CN113742635A - 一种干扰背景下k分布形状参数自适应估计方法及其系统 - Google Patents

Abstract

本发明属于信号处理技术领域，具体涉及一种干扰背景下K分布形状参数自适应估计方法，该方法包括：基于由强到弱的模糊归一化处理方法，对待估计数据进行模糊归一化处理，获得归一化处理后的归一化数据集合

采用K分布形状参数估计方法，对归一化数据集合

中的每一组声纳或雷达回波归一化数据进行形状参数估计，获得多个K分布形状参数预估值，作为K分布形状参数预估值集合；对K分布形状参数预估值集合中的每一个K分布形状参数预估值求关于归一化处理强度的导数，得到K分布形状参数预估值随归一化处理强度变小时的变小速度，找到该变小速度由大变小、再由小变大的第一个拐点，将该拐点对应的K分布形状参数预估值作为K分布形状参数估计值。

Description

一种干扰背景下K分布形状参数自适应估计方法及其系统

技术领域

本发明属于信号处理技术领域，具体地说，涉及一种干扰背景下K分布形状参数自适应估计方法及其系统。

背景技术

对于高分辨率声呐或雷达数据，其背景统计分布一般为非瑞利分布，其中，K分布是一种能够较好描述高分辨率声呐或雷达数据的非瑞利分布，已在声呐和雷达目标检测领域得到了广泛研究和应用。K分布模型有两个参数：其中一个参数是决定K分布形状的形状参数，另一个参数是决定K分布功率的尺度参数。其中，K分布的形状参数与其偏离瑞利分布的程度有关，K分布形状参数越大，即K分布形状参数趋于无穷大时，K分布越趋于瑞利分布，分辨率越高，强散射单元或强干扰越多；K分布形状参数越小，K分布越偏离瑞利分布。

对于高分辨率声呐或雷达数据，现有的估计方法中，采用固定的归一化处理强度参数，然后基于归一化处理后的数据，进行K分布形状参数估计。

但是，现有的估计K分布形状参数的方法由于采用固定的归一化处理强度参数，在抑制强度干扰的同时，也抑制了正常的背景数据，不能自适应抑制强干扰，造成了过抑制或欠抑制的问题，从而降低了K分布形状参数估计的精度和准确度；另外，固定的归一化处理强度参数，通常都是根据经验设置的，并不能依据不同的干扰情况来选择合适的归一化处理强度，造成估计的K分布形状参数偏离其真实值，估计结果精度不高。

发明内容

本发明的目的在于，为解决现有技术存在上述缺陷，本发明提出了一种干扰背景下K分布形状参数自适应估计方法，该方法用于在强干扰背景下的目标检测，基于不同强度参数归一化处理方法，对待估计数据进行归一化处理和形状参数估计，然后根据不同归一化处理强度参数和对应形状参数估计结果变化趋势，自适应寻找既能抑制强干扰、又不过抑制背景数据的归一化处理强度参数，最后基于寻找到的合适归一化处理强度参数，对强干扰进行抑制和K分布形状参数稳健估计。

本发明提供的一种干扰背景下K分布形状参数自适应估计方法，该方法包括：

基于由强到弱的模糊归一化处理方法，对待估计数据进行模糊归一化处理，获得归一化处理后的归一化数据集合

采用K分布形状参数估计方法，对归一化数据集合

中的每一组声纳或雷达回波归一化数据进行形状参数估计，获得多个K分布形状参数预估值，作为K分布形状参数预估值集合；

对K分布形状参数预估值集合中的每一个K分布形状参数预估值求关于归一化处理强度的导数，得到K分布形状参数预估值随归一化处理强度变小时的变小速度，找到该变小速度由大变小、再由小变大的第一个拐点，将该拐点对应的K分布形状参数预估值作为K分布形状参数估计值。

作为上述技术方案的改进之一，所述基于由强到弱的模糊归一化处理方法，对待估计数据进行模糊归一化处理，获得归一化处理后的归一化数据集合

具体为：

定义模糊瑞利背景集合为A＝{(z_m,μ_A(z_m,σ))|z_m∈Zn,Zn∈Z}；其中，A为模糊瑞利背景集合，Z是待估计数据，即包含多组待估计雷达或声纳回波数据的全集合，Zn为第n组待估计雷达或声纳回波数据，即Zn是Z的集成员，Z＝{Z1,Z2,Z3,...Zn}；z_m为第n组待估计雷达或声纳回波数据中的第m个雷达或声纳回波数据，即z_m是Zn的集成员，Zn＝{z₁,z₂,z₃,...,z_m}；m>0；Z中包含n组待估计雷达或声纳回波数据，Zn中包含m个雷达或声纳回波数据；μ_A(z_m,σ)是A的隶属度函可数；对于任何z_m∈Zn，μ_A(z_m,σ)∈[0,1]，μ_A(z_m,σ)反映了z_m隶属于A的隶属度，其值为隶属度值；

基于归一化处理强度由强到弱的模糊归一化处理方法，根据归一化处理强度从强到弱的顺序，从模糊瑞利背景集合A中删除背景数据野值集合，完成背景数据野值剔除，得到模糊瑞利背景集合A的α_n截集的模糊截集合

完成模糊归一化处理：

A_αn＝{Zn'|μ_A(Zn',σ)≥α_n}

其中，Zn'为第n组雷达或声纳回波归一化数据；Zn'＝{z₁,z₂,z₃,...,z_p},Zn'∈Zn；p<m；z_p<z_m；α_n为Z中的第n组待估计雷达或声纳回波数据Zn对应的归一化处理强度；α_n∈[0,1]；α_n值为z_m隶属于A的隶属度阈值；σ为标准差；

模糊截集合

为包括大于或等于α_n值的隶属度值及其对应的一组雷达或声纳回波归一化数据所组成的集成员的全集合；

其中，

对应的归一化处理强度大于

对应的归一化处理强度大于

对应的归一化处理强度…大于

对应的归一化处理强度；

背景数据野值集合包括：任何数值小于x_min的模糊瑞利背景集合A中的集成员和任何数值大于x_max的模糊瑞利背景集合A中的集成员；

x_min为模糊瑞利背景集合A的集成员的最小值；x_max为模糊瑞利背景集合A的集成员的最大值；

得到的模糊截集合

为归一化处理后的归一化数据集合。

作为上述技术方案的改进之一，所述采用K分布形状参数估计方法，对归一化数据集合

中的每一组声纳或雷达回波归一化数据进行形状参数估计，获得多个K分布形状参数预估值，作为K分布形状参数预估值集合；具体为：

采用K分布形状参数估计方法，利用如下公式(3)，对归一化数据集合

中的每一组声纳或雷达回波归一化数据进行形状参数估计，计算不同归一化处理强度下的K分布形状参数预估值：

其中，v_n为第n组雷达或声纳回波归一化数据对应的K分布形状参数预估值；Zn'为第n组雷达或声纳回波归一化数据；〈·〉为取平均；

将多个归一化处理强度下的K分布形状参数预估值根据归一化处理强度从强到弱的顺序进行组合，作为K分布形状参数预估值集合，即{v₁,v₂,v₃…v_n}；

其中，根据归一化处理强度从强到弱的变化顺序对应的K分布形状参数预估值为v₁>v₂>v₃…>v_n。

本发明还提供了一种干扰背景下K分布形状参数自适应估计系统，该系统包括：

归一化处理模块，用于基于由强到弱的模糊归一化处理方法，对待估计数据进行模糊归一化处理，获得归一化处理后的归一化数据集合

K分布形状参数获取模块，用于采用K分布形状参数估计方法，对归一化数据集合

中的每一组归一化处理后的声纳或雷达回波数据进行形状参数估计，获得多组K分布形状参数预估值，作为K分布形状参数预估值集合；和

K分布形状参数估计模块，用于对K分布形状参数预估值集合中的每一组K分布形状参数预估值求关于归一化处理强度的导数，得到K分布形状参数预估值随归一化处理强度变小时的变小速度，找到该变小速度由大变小、再由小变大的第一个拐点，将该拐点对应的K分布形状参数预估值作为K分布形状参数估计值。

作为上述技术方案的改进之一，所述基于由强到弱的模糊归一化处理方法，对待估计数据进行模糊归一化处理，获得归一化处理后的归一化数据集合

具体为：

定义模糊瑞利背景集合为A＝{(z_m,μ_A(z_m,σ))|z_m∈Zn,Zn∈Z}；其中，A为模糊瑞利背景集合，Z是待估计数据，即包含多组待估计雷达或声纳回波数据的全集合，Zn为第n组待估计雷达或声纳回波数据，即Zn是Z的集成员，Z＝{Z1,Z2,Z3,...Zn}；z_m为第n组待估计雷达或声纳回波数据中的第m个雷达或声纳回波数据，即z_m是Zn的集成员，Zn＝{z₁,z₂,z₃,...,z_m}；m>0；Z中包含n组待估计雷达或声纳回波数据，Zn中包含m个雷达或声纳回波数据；μ_A(z_m,σ)是A的隶属度函可数；对于任何z_m∈Zn，μ_A(z_m,σ)∈[0,1]，μ_A(z_m,σ)反映了z_m隶属于A的隶属度，其值为隶属度值；

基于归一化处理强度由强到弱的模糊归一化处理方法，根据归一化处理强度从强到弱的顺序，从模糊瑞利背景集合A中删除背景数据野值集合，完成背景数据野值剔除，得到模糊瑞利背景集合A的α_n截集的模糊截集合

完成模糊归一化处理：

其中，Zn'为第n组雷达或声纳回波归一化数据；Zn'＝{z₁,z₂,z₃,...,z_p},Zn'∈Zn；p<m；z_p<z_m；α_n为Z中的第n组待估计雷达或声纳回波数据Zn对应的归一化处理强度；α_n∈[0,1]；α_n值为z_m隶属于A的隶属度阈值；σ为标准差；

模糊截集合

为包括大于或等于α_n值的隶属度值及其对应的一组雷达或声纳回波归一化数据所组成的集成员的全集合；

其中，

对应的归一化处理强度大于

对应的归一化处理强度大于

对应的归一化处理强度…大于

对应的归一化处理强度；

背景数据野值集合包括：任何数值小于x_min的模糊瑞利背景集合A中的集成员和任何数值大于x_max的模糊瑞利背景集合A中的集成员；

x_min为模糊瑞利背景集合A的集成员的最小值；x_max为模糊瑞利背景集合A的集成员的最大值；

得到的模糊截集合

为归一化处理后的归一化数据集合。

作为上述技术方案的改进之一，所述采用K分布形状参数估计方法，对归一化数据集合

中的每一组声纳或雷达回波归一化数据进行形状参数估计，获得多个K分布形状参数预估值，作为K分布形状参数预估值集合；具体为：

采用K分布形状参数估计方法，利用如下公式(3)，对归一化数据集合

中的每一组声纳或雷达回波归一化数据进行形状参数估计，计算不同归一化处理强度下的K分布形状参数预估值：

其中，v_n为第n组雷达或声纳回波归一化数据对应的K分布形状参数预估值；Zn'为第n组雷达或声纳回波归一化数据；〈·〉为取平均；

将多个归一化处理强度下的K分布形状参数预估值根据归一化处理强度从强到弱的顺序进行组合，作为K分布形状参数预估值集合，即{v₁,v₂,v₃…v_n}；

其中，根据归一化处理强度从强到弱的变化顺序对应的K分布形状参数预估值为v₁>v₂>v₃…>v_n。

本发明与现有技术相比的有益效果是：

现有的K分布形状参数估计方法，强干扰会严重影响最终得到的K分布形状参数估计值的准确度和精确度，造成最终得到的K分布形状参数估计值严重偏离其实际值，即使对对强干扰进行抑制处理，也很难对干扰强度进行自适应抑制。相比于现有的K分布形状参数估计方法，本发明的方法能够自适应的对强干扰进行抑制，即在待估计数据中删除背景数据野值集合，达到没有强干扰，或有不同强度的干扰时，本发明的方法均能够较准确获取K分布形状参数估计值，提高了干扰背景下K分布形状参数估计值获取的准确度，进而根据K分布形状参数估计值,有效确定数据的检测门限,进而提高目标的检测性能，用于在强干扰背景下的目标检测，给出了合适的检测门限，满足了强干扰背景下的目标检测需求。

附图说明

图1为未采用本发明的自适应估计方法，K分布形状参数估计值v1分别为0.3，0.5，0.8，1，2，3，4的K分布数据加入不同强度的干扰后，其对应的K分布形状参数估计值未被归一化处理，且随干扰背景功率比(ICR)变化的趋势图；

图2(a)为在无干扰背景功率比的情况下，K分布形状参数估计值分别为0.5，1.5，2.5，3.5，4.5的K分布数据被模糊归一化处理后，K分布形状参数估计值随归一化处理强度变化的趋势图；

图2(b)为在加入干扰背景功率比为15dB的干扰后，K分布形状参数估计值分别为0.5，1.5，2.5，3.5，4.5的K分布数据被模糊归一化处理后，K分布形状参数估计值随归一化处理强度变化的趋势图；

图3(a)为加入干扰背景功率比(ICR)为30dB的干扰后，K分布形状参数估计值v＝1随归一化处理强度的变化趋势图；

图3(b)为3(a)的变小速度(即对K分布形状参数预估值求关于归一化处理强度的导数而得到的K分布形状参数梯度变化)的示意图；

图4是采用本发明的一种干扰背景下K分布形状参数自适应估计方法加入不同强度的干扰后的K分布形状参数估计值与采用传统估计方法直接估计得到的K分布形状参数估计值进行比较的示意图；

图5是本发明的一种干扰背景下K分布形状参数自适应估计方法的一个具体实施例的方法流程图；

图6是本发明的一种干扰背景下K分布形状参数自适应估计方法的方法流程图。

具体实施方式

现结合附图对本发明作进一步的描述。

本发明提供了一种干扰背景下K分布形状参数自适应估计方法，干扰背景严重影响了高分辨率声呐或雷达数据统计分布参数估计水平和目标检测性能，本发明通过自适应寻找合适的归一化处理强度，实现对强干扰的抑制和K分布形状参数的稳健估计，提高了强干扰情况下声呐或雷达数据的背景功率估计水平和目标检测性能。

实施例1.

如图6所示，本发明提供了一种干扰背景下K分布形状参数自适应估计方法，其特征在于，该方法包括：

基于由强到弱的模糊归一化处理方法，对待估计数据进行模糊归一化处理，获得归一化处理后的归一化数据集合

其中，所述待估计数据为雷达或声纳回波能量强度或幅值；

具体地，定义模糊瑞利背景集合为A＝{(z_m,μ_A(z_m,σ))|z_m∈Zn,Zn∈Z}；其中，A为模糊瑞利背景集合，Z是待估计数据，即包含多组待估计雷达或声纳回波数据的全集合，Zn为第n组待估计雷达或声纳回波数据，即Zn是Z的集成员，Z＝{Z1,Z2,Z3,...Zn}；z_m为第n组待估计雷达或声纳回波数据中的第m个雷达或声纳回波数据，即z_m是Zn的集成员，Zn＝{z₁,z₂,z₃,...,z_m}；m>0；Z中包含n组待估计雷达或声纳回波数据，Zn中包含m个雷达或声纳回波数据；μ_A(z_m,σ)是A的隶属度函可数；对于任何z_m∈Zn，μ_A(z_m,σ)∈[0,1]，μ_A(z_m,σ)反映了z_m隶属于A的隶属度，其值为隶属度值；

基于归一化处理强度由强到弱的模糊归一化处理方法，根据归一化处理强度从强到弱的顺序，从模糊瑞利背景集合A中删除背景数据野值集合，完成背景数据野值剔除，得到模糊瑞利背景集合A的α_n截集的模糊截集合

完成模糊归一化处理：

其中，Zn'为第n组雷达或声纳回波归一化数据；Zn'＝{z₁,z₂,z₃,...,z_p},Zn'∈Zn；p<m；z_p<z_m；α_n为Z中的第n组待估计雷达或声纳回波数据Zn对应的归一化处理强度；α_n∈[0,1]；α_n值为z_m隶属于A的隶属度阈值；σ为标准差；

模糊截集合

为包括大于或等于α_n值的隶属度值及其对应的一组雷达或声纳回波归一化数据所组成的集成员的全集合；

其中，

对应的归一化处理强度大于

对应的归一化处理强度大于

对应的归一化处理强度…大于

对应的归一化处理强度；

得到的模糊截集合

为归一化处理后的归一化数据集合。

其中，背景数据野值集合的获取过程如下：

如果模糊瑞利背景集合A的集成员的最小值为x_min，则μ_A(x_min,σ)→0，任何数值小于x_min的模糊瑞利背景集合A中的集成员为背景数据野值，即非瑞利背景集合；

如果模糊瑞利背景集合A的集成员的最大值为x_max，则μ_A(x_max,σ)→0，任何数值大于x_max的模糊瑞利背景集合A中的集成员也作为背景数据野值，即非瑞利背景集合。

因此，背景数据野值集合包括：任何数值小于x_min的模糊瑞利背景集合A中的集成员和任何数值大于x_max的模糊瑞利背景集合A中的集成员。

背景数据野值由于其背景隶属度值小于α_n，被

集拒绝，因此，

中的所有集成员组成了归一化处理后的归一化数据集合。而利用α_n截集手段，将模糊瑞利背景集合A去模糊化作为截集

的过程称之为模糊归一化处理。

因此，α_n为隶属度阈值，α_n越大，隶属度阈值越高，越容易被认为是背景数据野值，即背景数据野值就越多，背景数据野值集合就越大，归一化强度越强；相反，α_n越小，隶属度阈值越低，越容易被认为是背景数据，归一化强度越弱。

采用K分布形状参数估计方法，对归一化数据集合

中的每一组声纳或雷达回波归一化数据进行形状参数估计，获得多个K分布形状参数预估值，作为K分布形状参数预估值集合；

具体地，采用K分布形状参数估计方法，利用如下公式(3)，对归一化数据集合

中的每一组声纳或雷达回波归一化数据进行形状参数估计，计算不同归一化处理强度下的K分布形状参数预估值：

其中，v_n为第n组雷达或声纳回波归一化数据对应的K分布形状参数预估值；Zn'为第n组雷达或声纳回波归一化数据；〈·〉为取平均；

将多个归一化处理强度下的K分布形状参数预估值根据归一化处理强度从强到弱的顺序进行组合，作为K分布形状参数预估值集合，即{v₁,v₂,v₃…v_n}；

其中，根据归一化处理强度从强到弱的变化顺序对应的K分布形状参数预估值为v₁>v₂>v₃…>v_n。

对K分布形状参数预估值集合中的每一个K分布形状参数预估值求关于归一化处理强度的导数，得到K分布形状参数预估值随归一化处理强度变小时的变小速度，找到该变小速度由大变小、再由小变大的第一个拐点，将该拐点对应的K分布形状参数预估值作为K分布形状参数估计值。

在其他具体实施例中，本发明的方法中，在得到的K分布形状参数预估值随归一化处理强度变小时的变小速度中，如果没有找到该变小速度由大变小、再由小变大的第一个拐点，即该变小速度始终保持一个定值，不发生变大或变小的情况；则将归一化处理强度最弱的

对应的K分布形状参数预估值v_n，作为K分布形状参数估计值。

本发明还提供了一种干扰背景下K分布形状参数自适应估计系统，该系统包括：

归一化处理模块，用于基于由强到弱的模糊归一化处理方法，对待估计数据进行模糊归一化处理，获得归一化处理后的归一化数据集合

具体为：定义模糊瑞利背景集合为A＝{(z_m,μ_A(z_m,σ))|z_m∈Zn,Zn∈Z}；其中，A为模糊瑞利背景集合，Z是待估计数据，即包含多组待估计雷达或声纳回波数据的全集合，Zn为第n组待估计雷达或声纳回波数据，即Zn是Z的集成员，Z＝{Z1,Z2,Z3,...Zn}；z_m为第n组待估计雷达或声纳回波数据中的第m个雷达或声纳回波数据，即z_m是Zn的集成员，Zn＝{z₁,z₂,z₃,...,z_m}；m>0；Z中包含n组待估计雷达或声纳回波数据，Zn中包含m个雷达或声纳回波数据；μ_A(z_m,σ)是A的隶属度函可数；对于任何z_m∈Zn，μ_A(z_m,σ)∈[0,1]，μ_A(z_m,σ)反映了z_m隶属于A的隶属度，其值为隶属度值；

基于归一化处理强度由强到弱的模糊归一化处理方法，根据归一化处理强度从强到弱的顺序，从模糊瑞利背景集合A中删除背景数据野值集合，完成背景数据野值剔除，得到模糊瑞利背景集合A的α_n截集的模糊截集合

完成模糊归一化处理：

其中，Zn'为第n组雷达或声纳回波归一化数据；Zn'＝{z₁,z₂,z₃,...,z_p},Zn'∈Zn；p<m；z_p<z_m；α_n为Z中的第n组待估计雷达或声纳回波数据Zn对应的归一化处理强度；α_n∈[0,1]；α_n值为z_m隶属于A的隶属度阈值；σ为标准差；

模糊截集合

为包括大于或等于α_n值的隶属度值及其对应的一组雷达或声纳回波归一化数据所组成的集成员的全集合；

其中，

对应的归一化处理强度大于

对应的归一化处理强度大于

对应的归一化处理强度…大于

对应的归一化处理强度；

背景数据野值集合包括：任何数值小于x_min的模糊瑞利背景集合A中的集成员和任何数值大于x_max的模糊瑞利背景集合A中的集成员；

x_min为模糊瑞利背景集合A的集成员的最小值；x_max为模糊瑞利背景集合A的集成员的最大值；

得到的模糊截集合

为归一化处理后的归一化数据集合。

K分布形状参数获取模块，用于采用K分布形状参数估计方法，对归一化数据集合

中的每一组归一化处理后的声纳或雷达回波数据进行形状参数估计，获得多组K分布形状参数预估值，作为K分布形状参数预估值集合；

具体为：采用K分布形状参数估计方法，利用如下公式(3)，对归一化数据集合

中的每一组声纳或雷达回波归一化数据进行形状参数估计，计算不同归一化处理强度下的K分布形状参数预估值：

其中，v_n为第n组雷达或声纳回波归一化数据对应的K分布形状参数预估值；Zn'为第n组雷达或声纳回波归一化数据；〈·〉为取平均；

将多个归一化处理强度下的K分布形状参数预估值根据归一化处理强度从强到弱的顺序进行组合，作为K分布形状参数预估值集合，即{v₁,v₂,v₃…v_n}；

其中，根据归一化处理强度从强到弱的变化顺序对应的K分布形状参数预估值为v₁>v₂>v₃…>v_n。和

K分布形状参数估计模块，用于对K分布形状参数预估值集合中的每一组K分布形状参数预估值求关于归一化处理强度的导数，得到K分布形状参数预估值随归一化处理强度变小时的变小速度，找到该变小速度由大变小、再由小变大的第一个拐点，将该拐点对应的K分布形状参数预估值作为K分布形状参数估计值。

实施例2.

本发明提供的一种干扰背景下K分布形状参数自适应估计方法，通过自适应寻找合适的归一化处理强度参数，实现对强干扰的抑制和K分布形状参数的稳健估计，提高强干扰情况下高分辨率声呐或雷达数据的K分布形状参数的估计水平，解决了强干扰情况下，K分布形状参数的稳健估计问题。

该方法包括：

基于由强到弱的模糊归一化处理方法，对待估计数据进行模糊归一化处理，获得归一化处理后的归一化数据集合

其中，所述待估计数据为雷达或声纳回波能量强度或幅值；

具体地，定义模糊瑞利背景集合为A＝{(z_m,μ_A(z_m,σ))|z_m∈Zn,Zn∈Z}；其中，A为模糊瑞利背景集合，Z是待估计数据，即包含多组待估计雷达或声纳回波数据的全集合，Zn为第n组待估计雷达或声纳回波数据，即Zn是Z的集成员，Z＝{Z1,Z2,Z3,...Zn}；z_m为第n组待估计雷达或声纳回波数据中的第m个雷达或声纳回波数据，即z_m是Zn的集成员，Zn＝{z₁,z₂,z₃,...,z_m}；m>0；Z中包含n组待估计雷达或声纳回波数据，Zn中包含m个雷达或声纳回波数据；μ_A(z_m,σ)是A的隶属度函可数；对于任何z_m∈Zn，μ_A(z_m,σ)∈[0,1]，μ_A(z_m,σ)反映了z_m隶属于A的隶属度，其值为隶属度值；

基于归一化处理强度由强到弱的模糊归一化处理方法，根据归一化处理强度从强到弱的顺序，从模糊瑞利背景集合A中删除背景数据野值集合，完成背景数据野值剔除，得到模糊瑞利背景集合A的α_n截集的模糊截集合

完成模糊归一化处理：

其中，Zn'为第n组雷达或声纳回波归一化数据；Zn'＝{z₁,z₂,z₃,...,z_p},Zn'∈Zn；p<m；z_p<z_m；α_n为Z中的第n组待估计雷达或声纳回波数据Zn对应的归一化处理强度；α_n∈[0,1]；α_n值为z_m隶属于A的隶属度阈值；σ为标准差；

模糊截集合

为包括大于或等于α_n值的隶属度值及其对应的一组雷达或声纳回波归一化数据所组成的集成员的全集合；

其中，

对应的归一化处理强度大于

对应的归一化处理强度大于

对应的归一化处理强度…大于

对应的归一化处理强度；

得到的模糊截集合

为归一化处理后的归一化数据集合。

其中，背景数据野值集合的获取过程如下：

如果模糊瑞利背景集合A的集成员的最小值为x_min，则μ_A(x_min,σ)→0，任何数值小于x_min的模糊瑞利背景集合A中的集成员为背景数据野值，即非瑞利背景集合；

如果模糊瑞利背景集合A的集成员的最大值为x_max，则μ_A(x_max,σ)→0，任何数值大于x_max的模糊瑞利背景集合A中的集成员也作为背景数据野值，即非瑞利背景集合。

因此，背景数据野值集合包括：任何数值小于x_min的模糊瑞利背景集合A中的集成员和任何数值大于x_max的模糊瑞利背景集合A中的集成员。

背景数据野值由于其背景隶属度值小于α_n，被

集拒绝，因此，

中的所有集成员组成了归一化处理后的归一化数据集合。而利用α_n截集手段，将模糊瑞利背景集合A去模糊化作为截集

的过程称之为模糊归一化处理。

因此，α_n为隶属度阈值，α_n越大，隶属度阈值越高，越容易被认为是背景数据野值，即背景数据野值就越多，背景数据野值集合就越大，归一化强度越强；相反，α_n越小，隶属度阈值越低，越容易被认为是背景数据，归一化强度越弱。

采用K分布形状参数估计方法，对归一化数据集合

中的每一组声纳或雷达回波归一化数据进行形状参数估计，获得多个K分布形状参数预估值，作为K分布形状参数预估值集合；

具体地，采用K分布形状参数估计方法，利用如下公式(3)，对归一化数据集合

中的每一组声纳或雷达回波归一化数据进行形状参数估计，计算不同归一化处理强度下的K分布形状参数预估值：

其中，v_n为第n组雷达或声纳回波归一化数据对应的K分布形状参数预估值；Zn'为第n组雷达或声纳回波归一化数据；〈·〉为取平均；

将多个归一化处理强度下的K分布形状参数预估值根据归一化处理强度从强到弱的顺序进行组合，作为K分布形状参数预估值集合，即{v₁,v₂,v₃…v_n}；

其中，根据归一化处理强度从强到弱的变化顺序对应的K分布形状参数预估值为v₁>v₂>v₃…>v_n。

现给出估计K分布形状参数预估值的计算原理，具体如下：

对于声纳或雷达回波幅值变量x₁，K分布的概率密度函数为：

其中，p(x₁)为关于声纳或雷达回波幅值的K分布的概率密度函数；

对于声纳或雷达回波能量强度变量z＝x₁ ²，K分布的概率密度函数是：

其中，p(z)为关于声呐或雷达回波能量强度的K分布的概率密度函数；v为决定K分布形状的K分布形状参数预估值；μ为x₁ ²均值；Γ(·)为gamma函数；K_v-1(·)是v¹-1阶变形第二类Bessel函数；

对于K分布数据，根据公式(2)，基于zlogz的参数估计方法，K分布形状参数预估值v由公式(3)得到：

其中，v为归一化处理强度下的K分布形状参数预估值；z为归一化数据集合中的每一组声纳或雷达回波归一化数据；〈·〉为取平均；该估计方法计算速度快，准确性较高。

在其他具体实施例中，还可以采用公式(1)，基于x₁ logx₁的参数估计方法，计算K分布形状参数预估值。

根据K分布形状参数预估值集合，绘制K分布形状参数曲线和K分布形状参数变小速度曲线，进而获得K分布形状参数估计值。

具体地，根据K分布形状参数预估值集合，绘制在进行模糊归一化处理过程中，归一化处理强度与对应的K分布形状参数预估值的K分布形状参数曲线；

对K分布形状参数预估值集合中的每一个K分布形状参数预估值求关于归一化处理强度的导数，得到K分布形状参数的变小速度，绘制归一化处理强度与对应的K分布性状参数的变小速度的K分布形状参数变小速度曲线；

根据绘制的K分布形状参数变小速度曲线，找到K分布形状参数变小速度由大变小、再由小变大的第一个拐点，根据该拐点对应的归一化处理强度，在K分布形状参数曲线中，找到与该归一化处理强度对应的K分布形状参数预估值，将该K分布形状参数预估值作为K分布形状参数估计值。为了防止小干扰对拐点的影响，也可以对曲线进行平滑处理后再找拐点。

在其他具体实施例中，本发明的方法中，在绘制的K分布形状参数变小速度曲线中，如果没有找到该变小速度由大变小、再由小变大的第一个拐点，即该变小速度始终保持一个定值，不发生变大或变小的情况，则将最弱的归一化处理强度对应的K分布形状参数预估值，作为K分布形状参数估计值。

其中，由于归一化处理强度参数较小，为了便于表示，也可以取其10为底的log值，即log10(z)；

其中，K分布形状参数曲线中，按照归一化处理强度从强到弱分为四个阶段，其包括：

第一阶段，即背景被抑制到背景不被抑制阶级；该阶段为归一化处理后的K分布形状参数预估值随着归一化处理强度参数的变弱而迅速变小的变化过程的变化曲线。

第二阶级，即背景不被抑制而干扰被抑制阶级；由于强干扰会偏离背景一定距离，因此，该阶段为归一化处理后的K分布形状参数预估值随着归一化处理强度参数的变弱而缓慢变小或不变的变化过程的变化曲线。

第三阶段，即从干扰被抑制到干扰不被抑制阶级；该阶级为归一化处理后的K分布形状参数预估值随着归一化处理强度参数的变弱而迅速变小的变化过程的变化曲线。

第四阶级，即干扰不被抑制阶段；该阶段为归一化处理后的K分布形状参数预估值随着归一化处理强度参数的变弱而趋于平缓变化的变化过程的变化曲线；该阶段中，归一化强度弱到对所有干扰都不起作用，相当于没有任何处理。

其中，如果没有干扰，则当归一化处理强度弱到背景不被抑制后，K分布形状参数预估值会在其真实值附近，K分布形状参数预估值变小速度也会趋于平缓。此时，基于K分布形状参数预估值变小速度拐点获取的K分布形状参数预估值，仍然是K分布形状参数真实值附近。

图1为未采用本发明的自适应估计方法，K分布形状参数估计值分别为0.3，0.5，0.8，1，2，3，4的K分布数据加入不同强度的干扰后，其对应的K分布形状参数估计值未被归一化处理，且随干扰背景功率比(ICR)变化的趋势图。

由图1可看出，随着干扰的增强，K分布形状参数估计值迅速变小，并且K分布形状参数估计值越大，偏离原值越明显。

图2(a)为在无干扰背景功率比的情况下，K分布形状参数估计值分别为0.5，1.5，2.5，3.5，4.5的K分布数据被模糊归一化处理后，K分布形状参数估计值随归一化强度参数变化的趋势图。根据图2(a)所示，归一化处理强度参数由强到弱的四个阶段，在归一化处理强度参数变弱时(即log(α₁)＜-4)，则K分布形状参数估计值一直在其实际值附近，而当归一化处理强度参数变强时(即log(α₁)≥-4)，K分布形状参数估计值迅速变大。

图2(b)为在加入干扰背景功率比为15dB的干扰后，K分布形状参数估计值分别为0.5，1.5，2.5，3.5，4.5的K分布数据进行模糊归一化处理后，K分布形状参数估计值随归一化处理强度参数变化的趋势图。根据图2(b)所示，归一化处理可以使加入干扰后偏离变小的K分布形状参数估计值变大，并且归一化强度越强，归一化处理后的K分布形状参数估计值越大。

如图5所示，本发明给出了一个具体实施例，提出了一种干扰背景下K分布形状参数自适应估计方法，该方法包括：

基于由强到弱的模糊归一化处理方法，对待估计数据Z进行q次模糊归一化处理，获得归一化处理后的归一化数据集合；其中，归一化数据集合为

对应的归一化处理强度>

对应的归一化处理强度>

对应的归一化处理强度…>

对应的归一化处理强度；

采用K分布形状参数估计方法，对归一化数据集合中的每一组归一化处理后的声纳或雷达回波归一化数据进行形状参数估计，获得多个归一化处理强度下的K分布形状参数预估值，作为K分布形状参数预估值集合，即{v₁、v₂、v₃…v_q}；其中，根据上述的强弱变化对应的K分布形状参数预估值也会有：v₁>v₂>v₃…>v_q；

根据K分布形状参数预估值集合，绘制K分布形状参数曲线和K分布形状参数变小速度曲线，进而获得K分布形状参数估计值。

具体地，根据K分布形状参数预估值集合，绘制在进行模糊归一化处理过程中，归一化处理强度与对应的K分布形状参数预估值的K分布形状参数曲线；

对K分布形状参数预估值集合中的每一个K分布形状参数预估值求关于归一化处理强度的导数，得到K分布形状参数的变小速度，绘制归一化处理强度与对应的K分布性状参数的变小速度的K分布形状参数变小速度曲线；

根据绘制的K分布形状参数变小速度曲线，找到K分布形状参数变小速度由大变小、再由小变大的第一个拐点，根据该拐点对应的归一化处理强度，在K分布形状参数曲线中，找到与该归一化处理强度对应的K分布形状参数预估值，将该K分布形状参数预估值作为K分布形状参数估计值。

由于归一化处理强度由强到弱，因此，通过归一化处理强度进行K分布形状参数估计得到的K分布形状参数预估值v₁到v_q逐渐变小，而这个变小过程中，变小的速度有时会变大，有时会变小，选择变小速度由大变小、再由小变大的第一个拐点，该拐点对应的K分布形状参数预估值，作为K分布形状参数估计值。

图3(a)为加入干扰背景功率比(ICR)为30dB的干扰后，K分布形状参数实际值v＝1时，K分布形状参数预估值随归一化处理强度的变化趋势图；根据图3(a)所示，归一化处理强度由强变弱(log(α₁)从-3到-30)分为四个阶段：

第一阶段(log(α₁)从-3到-7)，K分布形状参数估计值迅速变小；

第二阶段(log(α₁)从-8到-12)，估计值变小速度变缓；

第三阶段(log(α₁)从-13到-21)，估计值再次迅速变小；

第四阶段(log(α₁)从-21到-30)，直至再次平缓。

图3(b)为对K分布形状参数预估值求关于归一化处理强度的导数得到的K分布形状参数的变小速度与归一化处理强度变化的曲线示意图，即3(a)的变小速度(对log(α₁)求导)的示意图。从图3(b)可以看出，归一化处理强度log(α₁)从-3到-30的过程中，K分布形状参数的变小速度(即v的变小速度)由大变小、再由小变大的第一个拐点M为log(α₁)＝-12处，则将拐点M(log(α₁)＝-12)放入图3(a)中，在图3(a)中，找到对应的N点，即与归一化处理强度log(α₁)＝-12对应的K分布形状参数预估值为1.06，该预估值1.06在K分布形状参数实际值v＝1附近，则1.06为K分布形状参数估计值。

基于所提干扰背景下K分布形状参数自适应估计方法，对加入不同强度的干扰后的K分布形状参数估计值与采用传统的估计方法直接估计得到的K分布形状参数估计值进行了比较，比较结果如图4所示；由图4可以看出，当干扰强度增加到一定程度时，干扰会使K分布形状参数估计值迅速变小，离K分布形状参数真实值1越来越远；而基于本发明的自适应估计方法，无论干扰强度增加到多少，K分布形状参数估计值都会在K分布形状参数真实值1附近。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种干扰背景下K分布形状参数自适应估计方法，其特征在于，该方法包括：

基于由强到弱的模糊归一化处理方法，对待估计数据进行模糊归一化处理，获得归一化处理后的归一化数据集合

采用K分布形状参数估计方法，对归一化数据集合

中的每一组声纳或雷达回波归一化数据进行形状参数估计，获得多个K分布形状参数预估值，作为K分布形状参数预估值集合；

对K分布形状参数预估值集合中的每一个K分布形状参数预估值求关于归一化处理强度的导数，得到K分布形状参数预估值随归一化处理强度变小时的变小速度，找到该变小速度由大变小、再由小变大的第一个拐点，将该拐点对应的K分布形状参数预估值作为K分布形状参数估计值。

2.根据权利要求1所述的干扰背景下K分布形状参数自适应估计方法，其特征在于，所述基于由强到弱的模糊归一化处理方法，对待估计数据进行模糊归一化处理，获得归一化处理后的归一化数据集合

具体为：

定义模糊瑞利背景集合为A＝{(z_m,μ_A(z_m,σ))|z_m∈Zn,Zn∈Z}；其中，A为模糊瑞利背景集合，Z是待估计数据，即包含多组待估计雷达或声纳回波数据的全集合，Zn为第n组待估计雷达或声纳回波数据，即Zn是Z的集成员，Z＝{Z1,Z2,Z3,...Zn}；z_m为第n组待估计雷达或声纳回波数据中的第m个雷达或声纳回波数据，即z_m是Zn的集成员，Zn＝{z₁,z₂,z₃,...,z_m}；m>0；Z中包含n组待估计雷达或声纳回波数据，Zn中包含m个雷达或声纳回波数据；μ_A(z_m,σ)是A的隶属度函可数；对于任何z_m∈Zn，μ_A(z_m,σ)∈[0,1]，μ_A(z_m,σ)反映了z_m隶属于A的隶属度，其值为隶属度值；

基于归一化处理强度由强到弱的模糊归一化处理方法，根据归一化处理强度从强到弱的顺序，从模糊瑞利背景集合A中删除背景数据野值集合，完成背景数据野值剔除，得到模糊瑞利背景集合A的α_n截集的模糊截集合

完成模糊归一化处理：

其中，Zn'为第n组雷达或声纳回波归一化数据；Zn'＝{z₁,z₂,z₃,...,z_p},Zn'∈Zn；p<m；z_p<z_m；α_n为Z中的第n组待估计雷达或声纳回波数据Zn对应的归一化处理强度；α_n∈[0,1]；α_n值为z_m隶属于A的隶属度阈值；σ为标准差；

模糊截集合

为包括大于或等于α_n值的隶属度值及其对应的一组雷达或声纳回波归一化数据所组成的集成员的全集合；

其中，

对应的归一化处理强度大于

对应的归一化处理强度大于

对应的归一化处理强度…大于

对应的归一化处理强度；

背景数据野值集合包括：任何数值小于x_min的模糊瑞利背景集合A中的集成员和任何数值大于x_max的模糊瑞利背景集合A中的集成员；

x_min为模糊瑞利背景集合A的集成员的最小值；x_max为模糊瑞利背景集合A的集成员的最大值；

得到的模糊截集合

为归一化处理后的归一化数据集合。

3.根据权利要求2所述的干扰背景下K分布形状参数自适应估计方法，其特征在于，所述采用K分布形状参数估计方法，对归一化数据集合

中的每一组声纳或雷达回波归一化数据进行形状参数估计，获得多个K分布形状参数预估值，作为K分布形状参数预估值集合；具体为：

采用K分布形状参数估计方法，利用如下公式(3)，对归一化数据集合

中的每一组声纳或雷达回波归一化数据进行形状参数估计，计算不同归一化处理强度下的K分布形状参数预估值：

其中，v_n为第n组雷达或声纳回波归一化数据对应的K分布形状参数预估值；Zn'为第n组雷达或声纳回波归一化数据；〈·〉为取平均；

将多个归一化处理强度下的K分布形状参数预估值根据归一化处理强度从强到弱的顺序进行组合，作为K分布形状参数预估值集合，即{v₁,v₂,v₃…v_n}；

其中，根据归一化处理强度从强到弱的变化顺序对应的K分布形状参数预估值为v₁>v₂>v₃…>v_n。

4.一种干扰背景下K分布形状参数自适应估计系统，其特征在于，该系统包括：

归一化处理模块，用于基于由强到弱的模糊归一化处理方法，对待估计数据进行模糊归一化处理，获得归一化处理后的归一化数据集合

K分布形状参数获取模块，用于采用K分布形状参数估计方法，对归一化数据集合

中的每一组归一化处理后的声纳或雷达回波数据进行形状参数估计，获得多组K分布形状参数预估值，作为K分布形状参数预估值集合；和

K分布形状参数估计模块，用于对K分布形状参数预估值集合中的每一组K分布形状参数预估值求关于归一化处理强度的导数，得到K分布形状参数预估值随归一化处理强度变小时的变小速度，找到该变小速度由大变小、再由小变大的第一个拐点，将该拐点对应的K分布形状参数预估值作为K分布形状参数估计值。

5.根据权利要求4所述的干扰背景下K分布形状参数自适应估计系统，其特征在于，所述基于由强到弱的模糊归一化处理方法，对待估计数据进行模糊归一化处理，获得归一化处理后的归一化数据集合

具体为：

定义模糊瑞利背景集合为A＝{(z_m,μ_A(z_m,σ))|z_m∈Zn,Zn∈Z}；其中，A为模糊瑞利背景集合，Z是待估计数据，即包含多组待估计雷达或声纳回波数据的全集合，Zn为第n组待估计雷达或声纳回波数据，即Zn是Z的集成员，Z＝{Z1,Z2,Z3,...Zn}；z_m为第n组待估计雷达或声纳回波数据中的第m个雷达或声纳回波数据，即z_m是Zn的集成员，Zn＝{z₁,z₂,z₃,...,z_m}；m>0；Z中包含n组待估计雷达或声纳回波数据，Zn中包含m个雷达或声纳回波数据；μ_A(z_m,σ)是A的隶属度函可数；对于任何z_m∈Zn，μ_A(z_m,σ)∈[0,1]，μ_A(z_m,σ)反映了z_m隶属于A的隶属度，其值为隶属度值；

基于归一化处理强度由强到弱的模糊归一化处理方法，根据归一化处理强度从强到弱的顺序，从模糊瑞利背景集合A中删除背景数据野值集合，完成背景数据野值剔除，得到模糊瑞利背景集合A的α_n截集的模糊截集合

完成模糊归一化处理：

其中，Zn'为第n组雷达或声纳回波归一化数据；Zn'＝{z₁,z₂,z₃,...,z_p},Zn'∈Zn；p<m；z_p<z_m；α_n为Z中的第n组待估计雷达或声纳回波数据Zn对应的归一化处理强度；α_n∈[0,1]；α_n值为z_m隶属于A的隶属度阈值；σ为标准差；

模糊截集合

为包括大于或等于α_n值的隶属度值及其对应的一组雷达或声纳回波归一化数据所组成的集成员的全集合；

其中，

对应的归一化处理强度大于

对应的归一化处理强度大于

对应的归一化处理强度…大于

对应的归一化处理强度；

背景数据野值集合包括：任何数值小于x_min的模糊瑞利背景集合A中的集成员和任何数值大于x_max的模糊瑞利背景集合A中的集成员；

x_min为模糊瑞利背景集合A的集成员的最小值；x_max为模糊瑞利背景集合A的集成员的最大值；

得到的模糊截集合

为归一化处理后的归一化数据集合。

6.根据权利要求4所述的干扰背景下K分布形状参数自适应估计系统，其特征在于，所述采用K分布形状参数估计方法，对归一化数据集合

中的每一组声纳或雷达回波归一化数据进行形状参数估计，获得多个K分布形状参数预估值，作为K分布形状参数预估值集合；具体为：

采用K分布形状参数估计方法，利用如下公式(3)，对归一化数据集合

中的每一组声纳或雷达回波归一化数据进行形状参数估计，计算不同归一化处理强度下的K分布形状参数预估值：

其中，v_n为第n组雷达或声纳回波归一化数据对应的K分布形状参数预估值；Zn'为第n组雷达或声纳回波归一化数据；〈·〉为取平均；

将多个归一化处理强度下的K分布形状参数预估值根据归一化处理强度从强到弱的顺序进行组合，作为K分布形状参数预估值集合，即{v₁,v₂,v₃…v_n}；

其中，根据归一化处理强度从强到弱的变化顺序对应的K分布形状参数预估值为v₁>v₂>v₃…>v_n。

Images