CN111381216B - 混合分布的雷达海杂波分析方法及装置 - Google Patents
混合分布的雷达海杂波分析方法及装置 Download PDFInfo
- Publication number
- CN111381216B CN111381216B CN202010161790.7A CN202010161790A CN111381216B CN 111381216 B CN111381216 B CN 111381216B CN 202010161790 A CN202010161790 A CN 202010161790A CN 111381216 B CN111381216 B CN 111381216B
- Authority
- CN
- China
- Prior art keywords
- sea clutter
- probability density
- density function
- distribution
- parameter set
- 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
Images
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
Abstract
本发明公开了一种混合分布的雷达海杂波分析方法及装置,涉及信号处理技术领域,该方法包括:获取雷达海杂波数据;获得目标概率密度函数;确定目标概率密度函数中的各个参数,并建立雷达海杂波数据的分析模型;根据分析模型,获得雷达海杂波数据的统计特性。由于目标概率密度函数是根据第一分布模型所对应的第一概率密度函数以及第二分布模型所对应的第二概率密度函数确定的,而第一分布模型可以很好地描述高分辨率低擦地角对海探测场景中海杂波的重拖尾特性,第二分布模型可以精细地刻画雷达海杂波的回波幅度,采用上述方法建立的海杂波分析模型不仅数学复杂度较低,也具有更加精确的拟合效果,进一步提高了该模型的实用性和适用性。
Description
技术领域
本发明涉及信号处理技术领域,更具体地,涉及一种混合分布的雷达海杂波分析方法及装置。
背景技术
雷达在进行目标探测时,可以借助自身接收到的目标回波定位目标。但是,雷达接收到的回波信号中,不仅包含目标回波,同时也包含来自目标周围的干扰物产生的电磁回波。通常,这些来自干扰物的回波被称为雷达杂波,其中,海杂波就是由海洋背景所造成的雷达杂波。对于工作于海洋环境的雷达来说,严重的海杂波将影响对海面目标的检测与跟踪性能。因此,只有建立准确、合理的杂波模型,才能掌握海杂波的性质,进而改善雷达性能。
相关技术中,KA分布模型和KK分布模型是最为常用的海杂波分析模型。其中,KA分布将离散海尖峰信号单独建模为Class A模型,并且考虑了海面大量小散射体形成的复合高斯随机过程。但是,KA分布模型不存在闭合的数学表达式,其概率密度函数需要通过数值计算,增加了应用的复杂性。
KK分布模型为两个单一K分布的混合,一个用于描述海面布拉格/白帽散射,另一个用于描述海尖峰。KK分布模型的概率密度曲线有更大的拖尾,因而能更好的拟合海杂波的拖尾区域。然而,KK分布模型中存在伽马函数及第二类贝塞尔函数,导致了KK分布模型的参数估计复杂,难以直接求解具体的参数值,而采用数值方法解模型参数存在局部收敛的问题,所以KK分布模型的在实际工程中不实用。
可见,如何降低海杂波分析模型的数学复杂度,使其更好的应用于实际工程,是本领域急需解决的技术问题。
发明内容
本发明提供了一种混合分布的雷达海杂波分析方法及装置,不仅对重拖尾数据具有更好的拟合效果,也有效降低了海杂波数据分析模型的数学复杂度,大大提高了该分析模型的适用性。
第一方面,本发明提供一种混合分布的雷达海杂波分析方法,方法包括:
获取雷达海杂波数据;雷达海杂波数据中包含多个海杂波随机序列;
获得目标概率密度函数;目标概率密度函数根据第一分布模型所对应的第一概率密度函数以及第二分布模型所对应的第二概率密度函数确定;其中,第一分布模型用于描述雷达海杂波的拖尾现象,第二分布模型用于描述雷达海杂波的回波幅度;
确定目标概率密度函数中的各个参数,并建立雷达海杂波数据的分析模型;
根据分析模型,获得雷达海杂波数据的统计特性。
可选地,获得目标概率密度函数的步骤,包括:
按照预设权重,将第一分布模型所对应的第一概率密度函数与第二分布模型所对应的第二概率密度函数进行加权,得到目标概率密度函数。
可选地,第一分布模型为对数正态Lognormal分布模型,第二分布模型为帕累托Pareto(IV)分布模型;预设权重包括第一预设权重以及第二预设权重;
目标概率密度函数为:
f(x)=k1·PDF1+k2·PDF2;
式中,k1、k2分别表示第一预设权重和第二预设权重,且k1+k2=1;PDF1表示Lognormal分布的第一概率密度函数,PDF2表示Pareto(IV)分布的第二概率密度函数;
其中:
式中,x表示每个海杂波随机序列中的幅度变化量,σs为形状参数,μ为尺度参数;
式中,x表示每个海杂波随机序列中的幅度变化量,α表示尺度参数,δ为形状参数,σ为每个海杂波随机序列中的幅度变化量的均值。
可选地,确定目标概率密度函数中的各个参数,并建立雷达海杂波数据的分析模型的步骤,包括:
针对目标概率密度函数,分别初始化第一概率密度函数中的各个参数,以及第二概率密度函数中的各个参数,获得第一初始参数集合和第二初始参数集合;
根据第一/二概率密度函数和第一/二初始参数集合,计算每个海杂波随机序列在第一/二初始参数集合下的第一/二概率密度函数值;
将第一/二初始参数集合作为第一/二聚类中心,将第一/二概率密度函数值作为每个海杂波随机序列与第一/二聚类中心之间的第一/二距离,并比较第一距离与第二距离,根据比较结果对每个海杂波随机序列进行分类;
根据海杂波随机序列的分类结果,更新第一预设权重及第二预设权重;
计算Lognormal分布的矩估计值和Pareto(IV)分布的极大似然估计值,对第一/二初始参数集合中的各个参数进行更新,得到第一/二参数集合;
判断更新后的第一/二参数集合是否满足收敛条件;如果否,则将更新后的第一/二参数集合作为第一/二初始参数集合,并返回根据第一/二概率密度函数和第一/二初始参数集合,计算每个海杂波随机序列在第一/二初始参数集合下的第一/二概率密度函数值的步骤;
如果是,则将第一参数集合和第二参数集合中的各个参数确定为最终的建模参数。
可选地,比较第一距离与第二距离,根据比较结果对每个海杂波随机序列进行分类的步骤,包括:
判断第一距离是否大于第二距离;如果是,则将海杂波随机序列归类至第一聚类中心对应的分布簇;
如果否,则将海杂波随机序列归类至第二聚类中心对应的分布簇。
可选地,按照如下公式更新第一预设权重和第二预设权重:
k1=w1/w;
k2=w2/w;
其中,w1表示第一聚类中心对应的分布簇中海杂波随机序列的个数,w表示第二聚类中心对应的分布簇中海杂波随机序列的个数,w表示雷达海杂波数据中海杂波随机序列的总个数。
可选地,判断更新后的第一/二参数集合是否满足收敛条件的步骤,包括:
根据第一参数集合和第二参数集合,计算Lognormal-Pareto(IV)分布的第一最大似然函数估计值;
获取上一次迭代时的第一参数集合以及上一次迭代时的第二参数集合,计算Lognormal-Pareto(IV)分布的第二最大似然函数估计值;
计算第一最大似然函数估计值与第二最大似然函数估计值的差值;
判断差值是否小于等于预设阈值;如果是,则第一参数集合和第二参数集合满足收敛条件。
第二方面,本发明提供一种混合分布的雷达海杂波分析装置,装置包括:
获取模块,用于获取雷达海杂波数据;雷达海杂波数据中包含多个海杂波随机序列;
第一获得模块,用于获得目标概率密度函数;目标概率密度函数根据第一分布模型所对应的第一概率密度函数以及第二分布模型所对应的第二概率密度函数确定;其中,第一分布模型用于描述雷达海杂波的拖尾现象,第二分布模型用于描述雷达海杂波的回波幅度;
确定模块,用于确定目标概率密度函数中的各个参数,并建立雷达海杂波数据的分析模型;
第二获得模块,用于根据分析模型,获得雷达海杂波数据的统计特性。
可选地,第一获得模块,具体用于按照预设权重,将第一分布模型所对应的第一概率密度函数与第二分布模型所对应的第二概率密度函数进行加权,得到目标概率密度函数。
可选地,第一分布函数为对数正态Lognormal分布,第二分布函数为帕累托Pareto(IV)分布;预设权重包括第一预设权重以及第二预设权重;
目标概率密度函数为:
f(x)=k1·PDF1+k2·PDF2;
式中,k1、k2分别表示第一预设权重和第二预设权重,且k1+k2=1;PDF1表示Lognormal分布的第一概率密度函数,PDF2表示Pareto(IV)分布的第二概率密度函数;
其中:
式中,x表示每个海杂波随机序列中的幅度变化量,σs为形状参数,μ为尺度参数;
式中,x表示每个海杂波随机序列中的幅度变化量,α表示尺度参数,δ为形状参数,σ为每个海杂波随机序列中的幅度变化量的均值。
可选地,确定模块,包括:
初始化单元,用于针对目标概率密度函数,分别初始化第一概率密度函数中的各个参数,以及第二概率密度函数中的各个参数,获得第一初始参数集合和第二初始参数集合;
第一计算单元,用于根据第一/二概率密度函数和第一/二初始参数集合,计算每个海杂波随机序列在第一/二初始参数集合下的第一/二概率密度函数值;
分类单元,用于将第一/二初始参数集合作为第一/二聚类中心,将第一/二概率密度函数值作为每个海杂波随机序列与第一/二聚类中心之间的第一/二距离,并比较第一距离与第二距离,根据比较结果对每个海杂波随机序列进行分类;
第一更新单元,用于根据海杂波随机序列的分类结果,更新第一预设权重及第二预设权重;
第二更新单元,用于计算Lognormal分布的矩估计值和Pareto(IV)分布的极大似然估计值,对第一/二初始参数集合中的各个参数进行更新,得到第一/二参数集合;
收敛判断单元,用于判断更新后的第一/二参数集合是否满足收敛条件;如果否,则将更新后的第一/二参数集合作为第一/二初始参数集合,并触发第一计算单元执行根据第一/二概率密度函数和第一/二初始参数集合,计算每个海杂波随机序列在第一/二初始参数集合下的第一/二概率密度函数值的步骤;
参数确定单元,用于如果是,则将第一参数集合和第二参数集合中的各个参数确定为最终的建模参数。
可选地,分类单元包括:
判断子单元,用于判断第一距离是否大于第二距离;如果是,则将海杂波随机序列归类至第一聚类中心对应的分布簇;
归类子单元,用于如果第一距离小于等于第二距离,则将海杂波随机序列归类至第二聚类中心对应的分布簇。
可选地,按照如下公式更新第一预设权重和第二预设权重:
k1=w1/w;
k2=w2/w;
其中,w1表示第一聚类中心对应的分布簇中海杂波随机序列的个数,w表示第二聚类中心对应的分布簇中海杂波随机序列的个数,w表示雷达海杂波数据中海杂波随机序列的总个数。
可选地,收敛判断单元,包括:
第一计算子单元,用于根据第一参数集合和第二参数集合,计算Lognormal-Pareto(IV)分布的第一最大似然函数估计值;
第二计算子单元,用于获取上一次迭代时的第一参数集合以及上一次迭代时的第二参数集合,计算Lognormal-Pareto(IV)分布的第二最大似然函数估计值;
差值计算子单元,用于计算第一最大似然函数估计值与第二最大似然函数估计值的差值;
判断子单元,用于判断差值是否小于等于预设阈值;如果是,则第一参数集合和第二参数集合满足收敛条件。
与现有技术相比,本发明提供的一种混合分布的雷达海杂波分析方法及装置,至少实现了如下的有益效果:
本申请提供了一种混合分布的雷达海杂波分析方法及装置,通过获取雷达海杂波数据;获得目标概率密度函数;确定目标概率密度函数中的各个参数,并建立雷达海杂波数据的分析模型;根据分析模型,获得雷达海杂波数据的统计特性。由于目标概率密度函数是根据第一分布模型所对应的第一概率密度函数以及第二分布模型所对应的第二概率密度函数确定的,而第一分布模型可以很好地描述高分辨率低擦地角对海探测场景中海杂波的重拖尾特性,第二分布模型可以精细地刻画雷达海杂波的回波幅度,因而采用上述方法建立的海杂波分析模型不仅数学复杂度较低,也具有更加精确的拟合效果,进一步提高了该模型的实用性和适用性。
当然,实施本发明的任一产品必不特定需要同时达到以上所述的所有技术效果。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例,并且连同其说明一起用于解释本发明的原理。
图1所示为本申请实施例提供的混合分布的雷达海杂波分析方法的一种流程图;
图2为图1所示实施例提供的混合分布的雷达海杂波分析方法中海杂波数据的示意图;
图3为图1所示实施例所提供的雷达海杂波分析方法中对数正态分布的一种示意图;
图4为图1所示实施例提供的雷达海杂波分析方法中对数正态分布的另一种示意图;
图5为图1所示实施例提供的雷达海杂波分析方法中帕累托(IV)分布的一种示意图;
图6为图1所示实施例提供的雷达海杂波分析方法中帕累托(IV)分布的另一种示意图;
图7为图1所示实施例提供的雷达海杂波分析方法中帕累托(IV)分布的又一种示意图;
图8为图2所示的海杂波数据的拟合结果示意图;
图9所示为本申请实施例提供的混合分布的雷达海杂波分析装置的一种结构示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
本发明提供了一种混合分布的雷达海杂波分析方法及装置,不仅对重拖尾数据具有更好的拟合效果,也有效降低了海杂波数据分析模型的数学复杂度,大大提高了该分析模型的适用性。
以下将结合附图和具体实施例进行详细说明。
图1为本申请实施例提供的混合分布的雷达海杂波分析方法的一种流程图。请参见图1,该方法包括:
S101、获取雷达海杂波数据;雷达海杂波数据中包含多个海杂波随机序列;
S102、获得目标概率密度函数;目标概率密度函数根据第一分布模型所对应的第一概率密度函数以及第二分布模型所对应的第二概率密度函数确定;其中,第一分布模型用于描述雷达海杂波的拖尾现象,第二分布模型用于描述雷达海杂波的回波幅度;
S103、确定目标概率密度函数中的各个参数,并建立雷达海杂波数据的分析模型;
S104、根据分析模型,获得雷达海杂波数据的统计特性。
雷达在进行目标探测时,可以借助自身接收到的目标回波定位目标。当雷达在海洋背景下工作时,雷达所接收到的回波中不可避免面地会包含因海面散射而产生的回波,也就是海杂波。
可以理解的是,海杂波具有一定的随机特性。一方面,雷达海杂波的强弱与海面状态息息相关,海浪、浪涌及风速等都会影响海杂波的统计特性;另一方面,海杂波也会受到多个雷达参数的影响,如频率、极化、擦地角、脉宽和波束宽度等。因此,建立分析模型时,通常将海杂波数据看作多个海杂波随机序列。
上述步骤S102中,确定目标概率密度函数时,可以按照预设权重,将第一分布模型所对应的第一概率密度函数与第二分布模型所对应的第二概率密度函数进行加权,得到目标概率密度函数。图2为图1所示实施例提供的混合分布的雷达海杂波分析方法的一种示意图,如图2所示,对于雷达海杂波数据中的小尺度分量V1,可以利用第一分布模型建模,这部分回波信号通常是由表面张力波和浪涌的散射而产生的均匀散射体分量回波信号;对于海杂波数据中,因陡峭波峰的散射而导致的离散杂波尖峰等大尺度分量V2,则可以采用第二分布模型来建模。
可选地,预设权重包括第一预设权重以及第二预设权重,第一分布模型可以为对数正态Lognormal分布模型,第二分布模型可以为帕累托Pareto(IV)分布模型。
此时,目标概率密度函数可以为:
f(x)=k1·PDF1+k2·PDF2;
式中,k1、k2分别表示第一预设权重和第二预设权重,且k1+k2=1;PDF1表示Lognormal分布的第一概率密度函数,PDF2表示Pareto(IV)分布的第二概率密度函数;
其中:
式中,x表示每个海杂波随机序列中的幅度变化量,σs为形状参数,μ为尺度参数;
式中,x表示每个海杂波随机序列中的幅度变化量,α表示尺度参数,δ为形状参数,σ为每个海杂波随机序列中的幅度变化量的均值。
图3为图1所示实施例所提供的雷达海杂波分析方法中对数正态分布的一种示意图;图4为图1所示实施例提供的雷达海杂波分析方法中对数正态分布的另一种示意图。请参见图3及图4,在Lognormal分布对应的第一概率密度函数曲线中,当形状参数σs保持不变时,尺度参数μ的值越大,曲线的峰值就越小、拖尾也越长,这与海杂波的强度变化相符;而当尺度参数μ的值保持不变、形状参数σs的值增大时,曲线拖尾边长,且曲线的峰值逐渐向y轴靠近,这与海杂波的形状变化一致。
进一步地,请参见图5、图6和图7,在Pareto(IV)分布对应的第二概率密度函数曲线中,当幅度变化量的均值σ和形状参数δ保持不变、尺度参数α增大时,曲线拖尾变短,峰值处的曲线则随着α的增大越来越陡峭;当尺度参数α和形状参数δ保持不变、幅度变化量的均值σ逐渐增大时,曲线峰值减小、但峰值处对应的海杂波幅度逐渐增大;当幅度变化量的均值和尺度参数α保持不变、形状参数δ逐渐增大时,曲线峰值逐渐靠近y轴。
可选地,上述步骤S103中,确定目标概率密度函数中的各个参数,并建立雷达海杂波数据的分析模型的步骤,包括:
S1、针对目标概率密度函数,分别初始化第一概率密度函数中的各个参数,以及第二概率密度函数中的各个参数,获得第一初始参数集合和第二初始参数集合;
S2、根据第一/二概率密度函数和第一/二初始参数集合,计算每个海杂波随机序列在第一/二初始参数集合下的第一/二概率密度函数值;
S3、将第一/二初始参数集合作为第一/二聚类中心,将第一/二概率密度函数值作为每个海杂波随机序列与第一/二聚类中心之间的第一/二距离,并比较第一距离与所述第二距离,根据比较结果对每个海杂波随机序列进行分类;
S4、根据海杂波随机序列的分类结果,更新第一预设权重及第二预设权重;
S5、计算Lognormal分布的矩估计值和Pareto(IV)分布的极大似然估计值,对第一/二初始参数集合中的各个参数进行更新,得到第一/二参数集合;
S6、判断更新后的第一/二参数集合是否满足收敛条件;如果否,则将更新后的第一/二参数集合作为第一/二初始参数集合,并返回根据第一/二概率密度函数和第一/二初始参数集合,计算每个海杂波随机序列在第一/二初始参数集合下的第一/二概率密度函数值的步骤;
S7、如果是,则将第一参数集合和所述第二参数集合中的各个参数确定为最终的建模参数。
可选地,上述步骤S3中,比较第一距离与第二距离,根据比较结果对每个海杂波随机序列进行分类的步骤,包括:
判断第一距离是否大于第二距离;如果是,则将海杂波随机序列归类至第一聚类中心对应的分布簇;
如果否,则将海杂波随机序列归类至第二聚类中心对应的分布簇。
具体地,本实施例中将每个海杂波随机序列的第一/二概率密度函数值作为第一/二距离,用以衡量其与每个聚类中心的距离。例如,若第i个海杂波随机序列在第一初始参数集合下的第一概率密度函数值为0.35,在第二初始参数集合下的第二概率密度函数值为0.65,则表示该海杂波随机序列与第一聚类中心的第一距离为0.35、与第二聚类中心的第二距离为0.65,故将其分类至第二聚类中心对应的分布簇。
在一种可能的实施方式中,还可以将每个海杂波随机序列的第一/二概率密度函数值的倒数作为第一/二距离。此时,若第一距离小于第二距离,则将该随机序列分类至第一聚类中心对应的分布簇;反之,若第一距离是否大于第二距离,则将该随机序列分类至第二聚类中心对应的分布簇。仍以第一概率密度函数值和第二概率密度函数值分别为0.35和0.65的情况为例,相应地,第一距离为1/0.35,第二距离为1/0.65。由于第一距离大于第二距离,因此应将该海杂波随机序列分类至第二聚类中心对应的分布簇。显然,无论将第一/二概率密度函数值作为第一/二距离,还是将第一/二概率密度函数值的倒数作为第一/二距离,并不会影响分类的准确性。
本实施例中,直接将第一概率密度函数值和第二概率密度函数值作为第一距离和第二距离,用以衡量海杂波随机序列与聚类中心之间的距离,省去了繁复的计算过程,可以快速、有效的对多个海杂波随机序列进行分类。
可选地,上述步骤S4中,可以按照如下公式更新第一预设权重和第二预设权重:
k1=w1/w;
k2=w2/w;
其中,w1表示第一聚类中心对应的分布簇中海杂波随机序列的个数,w表示第二聚类中心对应的分布簇中海杂波随机序列的个数,w表示雷达海杂波数据中海杂波随机序列的总个数。
示例性地,若雷达海杂波数据中共有1000个海杂波随机序列,本次迭代过程中,被分类至第一聚类中心对应的分布簇和第二聚类中心对应的分布簇中的海杂波随机序列分别为300个和700个,即w1=300,w2=700,则k1=0.3,k2=0.7。
可选地,判断更新后的第一/二参数集合是否满足收敛条件的步骤,包括:
根据第一参数集合和第二参数集合,计算Lognormal-Pareto(IV)分布的第一最大似然函数估计值;
获取上一次迭代时的第一参数集合以及上一次迭代时的第二参数集合,计算Lognormal-Pareto(IV)分布的第二最大似然函数估计值;
计算第一最大似然函数估计值与第二最大似然函数估计值的差值;
判断差值是否小于等于预设阈值;如果是,则第一参数集合和第二参数集合满足收敛条件。
其中,预设阈值可以根据建模精度而具体设置。本实施例中,可以将预设阈值设置为0.05,当第一最大似然函数估计值与第二最大似然函数估计值的差值小于等于0.05时,停止迭代。
另外,也可以通过迭代次数来判断第一参数集合和第二参数集合是否满足收敛条件。例如,将迭代次数设置为50次,那么当迭代次数达到50次时,则结束循环。
图8为图2所示的海杂波数据的拟合结果示意图,请参见图2及图8,对图2所示的海杂波数据建立分析模型后,仿真得到的曲线与海杂波数据的理论曲线拟合度很高。也就是说,采用本实施例提供的方法建立得到的海杂波分析模型,可以准确、合理的刻画海杂波,有利于后续掌握海杂波的统计特性,并进一步改善雷达性能。
本申请提供了一种混合分布的雷达海杂波分析方法,通过获取雷达海杂波数据;获得目标概率密度函数;确定目标概率密度函数中的各个参数,并建立雷达海杂波数据的分析模型;根据分析模型,获得雷达海杂波数据的统计特性。由于目标概率密度函数是根据第一分布模型所对应的第一概率密度函数以及第二分布模型所对应的第二概率密度函数确定的,而第一分布模型可以很好地描述高分辨率低擦地角对海探测场景中海杂波的重拖尾特性,第二分布模型可以精细地刻画雷达海杂波的回波幅度,因而采用上述方法建立的海杂波分析模型不仅数学复杂度较低,也具有更加精确的拟合效果,进一步提高了该模型的实用性和适用性。
基于同一发明构思,本发明还提供了一种混合分布的雷达海杂波分析装置。该装置包括:
获取模块910,用于获取雷达海杂波数据;雷达海杂波数据中包含多个海杂波随机序列;
第一获得模块920,用于获得目标概率密度函数;目标概率密度函数根据第一分布模型所对应的第一概率密度函数以及第二分布模型所对应的第二概率密度函数确定;其中,第一分布模型用于描述雷达海杂波的拖尾现象,第二分布模型用于描述所述雷达海杂波的回波幅度;
确定模块930,用于确定目标概率密度函数中的各个参数,并建立雷达海杂波数据的分析模型;
第二获得模块940,用于根据分析模型,获得雷达海杂波数据的统计特性。
可选地,第一获得模块920,具体用于按照预设权重,将第一分布模型所对应的第一概率密度函数与第二分布模型所对应的第二概率密度函数进行加权,得到目标概率密度函数。
可选地,第一分布函数为对数正态Lognormal分布,第二分布函数为帕累托Pareto(IV)分布;预设权重包括第一预设权重以及第二预设权重;
目标概率密度函数为:
f(x)=k1·PDF1+k2·PDF2;
式中,k1、k2分别表示第一预设权重和所述第二预设权重,且k1+k2=1;PDF1表示Lognormal分布的第一概率密度函数,PDF2表示所述Pareto(IV)分布的第二概率密度函数;
其中:
式中,x表示每个海杂波随机序列中的幅度变化量,σs为形状参数,μ为尺度参数;
式中,x表示每个海杂波随机序列中的幅度变化量,α表示尺度参数,δ为形状参数,σ为每个海杂波随机序列中的幅度变化量的均值。
可选地,确定模块930,包括:
初始化单元,用于针对目标概率密度函数,分别初始化第一概率密度函数中的各个参数,以及第二概率密度函数中的各个参数,获得第一初始参数集合和第二初始参数集合;
第一计算单元,用于根据第一/二概率密度函数和第一/二初始参数集合,计算每个海杂波随机序列在第一/二初始参数集合下的第一/二概率密度函数值;
分类单元,用于将第一/二初始参数集合作为第一/二聚类中心,将第一/二概率密度函数值作为每个海杂波随机序列与第一/二聚类中心之间的第一/二距离,并比较第一距离与第二距离,根据比较结果对每个海杂波随机序列进行分类;
第一更新单元,用于根据海杂波随机序列的分类结果,更新第一预设权重及第二预设权重;
第二更新单元,用于计算Lognormal分布的矩估计值和Pareto(IV)分布的极大似然估计值,对第一/二初始参数集合中的各个参数进行更新,得到第一/二参数集合;
收敛判断单元,用于判断更新后的第一/二参数集合是否满足收敛条件;如果否,则将更新后的第一/二参数集合作为第一/二初始参数集合,并触发第一计算单元执行根据第一/二概率密度函数和第一/二初始参数集合,计算每个海杂波随机序列在第一/二初始参数集合下的第一/二概率密度函数值的步骤;
参数确定单元,用于如果是,则将第一参数集合和所述第二参数集合中的各个参数确定为最终的建模参数。
可选地,分类单元包括:
判断子单元,用于判断第一距离是否大于第二距离;如果是,则将海杂波随机序列归类至第一聚类中心对应的分布簇;
归类子单元,用于如果第一距离小于等于第二距离,则将海杂波随机序列归类至第二聚类中心对应的分布簇。
可选地,按照如下公式更新第一预设权重和第二预设权重:
k1=w1/w;
k2=w2/W;
其中,w1表示第一聚类中心对应的分布簇中海杂波随机序列的个数,w表示第二聚类中心对应的分布簇中海杂波随机序列的个数,w表示雷达海杂波数据中海杂波随机序列的总个数。
可选地,收敛判断单元,包括:
第一计算子单元,用于根据第一参数集合和第二参数集合,计算Lognormal-Pareto(IV)分布的第一最大似然函数估计值;
第二计算子单元,用于获取上一次迭代时的第一参数集合以及上一次迭代时的第二参数集合,计算Lognormal-Pareto(IV)分布的第二最大似然函数估计值;
差值计算子单元,用于计算第一最大似然函数估计值与第二最大似然函数估计值的差值;
判断子单元,用于判断差值是否小于等于预设阈值;如果是,则第一参数集合和第二参数集合满足收敛条件。
本申请提供了一种混合分布的雷达海杂波分析装置,通过获取雷达海杂波数据;获得目标概率密度函数;确定目标概率密度函数中的各个参数,并建立雷达海杂波数据的分析模型;根据分析模型,获得雷达海杂波数据的统计特性。由于目标概率密度函数是根据第一分布模型所对应的第一概率密度函数以及第二分布模型所对应的第二概率密度函数确定的,而第一分布模型可以很好地描述高分辨率低擦地角对海探测场景中海杂波的重拖尾特性,第二分布模型可以精细地刻画雷达海杂波的回波幅度,因而采用上述方法建立的海杂波分析模型不仅数学复杂度较低,也具有更加精确的拟合效果,进一步提高了该模型的实用性和适用性。
虽然已经通过例子对本发明的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上例子仅是为了进行说明,而不是为了限制本发明的范围。本领域的技术人员应该理解,可在不脱离本发明的范围和精神的情况下,对以上实施例进行修改。本发明的范围由所附权利要求来限定。
Claims (10)
1.一种混合分布的雷达海杂波分析方法,其特征在于,所述方法包括:
获取雷达海杂波数据;所述雷达海杂波数据中包含多个海杂波随机序列;
获得目标概率密度函数;所述目标概率密度函数根据第一分布模型所对应的第一概率密度函数以及第二分布模型所对应的第二概率密度函数确定;其中,所述第一分布模型用于描述所述雷达海杂波的拖尾现象,所述第二分布模型用于描述所述雷达海杂波的回波幅度;
确定所述目标概率密度函数中的各个参数,并建立所述雷达海杂波数据的分析模型;
根据所述分析模型,获得所述雷达海杂波数据的统计特性;
所述获得目标概率密度函数的步骤,包括:
按照预设权重,将所述第一分布模型所对应的第一概率密度函数与所述第二分布模型所对应的第二概率密度函数进行加权,得到目标概率密度函数;
所述第一分布模型为对数正态Lognormal分布模型,所述第二分布模型为帕累托Pareto(IV)分布模型;所述预设权重包括第一预设权重以及第二预设权重;
所述目标概率密度函数为:
f(x)=k1·PDF1+k2·PDF2;
式中,k1、k2分别表示所述第一预设权重和所述第二预设权重,且k1+k2=1;PDF1表示所述Lognormal分布的第一概率密度函数,PDF2表示所述Pareto(IV)分布的第二概率密度函数;
其中:
式中,x表示每个所述海杂波随机序列中的幅度变化量,δ为形状参数,α为尺度参数;
式中,x表示每个所述海杂波随机序列中的幅度变化量,σ为每个所述海杂波随机序列中的幅度变化量的均值。
2.根据权利要求1所述的雷达海杂波分析方法,其特征在于,所述确定所述目标概率密度函数中的各个参数,并建立所述雷达海杂波数据的分析模型的步骤,包括:
针对所述目标概率密度函数,分别初始化所述第一概率密度函数中的各个参数,以及所述第二概率密度函数中的各个参数,获得第一初始参数集合和第二初始参数集合;
根据所述第一/二概率密度函数和所述第一/二初始参数集合,计算每个所述海杂波随机序列在所述第一/二初始参数集合下的第一/二概率密度函数值;
将所述第一/二初始参数集合作为第一/二聚类中心,将所述第一/二概率密度函数值作为每个所述海杂波随机序列与第一/二聚类中心之间的第一/二距离,并比较所述第一距离与所述第二距离,根据比较结果对每个所述海杂波随机序列进行分类;
根据所述海杂波随机序列的分类结果,更新所述第一预设权重及所述第二预设权重;
计算所述Lognormal分布的矩估计值和Pareto(IV)分布的极大似然估计值,对所述第一/二初始参数集合中的各个参数进行更新,得到第一/二参数集合;
判断所述更新后的第一/二参数集合是否满足收敛条件;如果否,则将更新后的第一/二参数集合作为第一/二初始参数集合,并返回所述根据所述第一/二概率密度函数和所述第一/二初始参数集合,计算每个所述海杂波随机序列在所述第一/二初始参数集合下的第一/二概率密度函数值的步骤;
如果是,则将所述第一参数集合和所述第二参数集合中的各个参数确定为最终的建模参数。
3.根据权利要求2所述的雷达海杂波分析方法,其特征在于,所述比较所述第一距离与所述第二距离,根据比较结果对每个所述海杂波随机序列进行分类的步骤,包括:
判断所述第一距离是否大于所述第二距离;如果是,则将所述海杂波随机序列归类至所述第一聚类中心对应的分布簇;
如果否,则将所述海杂波随机序列归类至所述第二聚类中心对应的分布簇。
4.根据权利要求2所述的雷达海杂波分析方法,其特征在于,按照如下公式更新所述第一预设权重和所述第二预设权重:
k1=w1/w;
k2=w2/w;
其中,w1表示所述第一聚类中心对应的分布簇中海杂波随机序列的个数,w2表示第二聚类中心对应的分布簇中海杂波随机序列的个数,w表示所述雷达海杂波数据中海杂波随机序列的总个数。
5.根据权利要求2所述的雷达海杂波分析方法,求特征在于,所述判断所述更新后的第一/二参数集合是否满足收敛条件的步骤,包括:
根据所述第一参数集合和所述第二参数集合,计算所述Lognormal-Pareto(IV)分布的第一最大似然函数估计值;
获取上一次迭代时的第一参数集合以及上一次迭代时的第二参数集合,计算所述Lognormal-Pareto(IV)分布的第二最大似然函数估计值;
计算所述第一最大似然函数估计值与所述第二最大似然函数估计值的差值;
判断所述差值是否小于等于预设阈值;如果是,则所述第一参数集合和所述第二参数集合满足收敛条件。
6.一种混合分布的雷达海杂波分析装置,其特征在于,所述装置基于权利要求1-5任一项所述的雷达海杂波分析方法,所述装置包括:
获取模块,用于获取雷达海杂波数据;所述雷达海杂波数据中包含多个海杂波随机序列;
第一获得模块,用于获得目标概率密度函数;所述目标概率密度函数根据第一分布模型所对应的第一概率密度函数以及第二分布模型所对应的第二概率密度函数确定;其中,所述第一分布模型用于描述所述雷达海杂波的拖尾现象,所述第二分布模型用于描述所述雷达海杂波的回波幅度;
确定模块,用于确定所述目标概率密度函数中的各个参数,并建立所述雷达海杂波数据的分析模型;
第二获得模块,用于根据所述分析模型,获得所述雷达海杂波数据的统计特性;
所述第一获得模块,具体用于按照预设权重,将所述第一分布模型所对应的第一概率密度函数与所述第二分布模型所对应的第二概率密度函数进行加权,得到目标概率密度函数;
所述第一分布模型为对数正态Lognormal分布,所述第二分布模型为帕累托Pareto(IV)分布;所述预设权重包括第一预设权重以及第二预设权重;
所述目标概率密度函数为:
f(x)=k1·PDF1+k2·PDF2;
式中,k1、k2分别表示所述第一预设权重和所述第二预设权重,且k1+k2=1;PDF1表示所述Lognormal分布的第一概率密度函数,PDF2表示所述Pareto(IV)分布的第二概率密度函数;
其中:
式中,x表示每个所述海杂波随机序列中的幅度变化量,δ为形状参数,α为尺度参数;
式中,x表示每个所述海杂波随机序列中的幅度变化量,α表示尺度参数,δ为形状参数,σ为每个所述海杂波随机序列中的幅度变化量的均值。
7.根据权利要求6所述的雷达海杂波分析装置,其特征在于,所述确定模块,包括:
初始化单元,用于针对所述目标概率密度函数,分别初始化所述第一概率密度函数中的各个参数,以及所述第二概率密度函数中的各个参数,获得第一初始参数集合和第二初始参数集合;
第一计算单元,用于根据所述第一/二概率密度函数和所述第一/二初始参数集合,计算每个所述海杂波随机序列在所述第一/二初始参数集合下的第一/二概率密度函数值;
分类单元,用于将所述第一/二初始参数集合作为第一/二聚类中心,将所述第一/二概率密度函数值作为每个所述海杂波随机序列与第一/二聚类中心之间的第一/二距离,并比较所述第一距离与所述第二距离,根据比较结果对每个所述海杂波随机序列进行分类;
第一更新单元,用于根据所述海杂波随机序列的分类结果,更新所述第一预设权重及所述第二预设权重;
第二更新单元,用于计算所述Lognormal分布的矩估计值和Pareto(IV)分布的极大似然估计值,对所述第一/二初始参数集合中的各个参数进行更新,得到第一/二参数集合;
收敛判断单元,用于判断所述更新后的第一/二参数集合是否满足收敛条件;如果否,则将更新后的第一/二参数集合作为第一/二初始参数集合,并触发所述第一计算单元执行所述根据所述第一/二概率密度函数和所述第一/二初始参数集合,计算每个所述海杂波随机序列在所述第一/二初始参数集合下的第一/二概率密度函数值的步骤;
参数确定单元,用于如果是,则将所述第一参数集合和所述第二参数集合中的各个参数确定为最终的建模参数。
8.根据权利要求7所述的雷达海杂波分析装置,其特征在于,所述分类单元包括:
判断子单元,用于判断所述第一距离是否大于所述第二距离;如果是,则将所述海杂波随机序列归类至所述第一聚类中心对应的分布簇;
归类子单元,用于如果所述第一距离小于等于所述第二距离,则将所述海杂波随机序列归类至所述第二聚类中心对应的分布簇。
9.根据权利要求7所述的雷达海杂波分析装置,其特征在于,按照如下公式更新所述第一预设权重和所述第二预设权重:
k1=w1/w;
k2=w2/w;
其中,w1表示所述第一聚类中心对应的分布簇中海杂波随机序列的个数,w2表示第二聚类中心对应的分布簇中海杂波随机序列的个数,w表示所述雷达海杂波数据中海杂波随机序列的总个数。
10.根据权利要求7所述的雷达海杂波分析装置,其特征在于,所述收敛判断单元,包括:
第一计算子单元,用于根据所述第一参数集合和所述第二参数集合,计算所述Lognormal-Pareto(IV)分布的第一最大似然函数估计值;
第二计算子单元,用于获取上一次迭代时的第一参数集合以及上一次迭代时的第二参数集合,计算所述Lognormal-Pareto(IV)分布的第二最大似然函数估计值;
差值计算子单元,用于计算所述第一最大似然函数估计值与所述第二最大似然函数估计值的差值;
判断子单元,用于判断所述差值是否小于等于预设阈值;如果是,则所述第一参数集合和所述第二参数集合满足收敛条件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010161790.7A CN111381216B (zh) | 2020-03-10 | 2020-03-10 | 混合分布的雷达海杂波分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010161790.7A CN111381216B (zh) | 2020-03-10 | 2020-03-10 | 混合分布的雷达海杂波分析方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111381216A CN111381216A (zh) | 2020-07-07 |
CN111381216B true CN111381216B (zh) | 2022-03-11 |
Family
ID=71221590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010161790.7A Active CN111381216B (zh) | 2020-03-10 | 2020-03-10 | 混合分布的雷达海杂波分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111381216B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113009444B (zh) * | 2021-02-26 | 2023-06-06 | 南京邮电大学 | 一种广义高斯纹理海杂波背景下的目标检测方法及装置 |
CN113671493B (zh) * | 2021-08-09 | 2023-08-11 | 黑龙江工程学院 | 一种基于特征融合的海面小目标检测方法及系统 |
Citations (3)
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 |
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 |
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 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
NL1020287C2 (nl) * | 2002-04-02 | 2003-10-03 | Thales Nederland Bv | Werkwijze voor meerdoelendetectie, met name voor toepassing in rondzoekradars met meerbundelvorming in elevatie. |
CN105425223B (zh) * | 2015-11-11 | 2017-11-03 | 西安电子科技大学 | 广义帕累托杂波下稀疏距离扩展雷达目标的检测方法 |
CN107607913B (zh) * | 2017-08-25 | 2019-12-24 | 西安电子科技大学 | 基于对数累积量的海杂波Pareto分布参数估计方法 |
CN107808383B (zh) * | 2017-10-13 | 2021-04-02 | 上海无线电设备研究所 | 一种强海杂波下sar图像目标快速检测方法 |
CN110441752A (zh) * | 2019-07-30 | 2019-11-12 | 中国人民解放军海军航空大学 | 海上目标检测方法及装置 |
-
2020
- 2020-03-10 CN CN202010161790.7A patent/CN111381216B/zh active Active
Patent Citations (3)
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 |
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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN111381216A (zh) | 2020-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109100718B (zh) | 基于贝叶斯学习的稀疏孔径isar自聚焦与横向定标方法 | |
US8138963B1 (en) | Method for detecting targets using space-time adaptive processing and shared knowledge of the environment | |
CN105699952B (zh) | 海杂波k分布形状参数的双分位点估计方法 | |
CN111381216B (zh) | 混合分布的雷达海杂波分析方法及装置 | |
CN106501800B (zh) | 基于代价参考粒子滤波的mimo雷达目标检测前跟踪方法 | |
CN107843875A (zh) | 基于奇异值分解降噪的贝叶斯压缩感知雷达数据融合方法 | |
CN106772302A (zh) | 一种复合高斯背景下的知识辅助stap检测方法 | |
CN107064893B (zh) | 基于对数矩的广义帕累托分布参数估计方法 | |
CN104155653B (zh) | 一种基于特征距离子空间的sar后向投影成像方法 | |
CN110852019A (zh) | 一种雷达目标的散射中心建模方法 | |
CN111830481B (zh) | 雷达回波单分量幅度分布模型参数估计方法及装置 | |
CN102621535B (zh) | 一种高效的协方差矩阵结构估计方法 | |
CN114117912A (zh) | 一种数据模型双驱动下的海杂波建模与抑制方法 | |
CN112213697B (zh) | 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法 | |
CN106772275A (zh) | 一种基于Alpha稳定分布的低秩矩阵恢复检测方法 | |
Buller et al. | Statistical modelling of measured automotive radar reflections | |
CN106019250B (zh) | 基于角闪烁转发式假目标鉴别方法 | |
CN106226752B (zh) | 一种扩展海杂波Pareto分布参数估计范围的方法 | |
CN106199545B (zh) | 基于逆高斯纹理的海杂波幅度分布参数的矩估计方法 | |
CN111830479B (zh) | 雷达回波双分量混合幅度分布模型参数估计方法及装置 | |
Wang et al. | Radar high resolution range profile target recognition based on T-mixture model | |
CN113640763B (zh) | 基于分数阶矩的对数正态纹理海杂波幅度分布形状参数的估计方法 | |
Bühren et al. | Simulation of automotive radar target lists considering clutter and limited resolution | |
CN113740820B (zh) | 一种雷达信号处理机脉冲多普勒处理的数学建模方法 | |
CN110941908B (zh) | 一种基于核密度估计的海杂波分布建模方法 |
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 |