CN113189561A - 一种海杂波参数估计方法、系统、设备及存储介质 - Google Patents
一种海杂波参数估计方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113189561A CN113189561A CN202110668819.5A CN202110668819A CN113189561A CN 113189561 A CN113189561 A CN 113189561A CN 202110668819 A CN202110668819 A CN 202110668819A CN 113189561 A CN113189561 A CN 113189561A
- Authority
- CN
- China
- Prior art keywords
- sea clutter
- distribution
- model
- data
- amplitude
- 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
- 238000000034 method Methods 0.000 title claims abstract description 170
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000009826 distribution Methods 0.000 claims abstract description 107
- 238000004088 simulation Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 19
- 238000003062 neural network model Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000001228 spectrum Methods 0.000 claims description 12
- 230000003595 spectral effect Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 230000001427 coherent effect Effects 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 6
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 101000863873 Homo sapiens Tyrosine-protein phosphatase non-receptor type substrate 1 Proteins 0.000 claims 1
- 102100029948 Tyrosine-protein phosphatase non-receptor type substrate 1 Human genes 0.000 claims 1
- 238000010998 test method Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 14
- 230000006872 improvement Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
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
-
- 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
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
本发明一种海杂波参数估计方法、系统、设备及存储介质。方法包括获取实测海杂波数据;利用形状参数与多点拟合法中多个特征点的关系模型对实测海杂波数据的形状参数进行估计;基于估计出的形状参数利用球不变随机过程法建立出最终K分布海杂波模型。将本发明方法和其他方法的参数估计结果进行海杂波建模仿真对比,通过均方误差检验法验证了采用本发明方法进行参数估计后建立的海杂波模型拟合度更高。
Description
技术领域
本发明涉及海杂波建模及其参数估计领域;特别涉及一种海杂波参数估计方法、系统、设备及存储介质。
背景技术
精确拟合实况海杂波建立海杂波模型是进行雷达导引头抗海杂波干扰性能评估的基础,同时为雷达导引头抑制海杂波干扰提高雷达对目标的检测跟踪性能提供重要理论支撑,研究具有重要的现实意义。
对于海杂波统计模型研究初期,把海杂波当作Gaussian噪声。由于海杂波分布函数存在较长“拖尾”,LogNormal分布、Weibull分布和K分布相继产生。K分布可以兼顾海杂波的幅度分布特性和时间相关性,因此成为了模拟海杂波最常用的模型。
对于海杂波模型的仿真方法,通常使用无记忆非线性变换法(ZMNL)或球不变随机过程法(SIRP)。针对相干相关杂波,以往的方法都是将非相干的ZMNL法加以推广得到相干的ZMNL模型。应用这种方法的前提是需要已知非线性变换前后杂波相关系数的非线性关系,而相干相关K分布很难找到其非线性变换关系。相对而言,SIRP法对海杂波模型进行仿真更加符合复合散射机理,便于理解。
对于海杂波模型参数估计,目前主要利用经验公式法、最大似然估计法、矩估计法、混合估计法等。这些传统的参数估计方法计算复杂、估计精度较低。在此类方法参数估计的基础上建立海杂波模型较难实现对海杂波幅度分布曲线多个特征点的拟合。因此采用多点拟合法和RBF神经网络对海杂波模型进行参数估计,应用于海杂波的建模仿真具有重要意义。
发明内容
本发明所要解决的技术问题是:如何对海杂波进行较准确的参数估计,使得基于该参数建立的模型能够更好拟合海杂波幅度分布特性的多个特征点,更加贴近实际海况。因而提供了一种基于多点拟合法和RBF神经网络的海杂波参数估计方法。
本发明所采用的技术方案是:
一种海杂波参数估计方法,包括以下步骤:
获取实测海杂波数据;
利用形状参数与多点拟合法中多个特征点的关系模型对实测海杂波数据的形状参数进行估计;
基于估计出的形状参数利用球不变随机过程法建立出最终K分布海杂波模型。
作为本发明的进一步改进,所述形状参数与多点拟合法中多个特征点的关系模型的建立方法包括:
通过改变形状参数的值,利用球不变随机过程法进行K分布海杂波建模,根据多点拟合法获得多组海杂波幅度分布曲线的特征点数据;
利用Bootstrap法对数据进行扩充满足训练RBF神经网络模型所需数据量;
将每组数据的特征点数据作为RBF神经网络模型的输入,将相应海杂波模型的形状参数作为输出,通过RBF神经网络模型训练得到形状参数与多点拟合法中多个特征点的关系。
作为本发明的进一步改进,根据多点拟合法获得多组海杂波幅度分布曲线的特征点数据具体包括:
根据海杂波幅度分布特性曲线选取出多个特征点;
依据选取的特征点对K分布海杂波进行参数估计,即多点拟合。
作为本发明的进一步改进,所述特征点数据选取海杂波幅度分布曲线上的特征点,包括:概率密度最大处对应的幅度,概率密度最大的点,概率密度最大值的1/2、1/3、2/3处对应的幅度宽度,以及概率密度为0.01时所对应的幅度。
作为本发明的进一步改进,所述球不变随机过程法进行K分布海杂波建模包括:
采用K分布进行海杂波建模;
采用球不变随机过程法对K分布海杂波进行仿真模拟。
作为本发明的进一步改进,采用K分布进行海杂波建模具体包括:
获取幅度分布特性:
式中,Γ(·)表示Gamma函数,v是形状参数,v趋于0时,海杂波幅度分布曲线有较长拖尾;v趋于∞时接近瑞利分布,α是尺度参数,α2=E(x2)/2v,E(x2)是海杂波的平均功率;
式中,f(x;v,α)为概率密度函数,x表示海杂波的幅度,Kη是N阶Bessel函数;
利用杂波功率谱对海杂波时间相关性进行表征,得到:
式中,σd=2σv/λ为杂波谱标准差,σv为杂波谱的均方根。
作为本发明的进一步改进,采用球不变随机过程法对K分布海杂波进行仿真模拟具体包括:
模拟雷达相参机理产生两路正交信号w1(k)和w2(k);w1(k)为一复白高斯噪声,由滤波器H1(f)进行调制后产生散斑分量;
w2(k)是与w1(k)相互独立的实白搞死噪声,滤波器H2(f)为一个窄宽带的低通滤波器,w2(k)经滤波器H2(f)调控产生相关性接近1的序列Z(k);
将滤波器H2(f)的输出序列Z(k)通过ZMNL变换产生满足广义χ分布的调制分量:
g[v,E(y2)s2/(α2π)]=1-Q(z),
α2=E(y2)/2v,
其中,y为滤波器H1的输出,v是K分布形状参数,α为K分布尺度参数;概率密度在全区间积分为1,则:
求解上述方程组便可获得调制分量S(k);
最终通过SIRP法仿真得到K分布海杂波模型:X(k)=Y(k)S(k)。
一种海杂波参数估计系统,包括:
获取单元,用于获取实测海杂波数据;
参数估计单元,用于利用形状参数与多点拟合法中多个特征点的关系模型对实测海杂波数据的形状参数进行估计;
模型建立单元,用于基于估计出的形状参数利用球不变随机过程法建立出最终K分布海杂波模型。
一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述海杂波参数估计方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述海杂波参数估计方法的步骤。
本发明的有益效果:
本发明根据多点拟合法构造海杂波幅度分布曲线的多个特征点,利用RBF神经网络挖掘出海杂波K分布形状参数与幅度分布特性曲线的多个特征点之间的关系。利用训练好的RBF神经网络模型对实测海杂波数据的形状参数进行估计,最终建立实测数据的K分布海杂波模型。将本发明方法与其他两种传统参数估计方法的仿真结果同实测海杂波数据进行对比,仿真实验证明本发明方法建立的海杂波模型更加贴合实际海况下的海杂波,验证了本发明方法的有效性。
附图说明
图1是本发明流程示意图;
图2是SIRP法的K分布海杂波仿真流程图;
图3是多点拟合法多特征点选取示意图;
图4是RBF神经网络参数评估流程示意图;
图5是海杂波形状参数的RBF神经网路模型预测结果;
图6是海杂波实测数据;
图7是本发明方法与传统方法建立的海杂波模型的仿真结果对比图;
图8是本发明海杂波参数估计系统模块图;
图9是本发明形状参数与多点拟合法中多个特征点的关系模型模块图;
图10是本发明多点拟合单元模块图;
图11是本发明电子设备结构示意图。
具体实施方式
如图1所述,本发明一种基于多点拟合法和RBF神经网络的海杂波参数估计方法。利用球不变随机过程法(SIRP)建立K分布海杂波模型。采用多点拟合法对K分布海杂波幅度分布特性曲线构造多个特征点,即:概率密度最大处对应的幅度,概率密度最大的点,概率密度最大值的1/2、1/3、2/3处对应的幅度宽度,以及概率密度为0.01时所对应的幅度。通过改变海杂波模型的形状参数进行仿真获得多组特征点数据,将数据集分为训练集和测试集,并利用Bootstrap法将训练集进行扩充后,采用RBF神经网络进行模型训练,最终利用训练好的模型对实测海杂波数据进行参数估计。
将本发明方法和其他方法的参数估计结果进行海杂波建模仿真对比,通过均方误差检验法验证了采用本发明方法进行参数估计后建立的海杂波模型拟合度更高。
具体步骤说明书如下:
一种K分布海杂波的分布曲线特征点多点拟合方法,
根据海杂波幅度分布特性选取出多个特征点,这些特征点可以反应海杂波幅度分布曲线的概率密度、幅度特性;
1)依据前述选取的特征点可以对K分布海杂波进行参数估计,即多点拟合;
2)说明书给出的案例中多点拟合法选取6个特征点用来拟合海杂波幅度分布曲线,分别是:概率密度最大处对应的幅度值,概率密度最大值,概率密度为最大值的1/2、1/3、2/3处对应的幅度宽度,概率密度为0.01时所对应的幅度值。但是本专利提出的方法并不限于选取6个特征点,对于雷达高分辨率、高海况、小擦地角等情况下海杂波幅度分布出现的重拖尾现象,多点拟合法可拓展至构造N点海杂波幅度分布特征点,使得拟合度更高。
一种K分布海杂波幅度分布建模的多点拟合N点位选取方法,具体为:
选择概率密度最大值、概率密度最大值对应幅度值、概率密度最大值的1/n(n=2,3,4,L)幅度宽度,以及根据不同海况下重拖尾情况选择概率密度为10-n(n=1,2,3,L)的幅度值。
一种基于多点拟合法和RBF神经网络的海杂波参数估计方法,采用多点拟合法和RBF神经网络模型训练相结合的方法进行海杂波参数估计,其步骤为:
1)通过SIRP法对K分布海杂波进行建模仿真,改变K分布形状参数得到多组K分布海杂波模型,根据多点拟合法获得多组特征点数据;
2)将多组数据划分为两部分,其中一部分数据作为训练数据,剩余一部分做测试数据,利用RBF神经网络训练模型挖掘海杂波形状参数与多点拟合法中多特征点的关系;
3)利用训练好的模型对实测海杂波数据的形状参数进行估计;
4)然后采用SIRP法建立出拟合度较高的K分布海杂波模型。
以下进行详细说明:
本发明一种基于多点拟合法和RBF神经网络的海杂波参数估计方法,按照如下的步骤进行:
步骤一、采用K分布进行海杂波建模。
K分布海杂波模型由散斑分量和调制分量复合而成,能同时兼顾海杂波的幅度分布特性和时间相关性。海杂波幅度分布特性指海杂波幅度的统计概率分布,反映海杂波回波幅度的起伏特性。调制分量受Gamma分布影响:式中,Γ(·)表示Gamma函数。v是形状参数,v趋于0时,海杂波幅度分布曲线有较长拖尾;v趋于∞时接近瑞利分布。α是尺度参数,α2=E(x2)/2v,E(x2)是海杂波的平均功率。
海杂波的时间相关性指的是来自同一区域不同时间杂波回波信号之间的相关性。其中,散斑分量去相关时间一般为毫秒级,通过脉间频率捷变可以实现去相关处理;调制分量去相关时间呈秒级,无法通过频率捷变对调制分量进行去相关处理。调制分量在杂波观测时间远大于其平均去相关时间时,其时间相关系数近似为1,此时海杂波整体的时间相关性主要体现为散斑分量的相关性。
利用杂波功率谱对海杂波时间相关性进行表征,常将高斯谱作为杂波功率谱:
步骤二、采用球不变随机过程法(SIRP)对K分布海杂波进行仿真模拟。
SIRP法的基本思想为:SIRP法可以独立控制随机序列的概率密度函数和协方差矩阵。首先产生一个相关的高斯随机过程,然后使用满足要求的概率密度函数的随机序列进行调制。
SIRP法对K分布海杂波仿真流程为:首先模拟雷达相参机理产生两路正交信号w1(k)和w2(k)。w1(k)为一复白高斯噪声,由滤波器H1(f)进行调制,H1(f)由需要生成的海杂波序列的相关函数决定,即使用高斯功率谱调制w1(k)后产生散斑分量Y(k)。w2(k)是与w1(k)相互独立的实白高斯噪声,由滤波器H2(f)调控产生相关性接近1的序列Z(k)。然后通过零记忆非线性变换法(ZMNL)使得生成的调制分量S(k)其PDF为K分布海杂波模型的特征PDF。最后,海杂波模型X(k)为散斑分量Y(k)与调制分量S(k)的乘积。
滤波器H1(f)的设计:
利用傅里叶级数法设计滤波器H1(f),即根据所要求的频率特性展开成傅里叶级数,求取滤波器的加权系数。为非递归滤波器的差分描述方程,xn-i表示滤波器的第n-i个输入;yn表示滤波器的第n个输出;ai为滤波器加权系数。数字滤波器的频率响应为令w=ΩTs得到模拟滤波器的频率响应其中Ts为模数转换的抽样间隔。
海杂波归一化高斯谱密度为滤波器H1(f)输入为白噪声,故要求H1(f)应有的高斯响应展开成傅里叶级数为:|H(f)|为偶函数得:Cn=2An。其中系数Cn为该线性滤波器的加权系数。频率响应已知即可求出该滤波器的加权系数。
滤波器H2(f)的设计:
非线性变换通常使得随机序列的功率谱展宽,滤波器H2(f)应具有窄带宽,使得非线性变换随机序列功率谱够窄。因此滤波器H2(f)被设计成一个窄带宽低通滤波器。
广义χ分布调制分量S(k)的产生:
K分布海杂波模型的调制分量S(k)服从广义χ分布。S(k)的平方为Gamma分布,因此先产生Gamma分布的随机变量,通过对其求取平方根便可得到S(k)。
非线性变化表达式为g[v,E(y2)s2/(α2π)]=1-Q(z),为不完全Gamma函数,y为滤波器H1的输出,v是K分布形状参数,α为K分布尺度参数。根据α2=E(x2)/2v,非线性变换式变为:g(v,2vs2/π)=1-Q(z),为标准正态随机变量的尾部面积。概率密度在全区间积分为1,则其中是误差函数。产生调制分量S(k)的问题转化为求解方程的问题。
步骤三、根据多点拟合法构造海杂波幅度分布曲线的多个特征点。
依据海杂波幅度分布特性,构造多个特征点对海杂波模型进行参数估计,即多点拟合法。特征点的选取充分考虑对海杂波模型拟合时的幅度以及幅度宽度等特征。选取海杂波幅度分布曲线上的六个特征点,分别是:概率密度最大处对应的幅度,概率密度最大的点,概率密度最大值的1/2、1/3、2/3处对应的幅度宽度,以及概率密度为0.01时所对应的幅度。
步骤四、基于多点拟合法选取的特征点利用RBF神经网络进行参数估计。
形状参数v、尺度参数α与海杂波模型的幅度分布特性的6个特征量关系紧密。尺度参数α与形状参数v的关系可表示为:σ为杂波的平均功率。因此仅需要对海杂波模型的形状参数v进行估计,v与多点拟合法中的6个特征点的对应关系复杂,直接求解难度较大,故选择RBF神经网络挖掘数据间的定量关系。
通过改变形状参数v的值,利用SIRP法进行K分布海杂波建模,得到多组特征点参数。采用RBF神经网络进行模型训练从而获得多个特征点与形状参数v的关系。然后将实测海杂波数据代入训练好的模型从而估计出实测数据的形状参数,最终建立出于实测海杂波数据拟合度较高的海杂波模型。
为了使本发明的目的、技术方案及优点更加清晰,下面结合附图、仿真实验对本发明进一步说明。
首先建立K分布海杂波模型:
幅度分布特性:
时间相关性:
然后基于SIRP法对K分布海杂波模型进行仿真:
产生两路正交信号w1(k)和w2(k)。w1(k)为一复白高斯噪声,由滤波器H1(f)进行调制后产生散斑分量。
w2(k)是与w1(k)相互独立的实白高斯噪声,由滤波器H2(f)调控产生相关性接近1的序列Z(k)。将滤波器H2(f)设计成一个窄带宽低通滤波器使得非线性变换随机序列功率谱足够窄,采用5阶Butterworth低通滤波器。
将滤波器H2(f)的输出序列通过ZMNL法产生满足广义χ分布的调制分量:
g[v,E(y2)s2/(α2π)]=1-Q(z),
α2=E(y2)/2v,
其中,y为滤波器H1的输出,v是K分布形状参数,α为K分布尺度参数。概率密度在全区间积分为1,则:
求解上述方程组便可获得调制分量S(k)。
最终通过SIRP法仿真得到K分布海杂波模型:X(k)=Y(k)S(k)。
接下来在K分布模型和SIRP法的海杂波模型仿真基础上,通过改变K分布海杂波模型中的形状参数v,得到多组K分布海杂波模型,进而根据多点拟合法获得多组海杂波幅度分布曲线的特征点数据。
将每组数据的特征点数据作为RBF神经网络模型的输入,将相应海杂波模型的形状参数作为输出,通过RBF神经网络模型训练挖掘形状参数v与多点拟合法中多个特征点的关系。利用训练好的模型对实测海杂波数据的形状参数进行估计,最后基于估计出的形状参数利用SIRP法建立出与实测数据拟合度较高的K分布海杂波模型。
下面对仿真实验进行介绍。
步骤一、采用SIRP法进行K分布海杂波建模。
步骤二、根据多点拟合法的要求,在K分布海杂波幅度分布曲线上选取相应的6个特征点,即A点为概率密度最大处对应的幅度,B点表示概率密度最大的点,C点、D点、E点分别代表概率密度最大值的1/2、1/3、2/3处对应的幅度宽度,F点为概率密度为0.01时所对应的幅度,如图3所示。
步骤三、改变K分布海杂波的形状参数v得到30条K分布海杂波模型及相应的多点拟合法数据,数据由表1给出;
步骤四、将30条数据中的前5条作为RBF神经网络的测试数据,后25条作为训练数据。6个特征点作为RBF神经网络的输入,形状参数v作为预测目标。通过Bootstrap法将25组训练数据扩充成3000组,然后进行RBF神经网络模型训练。通过5组测试数据验证RBF神经网络模型的训练程度,训练结果由图5给出,5组预测结果的决定系数为0.9627。
步骤五、利用训练好的RBF神经网络模型对实测海杂波的形状参数v进行估计。实测数据的估计结果由表2给出。
步骤六、利用实测数据估计出的海杂波形状参数,采用SIRP法建立实测数据的K分布海杂波模型,同时利用其它两种传统参数估计法估计出的形状参数建立相应K分布海杂波模型。将三种方法的仿真结果同实测数据进行对比,对比结果如图7所示。采用均方误差法检验三种方法的拟合度Hmsd,对比结果由表3给出。
表1 30组K分布海杂波模型参数
表2实测数据估计结果
表3三种方法的仿真结果数据对比
根据仿真实验可知,通过本发明提出的基于多点拟合法和RBF神经网络的海杂波参数估计方法所建立的海杂波模型更加贴近实际海况的海杂波。
本发明方法可以用于不同海况下海杂波建模,多点拟合法与RBF神经网络相结合进行海杂波形状参数预测的方法应属于本发明所附的权利要求的保护范围。
如图8所示,本发明的另一目的在于提出一种海杂波参数估计系统,包括:
获取单元,用于获取实测海杂波数据;
参数估计单元,用于利用形状参数与多点拟合法中多个特征点的关系模型对实测海杂波数据的形状参数进行估计;
模型建立单元,用于基于估计出的形状参数利用球不变随机过程法建立出最终K分布海杂波模型。
其中,如图9所示,所述形状参数与多点拟合法中多个特征点的关系模型包括:
多点拟合单元,用于通过改变形状参数的值,利用球不变随机过程法进行K分布海杂波建模,根据多点拟合法获得多组海杂波幅度分布曲线的特征点数据;利用Bootstrap法对数据进行扩充满足训练RBF神经网络模型所需数据量;
神经网络训练单元,用于将每组数据的特征点数据作为RBF神经网络模型的输入,将相应海杂波模型的形状参数作为输出,通过RBF神经网络模型训练得到形状参数与多点拟合法中多个特征点的关系。
其中,如图10所示,多点拟合单元包括:
选择模块,用于根据海杂波幅度分布特性选取出多个特征点;
拟合模块,用于依据选取的特征点对K分布海杂波进行参数估计,即多点拟合。
如图11所示,本发明第三个目的是提供一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述海杂波参数估计方法的步骤。
本发明第四个目的是提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述海杂波参数估计方法的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种海杂波参数估计方法,其特征在于,包括以下步骤:
获取实测海杂波数据;
利用形状参数与多点拟合法中多个特征点的关系模型对实测海杂波数据的形状参数进行估计;
基于估计出的形状参数利用球不变随机过程法建立出最终K分布海杂波模型。
2.根据权利要求1所述的方法,其特征在于,
所述形状参数与多点拟合法中多个特征点的关系模型的建立方法包括:
通过改变形状参数的值,利用球不变随机过程法进行K分布海杂波建模,根据多点拟合法获得多组海杂波幅度分布曲线的特征点数据;
利用Bootstrap法对数据进行扩充满足训练RBF神经网络模型所需数据量;
将每组数据的特征点数据作为RBF神经网络模型的输入,将相应海杂波模型的形状参数作为输出,通过RBF神经网络模型训练得到形状参数与多点拟合法中多个特征点的关系。
3.根据权利要求2所述的方法,其特征在于,
根据多点拟合法获得多组海杂波幅度分布曲线的特征点数据具体包括:
根据海杂波幅度分布特性曲线选取出多个特征点;
依据选取的特征点对K分布海杂波进行参数估计,即多点拟合。
4.根据权利要求3所述的方法,其特征在于,
所述特征点数据选取海杂波幅度分布曲线上的特征点,包括:概率密度最大处对应的幅度,概率密度最大的点,概率密度最大值的1/2、1/3、2/3处对应的幅度宽度,以及概率密度为0.01时所对应的幅度。
5.根据权利要求2所述的方法,其特征在于,
所述球不变随机过程法进行K分布海杂波建模包括:
采用K分布进行海杂波建模;
采用球不变随机过程法对K分布海杂波进行仿真模拟。
7.根据权利要求6所述的方法,其特征在于,
采用球不变随机过程法对K分布海杂波进行仿真模拟具体包括:
模拟雷达相参机理产生两路正交信号w1(k)和w2(k);w1(k)为一复白高斯噪声,由滤波器H1(f)进行调制后产生散斑分量;
w2(k)是与w1(k)相互独立的实白搞死噪声,滤波器H2(f)为一个窄宽带的低通滤波器,w2(k)经滤波器H2(f)调控产生相关性接近1的序列Z(k);
将滤波器H2(f)的输出序列Z(k)通过ZMNL变换产生满足广义χ分布的调制分量:
g[v,E(y2)s2/(α2π)]=1-Q(z),
α2=E(y2)/2v,
其中,y为滤波器H1的输出,v是K分布形状参数,α为K分布尺度参数;概率密度在全区间积分为1,则:
求解上述方程组便可获得调制分量S(k);
最终通过SIRP法仿真得到K分布海杂波模型:X(k)=Y(k)S(k)。
8.一种海杂波参数估计系统,其特征在于,包括:
获取单元,用于获取实测海杂波数据;
参数估计单元,用于利用形状参数与多点拟合法中多个特征点的关系模型对实测海杂波数据的形状参数进行估计;
模型建立单元,用于基于估计出的形状参数利用球不变随机过程法建立出最终K分布海杂波模型。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1-7任一项所述海杂波参数估计方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-7任一项所述海杂波参数估计方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110668819.5A CN113189561B (zh) | 2021-06-16 | 2021-06-16 | 一种海杂波参数估计方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110668819.5A CN113189561B (zh) | 2021-06-16 | 2021-06-16 | 一种海杂波参数估计方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113189561A true CN113189561A (zh) | 2021-07-30 |
CN113189561B CN113189561B (zh) | 2023-12-15 |
Family
ID=76976487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110668819.5A Active CN113189561B (zh) | 2021-06-16 | 2021-06-16 | 一种海杂波参数估计方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113189561B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114488107A (zh) * | 2022-04-13 | 2022-05-13 | 南方海洋科学与工程广东省实验室(广州) | 一种海杂波时空分布及影响分级产品制作的方法及装置 |
CN114722619A (zh) * | 2022-04-20 | 2022-07-08 | 集美大学 | 船舶碰撞危险评判阈值模型构建方法、系统和存储介质 |
CN115390031A (zh) * | 2022-07-15 | 2022-11-25 | 西北工业大学 | 一种高分辨率海杂波建模与仿真方法 |
CN117420553A (zh) * | 2023-12-13 | 2024-01-19 | 南京理工大学 | 一种针对海面目标扫描雷达的超分辨率成像方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
NL1031761C2 (nl) * | 2006-05-08 | 2007-11-13 | Thales Nederland Bv | Werkwijze voor het filteren van zee-clutter in een radarecho door gebruik te maken van een hydrografisch model. |
US20120154204A1 (en) * | 2010-12-17 | 2012-06-21 | Raytheon Company | Methods and apparatus for sea state measurement via radar sea clutter eccentricity |
US20120154208A1 (en) * | 2010-12-17 | 2012-06-21 | Raytheon Company | Methods and apparatus for automatic stc from sea state measurement via radar sea clutter eccentricity |
CN105891793A (zh) * | 2016-03-30 | 2016-08-24 | 中国人民解放军国防科学技术大学 | 一种雷达导引头空时相关相参k分布杂波建模方法 |
US20170139038A1 (en) * | 2015-11-13 | 2017-05-18 | Rohde & Schwarz Gmbh & Co. Kg | Method and signal generator for simulation of sea clutter |
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 |
CN107490790A (zh) * | 2017-10-10 | 2017-12-19 | 北京航空航天大学 | 一种连续多脉冲相参海杂波的仿真方法 |
US20180052224A1 (en) * | 2014-12-15 | 2018-02-22 | Airbus Singapore Private Limited | Automated method for selecting training areas of sea clutter and detecting ship targets in polarimetric synthetic aperture radar imagery |
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 |
CN109884608A (zh) * | 2019-04-12 | 2019-06-14 | 北京环境特性研究所 | 一种海杂波k分布加噪声模型参数的快速分数阶矩估计方法 |
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 |
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 |
WO2020136258A1 (fr) * | 2018-12-27 | 2020-07-02 | Thales | Dispositif de génération d'un ensemble de données simulées du fouillis de mer, procédé et programme d'ordinateur associés |
-
2021
- 2021-06-16 CN CN202110668819.5A patent/CN113189561B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
NL1031761C2 (nl) * | 2006-05-08 | 2007-11-13 | Thales Nederland Bv | Werkwijze voor het filteren van zee-clutter in een radarecho door gebruik te maken van een hydrografisch model. |
US20120154204A1 (en) * | 2010-12-17 | 2012-06-21 | Raytheon Company | Methods and apparatus for sea state measurement via radar sea clutter eccentricity |
US20120154208A1 (en) * | 2010-12-17 | 2012-06-21 | Raytheon Company | Methods and apparatus for automatic stc from sea state measurement via radar sea clutter eccentricity |
US20180052224A1 (en) * | 2014-12-15 | 2018-02-22 | Airbus Singapore Private Limited | Automated method for selecting training areas of sea clutter and detecting ship targets in polarimetric synthetic aperture radar imagery |
US20170139038A1 (en) * | 2015-11-13 | 2017-05-18 | Rohde & Schwarz Gmbh & Co. Kg | Method and signal generator for simulation of sea clutter |
CN105891793A (zh) * | 2016-03-30 | 2016-08-24 | 中国人民解放军国防科学技术大学 | 一种雷达导引头空时相关相参k分布杂波建模方法 |
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 |
CN107490790A (zh) * | 2017-10-10 | 2017-12-19 | 北京航空航天大学 | 一种连续多脉冲相参海杂波的仿真方法 |
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 |
WO2020136258A1 (fr) * | 2018-12-27 | 2020-07-02 | Thales | Dispositif de génération d'un ensemble de données simulées du fouillis de mer, procédé et programme d'ordinateur associés |
CN109884608A (zh) * | 2019-04-12 | 2019-06-14 | 北京环境特性研究所 | 一种海杂波k分布加噪声模型参数的快速分数阶矩估计方法 |
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 |
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 |
Non-Patent Citations (3)
Title |
---|
何耀明 等: "基于多特征量的海杂波参数估计", 兵工学报, vol. 41, no. 3, pages 517 - 525 * |
曹艳霞 等: "基于K分布舰载雷达海杂波仿真方法研究", 雷达科学与技术, no. 01, pages 86 - 90 * |
陈志刚: "SIRP法相干K分布雷达海杂波建模与仿真", 中国科技财富, no. 08, pages 94 - 96 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114488107A (zh) * | 2022-04-13 | 2022-05-13 | 南方海洋科学与工程广东省实验室(广州) | 一种海杂波时空分布及影响分级产品制作的方法及装置 |
CN114722619A (zh) * | 2022-04-20 | 2022-07-08 | 集美大学 | 船舶碰撞危险评判阈值模型构建方法、系统和存储介质 |
CN115390031A (zh) * | 2022-07-15 | 2022-11-25 | 西北工业大学 | 一种高分辨率海杂波建模与仿真方法 |
CN115390031B (zh) * | 2022-07-15 | 2024-04-19 | 西北工业大学 | 一种高分辨率海杂波建模与仿真方法 |
CN117420553A (zh) * | 2023-12-13 | 2024-01-19 | 南京理工大学 | 一种针对海面目标扫描雷达的超分辨率成像方法 |
CN117420553B (zh) * | 2023-12-13 | 2024-03-12 | 南京理工大学 | 一种针对海面目标扫描雷达的超分辨率成像方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113189561B (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113189561B (zh) | 一种海杂波参数估计方法、系统、设备及存储介质 | |
CN109683161B (zh) | 一种基于深度admm网络的逆合成孔径雷达成像的方法 | |
CN110361778B (zh) | 一种基于生成对抗网络的地震数据重建方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN105981025A (zh) | 基于序列递归滤波三维变分的实测海洋环境数据同化方法 | |
CN110991721A (zh) | 基于改进经验模态分解和支持向量机的短期风速预测方法 | |
CN114662414B (zh) | 一种基于图小波神经网络模型的油藏生产预测方法 | |
CN112949383B (zh) | 一种基于HyDeep-Att网络的波形捷变雷达辐射源识别方法 | |
CN110879927B (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 | |
CN106599427A (zh) | 一种基于贝叶斯理论和气垫船姿态信息的海浪信息预测方法 | |
CN111553513A (zh) | 一种基于二次分解与回声状态网络的中长期径流预测方法 | |
CN110726992A (zh) | 基于结构稀疏和熵联合约束的sa-isar自聚焦法 | |
CN105699950A (zh) | 基于自适应迭代前后向平滑共轭梯度的雷达杂波抑制方法 | |
Regazzoni et al. | A physics-informed multi-fidelity approach for the estimation of differential equations parameters in low-data or large-noise regimes | |
CN114117912A (zh) | 一种数据模型双驱动下的海杂波建模与抑制方法 | |
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 | |
CN113673565A (zh) | 多传感器gm-phd自适应序贯融合多目标跟踪方法 | |
CN109212512B (zh) | 一种具有空间相关性的水声阵列海洋环境噪声仿真方法 | |
CN110807428A (zh) | 煤类样品的识别方法、装置、服务器及存储介质 | |
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 | |
CN108563421A (zh) | Fpga运算电路和斯皮尔曼秩次相关系数的求解方法 | |
CN109632071B (zh) | 一种基于时频特征产生水声环境噪声数据的方法及装置 | |
CN113702923B (zh) | 一种雷达杂波模拟方法及电子设备 | |
CN111142134A (zh) | 一种坐标时间序列处理方法及装置 | |
CN113869350B (zh) | 基于空间特征差异的海流预测方法以及系统 |
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 |