经网络模型,所述对数正太分布神经网络模型为以海杂波幅度的PDF曲线为输入,以对数正太分布理论模型的参数为输出的神经网络模型,所述K分布神经网络模型为以海杂波幅度的PDF曲线为输入,以K分布理论模型的参数为输出的神经网络模型;
采集现场海杂波幅度数据,得到海杂波幅度PDF曲线,记为现场PDF曲线;
将所述现场PDF曲线输入各所述神经网络模型,得到各理论模型的估计参数;
将各组估计参数分别输入相对应的理论模型,确定各所述理论模型对应的PDF曲线,记为理论PDF曲线;
选取与所述现场PDF曲线均方误差最小的理论PDF曲线所对应的理论模型和估计参数作为估计现场海杂波幅度分布的模型和模型参数。
2.根据权利要求1所述的用于海目标检测的海杂波幅度统计分布现场建模方法,其特征在于,各所述神经网络模型并行完成对输入的所述现场PDF曲线的参数估计。
3.根据权利要求1所述的用于海目标检测的海杂波幅度统计分布现场建模方法,其特征在于,所述神经网络模型的训练方法包括:
确定理论模型中参数的取值范围;
在所述取值范围内选择参数的取值,并根据所述理论模型和所述参数的取值确定对应的PDF曲线,将所述PDF曲线作为样本数据,将所述参数的取值作为标签,构建训练样本集;
采用所述训练样本集对神经网络进行训练,得到神经网络模型;
获取测试PDF曲线,并将所述测试PDF曲线输入所述神经网络模型,得到理论模型的估计参数;
将所述估计参数代入所述理论模型,得到所述理论模型对应的理论PDF曲线;
根据理论PDF曲线与测试PDF曲线的均方误差调整标签的取值间隔,重新构建训练样本集,并对神经网络模型进行重新训练,直至理论PDF曲线与测试PDF曲线的均方误差小于设定阈值时停止训练样本集的重新构建。
4.根据权利要求3所述的用于海目标检测的海杂波幅度统计分布现场建模方法,其特征在于,在构建训练样本集时,不同的区间范围上所述标签的取值间隔不同。
9.根据权利要求1所述的用于海目标检测的海杂波幅度统计分布现场建模方法,其特征在于,在所述采集现场海杂波幅度数据之后,还包括:对所述海杂波幅度数据进行规范化处理,根据规范化处理后的海杂波幅度数据确定海杂波幅度PDF曲线。
10.根据权利要求9所述的用于海目标检测的海杂波幅度统计分布现场建模方法,其特征在于,在得到所述模型参数之后,还包括:根据规范化时海杂波幅度的缩小倍数,对所述模型参数进行还原。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911140966.4A CN110879927B (zh) | 2019-11-20 | 2019-11-20 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911140966.4A CN110879927B (zh) | 2019-11-20 | 2019-11-20 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110879927A true CN110879927A (zh) | 2020-03-13 |
CN110879927B CN110879927B (zh) | 2023-08-08 |
Family
ID=69729920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911140966.4A Active CN110879927B (zh) | 2019-11-20 | 2019-11-20 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110879927B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113723253A (zh) * | 2021-08-23 | 2021-11-30 | 西安电子科技大学 | 基于杂波预分类的运动目标检测方法 |
CN115327504A (zh) * | 2022-07-04 | 2022-11-11 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于测量条件参数的海杂波幅度分布无类型化预测方法 |
CN115327504B (zh) * | 2022-07-04 | 2024-05-10 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于测量条件参数的海杂波幅度分布无类型化预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
-
2019
- 2019-11-20 CN CN201911140966.4A patent/CN110879927B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
Non-Patent Citations (1)
Title |
---|
宋莹: "海杂波幅度分布模型的研究" * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN113723253A (zh) * | 2021-08-23 | 2021-11-30 | 西安电子科技大学 | 基于杂波预分类的运动目标检测方法 |
CN115327504A (zh) * | 2022-07-04 | 2022-11-11 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于测量条件参数的海杂波幅度分布无类型化预测方法 |
CN115327504B (zh) * | 2022-07-04 | 2024-05-10 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于测量条件参数的海杂波幅度分布无类型化预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110879927B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109597043B (zh) | 基于量子粒子群卷积神经网络的雷达信号识别方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN110309603B (zh) | 一种基于风速特性的短期风速预测方法及系统 | |
CN112686464A (zh) | 短期风电功率预测方法及装置 | |
CN111310968A (zh) | 一种基于互信息的lstm神经网络循环水文预报方法 | |
CN110381523B (zh) | 一种基于tvf-emd-lstm模型的蜂窝基站网络流量预测方法 | |
CN110879927A (zh) | 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 | |
CN109145516B (zh) | 一种基于改进型极限学习机的模拟电路故障识别方法 | |
CN108435819B (zh) | 一种铝型材挤压机能耗异常检测方法 | |
CN110067696B (zh) | 一种风电机组载荷确定方法、装置、设备及可读存储介质 | |
CN114006369B (zh) | 区域风光场站功率联合预测方法、装置、电子设备和存储介质 | |
CN112116198A (zh) | 数据驱动的流程工业状态感知网络关键节点筛选方法 | |
CN111695290A (zh) | 一种适用于变化环境下的短期径流智能预报混合模型方法 | |
CN114363195A (zh) | 面向时间和频谱残差卷积网络的网络流量预测预警方法 | |
CN107688863A (zh) | 自适应迭代加强的短期风速高精度组合预测方法 | |
CN115796059A (zh) | 一种基于深度学习的电气设备寿命预测方法及系统 | |
CN115015719A (zh) | 一种基于光纤超声传感信号的套管局部放电识别算法 | |
CN116609440B (zh) | 基于云边协同的建筑工程质量智能验收管理方法及系统 | |
CN117421994A (zh) | 一种边缘应用健康度的监测方法和监测系统 | |
CN111291481B (zh) | 一种基于贝叶斯模型的结构预警分析方法 | |
CN110633516B (zh) | 一种电子器件性能退化趋势的预测方法 | |
CN115936062A (zh) | 基于场景生成与深度学习的光伏功率日前区间预测方法 | |
CN112329535B (zh) | 基于cnn的电力系统低频振荡模态特征的快速辨识方法 | |
CN114298300A (zh) | 不确定度预测方法、装置、电子设备及存储介质 | |
CN113051809A (zh) | 一种基于改进受限玻尔兹曼机的虚拟健康因子构建方法 |
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 |