CN111736127A - 面向未知海域海杂波的源域生成和分布参数泛化方法 - Google Patents
面向未知海域海杂波的源域生成和分布参数泛化方法 Download PDFInfo
- Publication number
- CN111736127A CN111736127A CN202010531841.0A CN202010531841A CN111736127A CN 111736127 A CN111736127 A CN 111736127A CN 202010531841 A CN202010531841 A CN 202010531841A CN 111736127 A CN111736127 A CN 111736127A
- Authority
- CN
- China
- Prior art keywords
- data
- parameter
- model
- sea clutter
- source domain
- 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
- 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
- G01S7/418—Theoretical aspects
-
- 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
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
本发明提供一种面向未知海域海杂波的源域生成和分布参数泛化方法,包括:步骤1,特征提取模块提取未知海域的海杂波特征;步骤2,生成域模块根据所述海杂波特征生成迁移源域;步骤3,模型训练模块根据所述迁移源域进行模型训练;步骤4,模型选择模块对所述迁移源域进行优化以获得真实迁移源域;步骤5,模型迁移模块对所述真实迁移源域进行训练获得对未知海域的真实数据域的海杂波进行预测的参数估计模型。本发明通过参数泛化的方法,将对源域起作用的模型在真实杂波域进行泛化,得到了真实域的参数估计模型,达到了对真实杂波参数估计的目的。
Description
技术领域
本发明涉及海杂波的参数估计技术领域,具体涉及一种面向未知海域海杂波的源域生成和分布参数泛化方法。
背景技术
早在上个世纪年代,学者们就开始了对雷达杂波统计模型的研究,大批科研人员进行了大量的理论分析和数据试验。到目前为止,海杂波幅度分布参数估计主要研究方法为:将海杂波看作为一种随机过程,以传统统计学理论为基础的经典海杂波统计模型的研究,以统计学理论为基础的海杂波统计特性研究已经基本完善成一套理论,在海杂波分析研究领域占主导地位。
从统计学理论的角度出发,雷达杂波是来自雷达分辨单元内的散射体回波的矢量叠加。在较早期的研究中,低分辨力雷达在擦地角较大的情况下,在雷达照射的杂波表面区域内,有大量随机散布的独立的散射体,根据散射体反射信号振幅和相位的随机特性,Goldstein认为它们合成的回波包络振幅是服从瑞利分布,随着科技的日新月异以及雷达技术的迅速发展,高分辨力雷达越来越多地应用于科研实践和国防军事中,此时,当分辨单元尺寸和掠射角都很小时,海杂波的幅度概率密度函数曲线具有较长的拖尾,高斯模型已经不能适应现阶段的海杂波,对数正态概率密度函数有两个参数,可以更好地与实验数据相拟合,并且具有较长的拖尾,k分布在海杂波建模中有广泛的应用,k分布不仅可以在很宽的条件范围内与杂波幅度分布很好地匹配,而且还可以正确地模拟杂波回波脉冲间的相关特性,k分布模型可以表示为一个快速变化的瑞利分布分量被一个慢速变化的伽马分量调制的形式,近些年,越来越多的人尝试将深度学习应用到海杂波领域,以其得到令人难以想象的结果,但是上述技术也处于刚刚起步阶段。
例如,中国发明专利申请号为CN201710556839.7的专利文献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,其包括:
(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。
上述技术方案即通过建立神经网络模型来对海杂波的参数进行估计,存在参数估计准确度低的技术问题;
采用传统海杂波雷达回波的幅度分布估计方法存在缺乏实时性以及容易陷入局部最优解的技术问题。
基于现有技术存在的上述问题,本发明人提出一种面向未知海域海杂波的源域生成和分布参数泛化方法。
发明内容
针对现有技术的不足,本发明提供一种面向未知海域海杂波的源域生成和分布参数泛化方法。
为了实现本发明的目的,采用如下技术方案:
一种面向未知海域海杂波的源域生成和分布参数泛化方法,包括:
步骤1,特征提取模块提取未知海域的海杂波特征;
步骤2,生成域模块根据海杂波特征产生迁移源域;
步骤3,模型训练模块根据迁移源域进行模型训练;
步骤4,模型选择模块对迁移源域进行优化以获得真实迁移源域;
步骤5,模型迁移模块对真实迁移源域进行训练获得对未知海域的真实数据域的海杂波进行预测的参数估计模型。
进一步地,步骤1包括如下步骤:
步骤1.1,去除陆地及其他非可用杂波数据,对于陆地部分的雷达回波异于海面区域雷达回波的雷达回波数据,将陆地部分区域删除,获得海杂波数据D(x1,x2,......,xn),其中xi表示不包含陆地的海杂波数据;
步骤1.2,对海杂波数据进行降噪处理,去除数据中的影响数据分布的特殊值;
步骤1.3,对海杂波数据进行直方图统计降维;
步骤1.4,为海杂波数据设定分布;
步骤1.5,提取海杂波数据的特征,利用选定分布的参数估计方法对海杂波的参数特征进行估计。
进一步地,步骤1.3包括如下步骤:
步骤1.31,统计海杂波数据的最大值和最小值,选取海杂波数据总体范围在数据集中存在的区域中,在海杂波数据的最大值和最小值之间,去除所含数据量少的区域,切割原始数据,去除数据量较少的数值范围,得到一个数据的集中范围和一个集中区域数据,其中,集中区域最大值为M,最小值为N;
步骤1.32,选取一划分间隔J,对数据的集中范围进行分隔,间隔J大于N,小于M,且小于M-N,从数据起始按照该划分间隔进行划分,直到数据结束,得到一个向量P(N,N+J,N+2*J,N+3*J,......,M-J,M),向量P表示直方图统计结果的X轴表示;
步骤1.33,将集中区域数据按照数值的大小放置到向量P中,从第一个位置遍历整组海杂波数据D,当海杂波数据D第n个位置元素dn的数值大小位于向量P的第c个区间内,表示为第n个元素在向量P的(N+c*J,N+(c+1)*J)两个元素之间,即dn≥N+c*J且dn<N+(c+1)*J,则直方图统计结果的Y轴数值位于第c个位置的yc的值变化为yc=yc+1,完成之后继续遍历,直到将整个海杂波数据D遍历完成,最终得到直方图统计结果Y(y1,y2,......,yn),其公式如下:
步骤1.34,将直方图统计结果Y得到的数据进行归一化处理,得到最终的直方图统计降维结果:
进一步地,步骤2包括如下步骤:
步骤2.1,对提取的海杂波特征进行特征选择,选择出能够体现数据的整体分布域的特征,剔除信息量少的特征;
步骤2.2,对步骤2.1中特征选择的范围扩大;
步骤2.3,单参数分布特征离散化和迁移源域生成,对扩大后的参数进行离散化,得到用来产生迁移源域的特征,并利用这些特征产生单参数分布的迁移源域;
步骤2.4,多参数分布特征离散化和迁移源域生成,对扩大后的参数进行离散化,得到用来产生迁移源域的特征,并利用这些特征产生多参数分布的迁移源域。
进一步地,步骤2.3包括如下步骤:
步骤2.31,将步骤2.2扩大完成的特征进行离散化,选取划分区间K,选取单参数分布,将步骤2.2得到的扩大化完成的特征进行离散化,设海杂波数据的真实估计结果的最大估计值Cm,最小估计值Cn,则K应小于Cm,且K小于Cm-Cn,将参数范围离散化得到新的参数向量C(Cn,Cn+k,Cn+2*k,......,Cm);
步骤2.32,按照参数向量C产生仿真数据,对于C的每一维向量cx,使用所选用分布的仿真数据产生方法进行产生仿真数据;
步骤2.33,将产生的仿真数据按照步骤1.3的流程进行数据处理,得到了网络的训练数据。
进一步地,步骤2.4包括如下步骤:
步骤2.41,选取向量K(k1,k2,k3,......,kv),将步骤2.2得到的扩大化完成的特征进行离散化,设第一个参数最大估计值C1m,最小估计值C1n,则k1应小于C1m,且k1小于C1m-C1n,第二个参数最大估计值C2m,最小估计值C2n,则k2应小于C2m,且k2小于C2m-C2n,………,第v个参数的最大估计值Cvm,最小估计值Cvm,则kv应小于Cvm,且kv小于Cvm-Cvn,将第一个参数范围离散化得到仿真参数第一个位置的产生参数C1(C1n,C1n+k1,C1n+2*k1,......,C1m),第二个参数范围离散化得到仿真参数第二个位置的产生参数C2(C2n,C2n+k2,C2n+2*k2,......,C2m),第v个参数范围离散化得到仿真参数第v个位置的产生参数Cv(Cvn,Cvn+kv,Cvn+2*kv,......,Cvm);
步骤2.4.2,将参数向量进行组合,得到仿真数据产生参数,将C1的第一个位置提取出来,C2的第一个位置提取出来,C3的第一个位置提取出来,直到Cv的第一个位置提取出来,得到产生仿真数据的第一个完整参数P1(c1n,c2n,c3n,………,cvn),使用选取分布的仿真数据产生方法将P1输入,并循环生成多组随机的仿真数据,同理,将C1的第一个位置提取出来,C2的第一个位置提取出来,C3的第一个位置提取出来,直到Cv的第二个位置提取出来,得到产生仿真数据的第二个完整参数P2(c1n,c2n,c3n,.........,cvn+kv),使用选取分布的仿真数据产生方法将P2输入,并循环生成多组随机的仿真数据;
步骤2.4.3,将C1,C2,………,cv的所有参数遍历完成,最终得到的参数对数量Num为:
步骤2.4.4,将产生的仿真数据按照步骤1.3的流程进行数据降维以及数据归一化。
进一步地,步骤3包括如下步骤:
步骤3.1,单参数分布模型选择与训练,根据输入模型训练模块的迁移源域数据的类型和要求精度,选择迁移源域,首先输入层要与数据的维度相同,其次内部要包含足够的隐含层,输出层为一维输出,输出为模型对所选择的单参数分布参数估计结果,将步骤2.33的产生的仿真数据顺序打乱,输入到神经网络模型中进行训练,经过多层神经网络,获得海杂波模型影响参数,再将参数代入海杂波模型,作为代价函数反馈,进行反向传播,调整权重,重新输入海杂波数据训练计算,拟合程度越高,证明数据越符合模型,直到模型收敛;
步骤3.2,多参数分布模型选择与训练,对于多参数幅度分布,采用针对每一个参数构建一个网络模型的方法,估计的参数数量与使用的神经网络数量相同,将不同参数的仿真数据顺序打乱,输入到神经网络中进行训练,经过多层神经网络,获得海杂波模型影响参数,再将参数代入海杂波模型,作为代价函数反馈,进行反向传播,调整权重,重新输入海杂波数据训练计算,拟合程度越高,证明数据越符合模型,直到模型收敛。
进一步地,步骤4包括如下步骤:
步骤4.1,根据步骤3中训练获得的模型,预测真实海杂波数据的参数估计值,将新得到的预测结果代替步骤1利用数理统计方法提取的特征;
步骤4.2,对步骤4.1得到的原始数据的新预测范围按照步骤2.2进行特征扩大化,并重新产生迁移源域;
步骤4.3,再次进行模型选择与训练直到模型收敛,新预测的范围不再缩小为止,获得一个在迁移源域上收敛的模型。
进一步地,步骤5包括如下步骤:
步骤5.1,对单参数分布赋予真实数据标签;
步骤5.2,对多参数分布赋予真实数据标签;
步骤5.3,将步骤4中模型选择模块选择完成的模型作为原始模型,删除最终的输出层,并添加干扰适应层,再添加一个新的输出层,得到一个从仿真杂波域迁移到原始杂波域的新模型;
步骤5.4,将原始数据输入新模型中进行训练,循环输入直到模型拟合,得到最终的参数估计模型,参数估计模型能够对真实数据域的杂波数据进行预测。
相对于现有技术,本发明的有益效果是:
1、本发明所述的面向未知海域海杂波的源域生成和分布参数泛化方法,针对真实杂波不存在确定标签的问题,提出了利用杂波特征生成迁移源域的方法,解决了海杂波无标签的问题。
2、本发明所述的面向未知海域海杂波的源域生成和分布参数泛化方法,通过模型选择的方式,实现了缩减迁移源域范围的目的,从而实现了更小的源域范围,得到了更准确的初始估计结果。
3、本发明所述的面向未知海域海杂波的源域生成和分布参数泛化方法,通过参数泛化的方法,将对源域起作用的模型在真实杂波域进行泛化,得到了真实域的参数估计模型,达到了对真实杂波参数估计的目的。
附图说明
图1是本发明实施例中所述参数泛化方法的流程图;
图2是本发明实施例中所述参数泛化方法的整体数据流程图;
图3是本发明实施例中提取未知海域海杂波数据的流程图;
图4是本发明实施例中产生迁移源域的流程图;
图5是本发明实施例中迁移源域产生与模型优化的流程示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合具体实施方式和附图对本发明进行进一步的详细描述,需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
实施例
如图1-2所示,通过获得的海杂波数据的特点,提取其特征,生成迁移源域,进行模型训练及模型选择,最终进行参数泛化模型迁移,得到了能够预测真实域杂波的模型。
所述泛化方法,包括:
步骤1,特征提取模块提取未知海域的海杂波特征;
步骤2,生成域模块根据海杂波特征迁移源域;
步骤3,模型训练模块根据迁移源域进行模型训练;
步骤4,模型选择模块对迁移源域进行优化以获得真实迁移源域;
步骤5,模型迁移模块对真实迁移源域进行训练获得对未知海域的真实数据域的海杂波进行预测的参数估计模型。
如图3所示,步骤1包括如下步骤:
步骤1.1,通过使用Matlab采用目测法去除陆地及其他非可用杂波数据,通过使用Matlab对真实数据进行回放,将不同海况下都异于海面颜色的部分删除,对于陆地部分的雷达回波异于海面区域雷达回波的雷达回波数据,将陆地部分区域删除,获得海杂波数据D(x1,x2,……,xn);
步骤1.2,对海杂波数据进行降噪处理,去除数据中的影响数据分布的特殊值,例如,特殊值能够为奇异值或影响分布的极端值;
步骤1.3,对海杂波数据进行直方图统计降维,通过降低原始数据的维度,使模型对原始数据的拟合效果更优;
步骤1.4,为海杂波数据设定分布,分布应选定想要测试的分布或者拟合海杂波更加准确的分布,采用经验法,利用已有经验选定单个分布,如K分布或对数正态分布;
步骤1.5,提取海杂波数据的特征,利用选取分布的特征提取方法对真实数据进行特征提取,选用如分布的参数估计方法,将去除陆地后的数据进行处理,切割得到一组具有相同维度的真实数据,得到估计结果即为特征提取结果。
步骤1.3包括如下步骤:
步骤1.31,统计海杂波数据的最大值和最小值,选取海杂波数据总体范围在数据集中存在的区域中,在海杂波数据的最大值和最小值之间,去除所含数据量少的部分区域,数据量少的区域集中在最大值的位置或者最小值的位置,或者两个位置都存在,选取一个合适的位置,切割原始数据,去除数据量少的数值范围,得到一个数据的集中范围和一个集中区域数据,其中,集中区域最大值为M,最小值为N;
步骤1.32,选取一划分间隔J,对数据的集中范围进行分隔,间隔J大于N,小于M,且小于M-N,从数据起始按照划分间隔进行划分,直到数据结束,得到一个向量P(N,N+J,N+2*J,N+3*J,......,M-J,M),向量P表示直方图统计结果的X轴表示;
步骤1.33,将集中区域数据按照数值的大小放置到向量P中,从第一个位置遍历整组海杂波数据D,当海杂波数据D第n个位置元素dn的数值大小位于向量P的第c个区间内,表示为第n个元素在向量P的(N+c*J,N+(c+1)*J)两个元素之间,即dn≥N+c*J且dn<N+(c+1)*J,则直方图统计结果的Y轴数值位于第c个位置的yc的值变化为yc=yc+1,完成之后继续遍历,直到将整个海杂波数据D遍历完成,最终得到直方图统计结果Y(y1,y2,......,yn),其公式如下:
步骤1.34,将直方图统计结果Y得到的数据进行归一化处理,得到最终的直方图统计降维结果:
进一步地,如图4所示,步骤2包括如下步骤:
步骤2.1,对提取的海杂波特征进行特征选择,选择出能够体现数据的整体分布域的特征,剔除信息量少的特征,在表达数据整体分布的情况下,选择参数估计得到的所有特征,并添加部分表示数据整体分布的特征,如均值;
步骤2.2,对步骤2.1中特征选择的范围扩大,例如,选取对数正态分布的均值和方差特征,原始数据均值范围为1.4到-1.6,对特征进行扩大化将均值扩大,上限扩大同时下限扩大,使扩大后的特征包含原始特征,如将均值扩大为1.0到2.0,同理对方差进行扩大,最终得到扩大后特征;
步骤2.3,单参数分布特征离散化和迁移源域生成,对扩大后的参数进行离散化,得到用来产生迁移源域的特征,并利用这些特征产生单参数分布的迁移源域;
步骤2.4,多参数分布特征离散化和迁移源域生成,对扩大后的参数进行离散化,得到用来产生迁移源域的特征,并利用这些特征产生多参数分布的迁移源域。
其中,步骤2.3是针对单参数分布的算法,步骤2.4是针对多参数分布的算法,两个步骤输入不一致,执行目的是一致的,即同一个步骤针对两种不同情况的不同操作。
步骤2.3包括如下步骤:
步骤2.31,将步骤2.2扩大完成的特征进行离散化,选取划分区间K,当选取单参数分布时,将步骤2.2得到的扩大化完成的特征进行离散化,设海杂波数据的真实估计结果的最大估计值Cm,最小估计值Cn,则K应小于Cm,且K小于Cm-Cn,将参数范围离散化得到新的参数向量C(Cn,Cn+k,Cn+2*k,......,Cm);
步骤2.32,按照参数向量C产生仿真数据,对于C的每一维向量cx,使用所选用分布的仿真数据产生方法进行产生仿真数据;
步骤2.33,将产生的仿真数据按照步骤1.3的流程进行数据处理,得到了网络的训练数据。
步骤2.4包括如下步骤:
步骤2.41,选取向量K(k1,k2,k3,......,kv),将步骤2.2得到的扩大化完成的特征进行离散化,设第一个参数最大估计值C1m,最小估计值C1n,则k1应小于C1m,且k1小于C1m-C1n,第二个参数最大估计值C2m,最小估计值C2n,则k2应小于C2m,且k2小于C2m-C2n,………,第v个参数的最大估计值Cvm,最小估计值Cvn,则kv应小于Cvm,且kv小于Cvm-Cvn,将第一个参数范围离散化得到仿真参数第一个位置的产生参数C1(C1n,C1n+k1,C1n+2*k1,......,C1m),第二个参数范围离散化得到仿真参数第二个位置的产生参数C2(C2n,C2n+k2,C2n+2*k2,......,C2m),第v个参数范围离散化得到仿真参数第v个位置的产生参数Cv(Cvn,Cvn+kv,Cvn+2*kv,......,Cvm);
步骤2.4.2,将参数向量进行组合,得到仿真数据产生参数,将C1的第一个位置提取出来,C2的第一个位置提取出来,C3的第一个位置提取出来,直到Cv的第一个位置提取出来,得到产生仿真数据的第一个完整参数P1(c1n,c2n,c3n,.........,cvn),使用选取分布的仿真数据产生方法将P1输入,并循环生成多组随机的仿真数据,同理,将C1的第一个位置提取出来,C2的第一个位置提取出来,C3的第一个位置提取出来,直到Cv的第二个位置提取出来,得到产生仿真数据的第二个完整参数P2(c1n,c2n,c3n,.........,cvn+kv),使用选取分布的仿真数据产生方法将P2输入,并循环生成多组随机的仿真数据;
步骤2.4.3,将C1,C2,………,Cv的所有参数遍历完成,最终得到的参数对数量Num为:
步骤2.4.4,将产生的仿真数据按照步骤1.3的流程进行数据降维以及数据归一化。
步骤3包括如下步骤:
步骤3.1,单参数分布模型选择与训练,根据输入模型训练模块的迁移源域数据的类型和要求精度,选择迁移源域,首先输入层要与数据的维度相同,其次内部要包含足够的隐含层,以达到网络拥有足够的拟合能力,输出层为一维输出,输出为模型对所选择的单参数分布参数估计结果,将步骤2.33的产生的仿真数据顺序打乱,输入到神经网络模型中进行训练,经过多层神经网络,获得海杂波模型影响参数,再将参数代入海杂波模型,作为代价函数反馈,进行反向传播,调整权重,重新输入海杂波数据训练计算,拟合程度越高,证明数据越符合模型,直到模型收敛;
步骤3.2,多参数分布模型选择与训练,对于多参数幅度分布,为了使网络模型对每一个参数都拥有准确的估计能力,采用针对每一个参数构建一个网络模型的方法,估计的参数数量与使用的神经网络数量相同,将不同参数的仿真数据顺序打乱,输入到神经网络中进行训练,经过多层神经网络,获得海杂波模型影响参数,再将参数代入海杂波模型,作为代价函数反馈,进行反向传播,调整权重,重新输入海杂波数据训练计算,拟合程度越高,证明数据越符合模型,直到模型收敛。
如图5所示,步骤4包括如下步骤:
步骤4.1,根据步骤3中训练获得的模型,预测真实海杂波数据的参数估计值,将新得到的预测结果代替步骤1利用数理统计方法提取的特征;
步骤4.2,对步骤4.1得到的原始数据的新预测范围按照步骤2.2进行特征扩大化,并重新产生迁移源域,此次迁移源域是包含在步骤2中特征提取第一次得到的迁移源域中,其中,新预测范围小于原来的特征提取范围;
步骤4.3,再次进行模型选择与训练直到模型收敛,新预测的范围不再缩小为止,获得一个在迁移源域上收敛的模型,即真实迁移源域。
步骤5包括如下步骤:
步骤5.1,对单参数分布赋予真实数据标签;
步骤5.2,对多参数分布赋予真实数据标签;
步骤5.3,将步骤4中模型选择模块选择完成的模型作为原始模型,删除最终的输出层,并添加干扰适应层,再添加一个新的输出层,得到一个从仿真杂波域迁移到原始杂波域的新模型;
步骤5.4,将原始数据输入新模型中进行训练,循环输入直到模型拟合,得到最终的参数估计模型,参数估计模型能够对真实数据域的杂波数据进行预测。
本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书界定。
Claims (9)
1.一种面向未知海域海杂波的源域生成和分布参数泛化方法,其特征在于,包括:
步骤1,特征提取模块提取未知海域的海杂波特征;
步骤2,生成域模块根据海杂波特征产生迁移源域;
步骤3,模型训练模块根据迁移源域进行模型训练;
步骤4,模型选择模块对迁移源域进行优化以获得真实迁移源域;
步骤5,模型迁移模块对真实迁移源域进行训练获得对未知海域的真实数据域的海杂波进行预测的参数估计模型。
2.根据权利要求1所述的面向未知海域海杂波的源域生成和分布参数泛化方法,其特征在于,步骤1包括如下步骤:
步骤1.1,去除陆地及其他非可用杂波数据,对于陆地部分的雷达回波异于海面区域雷达回波的雷达回波数据,将陆地部分区域删除,获得海杂波数据D(x1,x2,......,xn),其中xi表示不包含陆地的海杂波数据;
步骤1.2,对海杂波数据进行降噪处理,去除数据中的影响数据分布的特殊值;
步骤1.3,对海杂波数据进行直方图统计降维;
步骤1.4,为海杂波数据设定分布;
步骤1.5,提取海杂波数据的特征,利用选定分布的参数估计方法对海杂波的参数特征进行估计。
3.根据权利要求2所述的面向未知海域海杂波的源域生成和分布参数泛化方法,其特征在于,步骤1.3包括如下步骤:
步骤1.31,统计海杂波数据的最大值和最小值,选取海杂波数据总体范围在数据集中存在的区域中,在海杂波数据的最大值和最小值之间,去除所含数据量少的区域,切割原始数据,去除数据量较少的数值范围,得到一个数据的集中范围和一个集中区域数据,其中,集中区域最大值为M,最小值为N;
步骤1.32,选取一划分间隔J,对数据的集中范围进行分隔,间隔J大于N,小于M,且小于M-N,从数据起始按照该划分间隔进行划分,直到数据结束,得到一个向量P(N,N+J,N+2*J,N+3*J,......,M-J,M),向量P表示直方图统计结果的X轴表示;
步骤1.33,将集中区域数据按照数值的大小放置到向量P中,从第一个位置遍历整组海杂波数据D,当海杂波数据D第n个位置元素dn的数值大小位于向量P的第c个区间内,表示为第n个元素在向量P的(N+c*J,N+(c+1)*J)两个元素之间,即dn≥Ntc*J且dn<Nt(ct1)*J,则直方图统计结果的Y轴数值位于第c个位置的yc的值变化为yc=yc+1,完成之后继续遍历,直到将整个海杂波数据D遍历完成,最终得到直方图统计结果Y(y1,y2,......,yn),其公式如下:
步骤1.34,将直方图统计结果Y得到的数据进行归一化处理,得到最终的直方图统计降维结果:
4.根据权利要求3所述的面向未知海域海杂波的源域生成和分布参数泛化方法,其特征在于,步骤2包括如下步骤:
步骤2.1,对提取的海杂波特征进行特征选择,选择出能够体现数据的整体分布域的特征,剔除信息量少的特征;
步骤2.2,对步骤2.1中特征选择的范围扩大;
步骤2.3,单参数分布特征离散化和迁移源域生成,对扩大后的参数进行离散化,得到用来产生迁移源域的特征,并利用这些特征产生单参数分布的迁移源域;
步骤2.4,多参数分布特征离散化和迁移源域生成,对扩大后的参数进行离散化,得到用来产生迁移源域的特征,并利用这些特征产生多参数分布的迁移源域。
5.根据权利要求4所述的面向未知海域海杂波的源域生成和分布参数泛化方法,其特征在于,步骤2.3包括如下步骤:
步骤2.31,将步骤2.2扩大完成的特征进行离散化,选取划分区间K,选取单参数分布,将步骤2.2得到的扩大化完成的特征进行离散化,设海杂波数据的真实估计结果的最大估计值Cm,最小估计值Cn,则K应小于Cm,且K小于Cm-Cn,将参数范围离散化得到新的参数向量C(Cn,Cn+k,Cn+2*k,......,Cm);
步骤2.32,按照参数向量C产生仿真数据,对于C的每一维向量cx,使用所选用分布的仿真数据产生方法进行产生仿真数据;
步骤2.33,将产生的仿真数据按照步骤1.3的流程进行数据处理,得到了网络的训练数据。
6.根据权利要求5所述的面向未知海域海杂波的源域生成和分布参数泛化方法,其特征在于,步骤2.4包括如下步骤:
步骤2.41,选取向量K(k1,k2,k3,......,kv),将步骤2.2得到的扩大化完成的特征进行离散化,设第一个参数最大估计值C1m,最小估计值C1n,则k1应小于C1m,且k1小于C1m-C1n,第二个参数最大估计值C2m,最小估计值C2n,则k2应小于C2m,且k2小于C2m-C2n,………,第v个参数的最大估计值Cvm,最小估计值Cvn,则kv应小于Cvm,且kv小于Cvm-Cvn,将第一个参数范围离散化得到仿真参数第一个位置的产生参数C1(C1n,C1n+k1,C1n+2*k1,......,C1m),第二个参数范围离散化得到仿真参数第二个位置的产生参数C2(C2n,C2n+k2,C2n+2*k2,......,C2m),第v个参数范围离散化得到仿真参数第v个位置的产生参数Cv(Cvn,Cvn+kv,Cvn+2*kv,......,Cvm);
步骤2.4.2,将参数向量进行组合,得到仿真数据产生参数,将C1的第一个位置提取出来,C2的第一个位置提取出来,C3的第一个位置提取出来,直到Cv的第一个位置提取出来,得到产生仿真数据的第一个完整参数P1(c1n,c2n,c3n,.........,cvn),使用选取分布的仿真数据产生方法将P1输入,并循环生成多组随机的仿真数据,同理,将C1的第一个位置提取出来,C2的第一个位置提取出来,C3的第一个位置提取出来,直到Cv的第二个位置提取出来,得到产生仿真数据的第二个完整参数P2(c1n,c2n,c3n,.........,cvn+kv),使用选取分布的仿真数据产生方法将P2输入,并循环生成多组随机的仿真数据;
步骤2.4.3,将C1,C2,………,Cv的所有参数遍历完成,最终得到的参数对数量Num为:
步骤2.4.4,将产生的仿真数据按照步骤1.3的流程进行数据降维以及数据归一化。
7.根据权利要求6所述的面向未知海域海杂波的源域生成和分布参数泛化方法,其特征在于,步骤3包括如下步骤:
步骤3.1,单参数分布模型选择与训练,根据输入模型训练模块的迁移源域数据的类型和要求精度,选择迁移源域,首先输入层要与数据的维度相同,其次内部要包含足够的隐含层,输出层为一维输出,输出为模型对所选择的单参数分布参数估计结果,将步骤2.33的产生的仿真数据顺序打乱,输入到神经网络模型中进行训练,经过多层神经网络,获得海杂波模型影响参数,再将参数代入海杂波模型,作为代价函数反馈,进行反向传播,调整权重,重新输入海杂波数据训练计算,拟合程度越高,证明数据越符合模型,直到模型收敛;
步骤3.2,多参数分布模型选择与训练,对于多参数幅度分布,采用针对每一个参数构建一个网络模型的方法,估计的参数数量与使用的神经网络数量相同,将不同参数的仿真数据顺序打乱,输入到神经网络中进行训练,经过多层神经网络,获得海杂波模型影响参数,再将参数代入海杂波模型,作为代价函数反馈,进行反向传播,调整权重,重新输入海杂波数据训练计算,拟合程度越高,证明数据越符合模型,直到模型收敛。
8.根据权利要求7所述的面向未知海域海杂波的源域生成和分布参数泛化方法,其特征在于,步骤4包括如下步骤:
步骤4.1,根据步骤3中训练获得的模型,预测真实海杂波数据的参数估计值,将新得到的预测结果代替步骤1利用数理统计方法提取的特征;
步骤4.2,对步骤4.1得到的原始数据的新预测范围按照步骤2.2进行特征扩大化,并重新产生迁移源域,其中,新预测范围小于原来的特征提取范围;
步骤4.3,再次进行模型选择与训练直到模型收敛,新预测的范围不再缩小为止,获得一个在迁移源域上收敛的模型。
9.根据权利要求8所述的面向未知海域海杂波的源域生成和分布参数泛化方法,其特征在于,步骤5包括如下步骤:
步骤5.1,对单参数分布赋予真实数据标签;
步骤5.2,对多参数分布赋予真实数据标签;
步骤5.3,将步骤4中模型选择模块选择完成的模型作为原始模型,删除最终的输出层,并添加干扰适应层,再添加一个新的输出层,得到一个从仿真杂波域迁移到原始杂波域的新模型;
步骤5.4,将原始数据输入新模型中进行训练,循环输入直到模型拟合,得到最终的参数估计模型,参数估计模型能够对真实数据域的杂波数据进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010531841.0A CN111736127B (zh) | 2020-06-11 | 2020-06-11 | 面向未知海域海杂波的源域生成和分布参数泛化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010531841.0A CN111736127B (zh) | 2020-06-11 | 2020-06-11 | 面向未知海域海杂波的源域生成和分布参数泛化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111736127A true CN111736127A (zh) | 2020-10-02 |
CN111736127B CN111736127B (zh) | 2022-09-13 |
Family
ID=72648867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010531841.0A Active CN111736127B (zh) | 2020-06-11 | 2020-06-11 | 面向未知海域海杂波的源域生成和分布参数泛化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111736127B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112731330A (zh) * | 2021-01-12 | 2021-04-30 | 西安电子科技大学 | 基于迁移学习的雷达载频参数变化稳健目标识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108983177A (zh) * | 2018-06-28 | 2018-12-11 | 浙江大学 | 一种参数最优的雷达海杂波预报系统及方法 |
CN109143199A (zh) * | 2018-11-09 | 2019-01-04 | 大连东软信息学院 | 基于迁移学习的海杂波小目标检测方法 |
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 |
CN110658508A (zh) * | 2019-10-17 | 2020-01-07 | 中国人民解放军火箭军工程大学 | 一种基于特征量的k分布海杂波参数估计方法 |
JP2020063958A (ja) * | 2018-10-16 | 2020-04-23 | 防衛装備庁長官 | 位置推定装置及び方法 |
-
2020
- 2020-06-11 CN CN202010531841.0A patent/CN111736127B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108983177A (zh) * | 2018-06-28 | 2018-12-11 | 浙江大学 | 一种参数最优的雷达海杂波预报系统及方法 |
JP2020063958A (ja) * | 2018-10-16 | 2020-04-23 | 防衛装備庁長官 | 位置推定装置及び方法 |
CN109143199A (zh) * | 2018-11-09 | 2019-01-04 | 大连东软信息学院 | 基于迁移学习的海杂波小目标检测方法 |
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 |
CN110658508A (zh) * | 2019-10-17 | 2020-01-07 | 中国人民解放军火箭军工程大学 | 一种基于特征量的k分布海杂波参数估计方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112731330A (zh) * | 2021-01-12 | 2021-04-30 | 西安电子科技大学 | 基于迁移学习的雷达载频参数变化稳健目标识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111736127B (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guan et al. | Stable a posteriori LES of 2D turbulence using convolutional neural networks: Backscattering analysis and generalization to higher Re via transfer learning | |
CN109597043B (zh) | 基于量子粒子群卷积神经网络的雷达信号识别方法 | |
CN107247259B (zh) | 基于神经网络的k分布海杂波形状参数估计方法 | |
Huang et al. | Improved short-term prediction of significant wave height by decomposing deterministic and stochastic components | |
CN110275148A (zh) | 一种海杂波幅度分布参数估计方法及系统 | |
Jing et al. | AENN: A generative adversarial neural network for weather radar echo extrapolation | |
CN104331583B (zh) | 一种基于实测海杂波数据的多重分形建模方法 | |
CN114662414B (zh) | 一种基于图小波神经网络模型的油藏生产预测方法 | |
CN113189561B (zh) | 一种海杂波参数估计方法、系统、设备及存储介质 | |
CN105676205A (zh) | 一种机载LiDAR波形数据高斯分解方法 | |
CN110321518A (zh) | 一种判定水文时间序列趋势类型的方法 | |
Zhang et al. | VGM-RNN: HRRP sequence extrapolation and recognition based on a novel optimized RNN | |
CN114117912A (zh) | 一种数据模型双驱动下的海杂波建模与抑制方法 | |
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 | |
CN110223342B (zh) | 一种基于深度神经网络的空间目标尺寸估计方法 | |
CN109669169B (zh) | 一种海杂波背景下的微弱目标信号检测方法 | |
Ghavidel et al. | Sonar data classification by using few-shot learning and concept extraction | |
Li et al. | Data augmentation method for underwater acoustic target recognition based on underwater acoustic channel modeling and transfer learning | |
Giebel et al. | Simulation and prediction of wind speeds: A neural network for Weibull | |
CN116628442B (zh) | 一种基于人工神经网络的地下水储量变化空间降尺度方法 | |
Juan et al. | Data-driven and physics-based approach for wave downscaling: A comparative study | |
CN111830481A (zh) | 雷达回波单分量幅度分布模型参数估计方法及装置 | |
CN106842172A (zh) | 一种水下目标结构化稀疏特征提取方法 | |
Bagwe et al. | Automated Radar Signal Analysis Based on Deep Learning | |
Woolford et al. | Convergent data sharpening for the identification and tracking of spatial temporal centers of lightning activity |
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 |