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
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 Download PDFInfo
- Publication number
- CN113742635A CN113742635A CN202010473049.4A CN202010473049A CN113742635A CN 113742635 A CN113742635 A CN 113742635A CN 202010473049 A CN202010473049 A CN 202010473049A CN 113742635 A CN113742635 A CN 113742635A
- Authority
- CN
- China
- Prior art keywords
- shape parameter
- distribution shape
- data
- fuzzy
- estimated
- 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 87
- 238000010606 normalization Methods 0.000 claims abstract description 176
- 230000003247 decreasing effect Effects 0.000 claims abstract description 34
- 238000003672 processing method Methods 0.000 claims abstract description 19
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 230000008030 elimination Effects 0.000 claims description 7
- 238000003379 elimination reaction Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000001629 suppression Effects 0.000 description 3
- 230000003313 weakening effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
Description
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:
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。
定义模糊瑞利背景集合为A={(zm,μA(zm,σ))|zm∈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};zm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zm是Zn的集成员,Zn={z1,z2,z3,...,zm};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;μA(zm,σ)是A的隶属度函可数;对于任何zm∈Zn,μA(zm,σ)∈[0,1],μA(zm,σ)反映了zm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αn截集的模糊截集合完成模糊归一化处理:
Aαn={Zn'|μA(Zn',σ)≥αn}
其中,Zn'为第n组雷达或声纳回波归一化数据;Zn'={z1,z2,z3,...,zp},Zn'∈Zn;p<m;zp<zm;αn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;αn∈[0,1];αn值为zm隶属于A的隶属度阈值;σ为标准差;
背景数据野值集合包括:任何数值小于xmin的模糊瑞利背景集合A中的集成员和任何数值大于xmax的模糊瑞利背景集合A中的集成员;
xmin为模糊瑞利背景集合A的集成员的最小值;xmax为模糊瑞利背景集合A的集成员的最大值;
其中,vn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…vn};
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…>vn。
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:
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。
定义模糊瑞利背景集合为A={(zm,μA(zm,σ))|zm∈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};zm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zm是Zn的集成员,Zn={z1,z2,z3,...,zm};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;μA(zm,σ)是A的隶属度函可数;对于任何zm∈Zn,μA(zm,σ)∈[0,1],μA(zm,σ)反映了zm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αn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,...,zp},Zn'∈Zn;p<m;zp<zm;αn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;αn∈[0,1];αn值为zm隶属于A的隶属度阈值;σ为标准差;
背景数据野值集合包括:任何数值小于xmin的模糊瑞利背景集合A中的集成员和任何数值大于xmax的模糊瑞利背景集合A中的集成员;
xmin为模糊瑞利背景集合A的集成员的最小值;xmax为模糊瑞利背景集合A的集成员的最大值;
其中,vn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…vn};
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…>vn。
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:
具体地,定义模糊瑞利背景集合为A={(zm,μA(zm,σ))|zm∈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};zm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zm是Zn的集成员,Zn={z1,z2,z3,...,zm};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;μA(zm,σ)是A的隶属度函可数;对于任何zm∈Zn,μA(zm,σ)∈[0,1],μA(zm,σ)反映了zm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αn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,...,zp},Zn'∈Zn;p<m;zp<zm;αn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;αn∈[0,1];αn值为zm隶属于A的隶属度阈值;σ为标准差;
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xmin,则μA(xmin,σ)→0,任何数值小于xmin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xmax,则μA(xmax,σ)→0,任何数值大于xmax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xmin的模糊瑞利背景集合A中的集成员和任何数值大于xmax的模糊瑞利背景集合A中的集成员。
因此,αn为隶属度阈值,αn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,αn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。
其中,vn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…vn};
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…>vn。
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vn,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:
具体为:定义模糊瑞利背景集合为A={(zm,μA(zm,σ))|zm∈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};zm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zm是Zn的集成员,Zn={z1,z2,z3,...,zm};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;μA(zm,σ)是A的隶属度函可数;对于任何zm∈Zn,μA(zm,σ)∈[0,1],μA(zm,σ)反映了zm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αn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,...,zp},Zn'∈Zn;p<m;zp<zm;αn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;αn∈[0,1];αn值为zm隶属于A的隶属度阈值;σ为标准差;
背景数据野值集合包括:任何数值小于xmin的模糊瑞利背景集合A中的集成员和任何数值大于xmax的模糊瑞利背景集合A中的集成员;
xmin为模糊瑞利背景集合A的集成员的最小值;xmax为模糊瑞利背景集合A的集成员的最大值;
其中,vn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…vn};
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…>vn。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:
具体地,定义模糊瑞利背景集合为A={(zm,μA(zm,σ))|zm∈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};zm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zm是Zn的集成员,Zn={z1,z2,z3,...,zm};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;μA(zm,σ)是A的隶属度函可数;对于任何zm∈Zn,μA(zm,σ)∈[0,1],μA(zm,σ)反映了zm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αn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,...,zp},Zn'∈Zn;p<m;zp<zm;αn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;αn∈[0,1];αn值为zm隶属于A的隶属度阈值;σ为标准差;
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xmin,则μA(xmin,σ)→0,任何数值小于xmin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xmax,则μA(xmax,σ)→0,任何数值大于xmax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xmin的模糊瑞利背景集合A中的集成员和任何数值大于xmax的模糊瑞利背景集合A中的集成员。
因此,αn为隶属度阈值,αn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,αn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。
其中,vn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…vn};
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…>vn。
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;Kv-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…vq};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…>vq;
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vq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)
定义模糊瑞利背景集合为A={(zm,μA(zm,σ))|zm∈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};zm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zm是Zn的集成员,Zn={z1,z2,z3,...,zm};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;μA(zm,σ)是A的隶属度函可数;对于任何zm∈Zn,μA(zm,σ)∈[0,1],μA(zm,σ)反映了zm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αn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,...,zp},Zn'∈Zn;p<m;zp<zm;αn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;αn∈[0,1];αn值为zm隶属于A的隶属度阈值;σ为标准差;
背景数据野值集合包括:任何数值小于xmin的模糊瑞利背景集合A中的集成员和任何数值大于xmax的模糊瑞利背景集合A中的集成员;
xmin为模糊瑞利背景集合A的集成员的最小值;xmax为模糊瑞利背景集合A的集成员的最大值;
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:
其中,vn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…vn};
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…>vn。
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:
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。
定义模糊瑞利背景集合为A={(zm,μA(zm,σ))|zm∈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};zm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zm是Zn的集成员,Zn={z1,z2,z3,...,zm};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;μA(zm,σ)是A的隶属度函可数;对于任何zm∈Zn,μA(zm,σ)∈[0,1],μA(zm,σ)反映了zm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αn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,...,zp},Zn'∈Zn;p<m;zp<zm;αn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;αn∈[0,1];αn值为zm隶属于A的隶属度阈值;σ为标准差;
背景数据野值集合包括:任何数值小于xmin的模糊瑞利背景集合A中的集成员和任何数值大于xmax的模糊瑞利背景集合A中的集成员;
xmin为模糊瑞利背景集合A的集成员的最小值;xmax为模糊瑞利背景集合A的集成员的最大值;
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:
其中,vn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…vn};
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…>vn。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010473049.4A CN113742635B (zh) | 2020-05-29 | 2020-05-29 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010473049.4A CN113742635B (zh) | 2020-05-29 | 2020-05-29 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113742635A true CN113742635A (zh) | 2021-12-03 |
CN113742635B CN113742635B (zh) | 2023-08-08 |
Family
ID=78724501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010473049.4A Active CN113742635B (zh) | 2020-05-29 | 2020-05-29 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113742635B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361242A (zh) * | 2014-11-20 | 2015-02-18 | 青岛理工大学 | 基于数据驱动和随机直觉模糊策略的轴承故障诊断方法 |
CN107741581A (zh) * | 2017-09-22 | 2018-02-27 | 西安电子科技大学 | 基于截断矩的广义帕累托分布参数估计方法 |
RU2650835C1 (ru) * | 2017-03-28 | 2018-04-17 | Акционерное Общество "Концерн "Океанприбор" | Способ определения параметров цели гидролокатором |
CN109308577A (zh) * | 2018-09-12 | 2019-02-05 | 河海大学 | 一种沉积物重金属环境质量评价方法 |
CN109696662A (zh) * | 2017-10-24 | 2019-04-30 | 中国科学院声学研究所 | 一种基于k统计分布模型背景的目标检测方法 |
CN110349188A (zh) * | 2019-07-18 | 2019-10-18 | 深圳大学 | 基于tsk模糊模型的多目标跟踪方法、装置及存储介质 |
CN110531362A (zh) * | 2018-05-23 | 2019-12-03 | 中国科学院声学研究所 | 一种高分辨率运动声呐知识基的目标检测方法 |
-
2020
- 2020-05-29 CN CN202010473049.4A patent/CN113742635B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361242A (zh) * | 2014-11-20 | 2015-02-18 | 青岛理工大学 | 基于数据驱动和随机直觉模糊策略的轴承故障诊断方法 |
RU2650835C1 (ru) * | 2017-03-28 | 2018-04-17 | Акционерное Общество "Концерн "Океанприбор" | Способ определения параметров цели гидролокатором |
CN107741581A (zh) * | 2017-09-22 | 2018-02-27 | 西安电子科技大学 | 基于截断矩的广义帕累托分布参数估计方法 |
CN109696662A (zh) * | 2017-10-24 | 2019-04-30 | 中国科学院声学研究所 | 一种基于k统计分布模型背景的目标检测方法 |
CN110531362A (zh) * | 2018-05-23 | 2019-12-03 | 中国科学院声学研究所 | 一种高分辨率运动声呐知识基的目标检测方法 |
CN109308577A (zh) * | 2018-09-12 | 2019-02-05 | 河海大学 | 一种沉积物重金属环境质量评价方法 |
CN110349188A (zh) * | 2019-07-18 | 2019-10-18 | 深圳大学 | 基于tsk模糊模型的多目标跟踪方法、装置及存储介质 |
Non-Patent Citations (6)
Title |
---|
YANWEI XU等: "Fuzzy Soft Decision CFAR Detector for the K Distribution Data", 《IEEE》 * |
YANWEI XU等: "Fuzzy Statistical Normalization CFAR Detector for Non-Rayleigh Data", 《IEEE》 * |
于涵;水鹏朗;施赛楠;杨春娇;: "广义Pareto分布海杂波模型参数的组合双分位点估计方法", 电子与信息学报, no. 12 * |
方学立、梁甸农: "基于自适应α截集特征提取的雷达杂波识别", 《信号处理》, vol. 21, no. 5 * |
许彦伟;鄢社锋;马晓川;徐达;: "高分辨率有源声呐强混响抑制技术研究", 声学学报, no. 01 * |
陈超: "宫颈细胞形态学检测中的背景解析方法及应用", 《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》, no. 9 * |
Also Published As
Publication number | Publication date |
---|---|
CN113742635B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109616139B (zh) | 语音信号噪声功率谱密度估计方法和装置 | |
CN111899752B (zh) | 快速计算语音存在概率的噪声抑制方法及装置、存储介质、终端 | |
EP3828885B1 (en) | Voice denoising method and apparatus, computing device and computer readable storage medium | |
CN110634497B (zh) | 降噪方法、装置、终端设备及存储介质 | |
US9123351B2 (en) | Speech segment determination device, and storage medium | |
CN110634500B (zh) | 一种先验信噪比的计算方法、电子设备及存储介质 | |
CN107340515B (zh) | 基于分布式组网雷达系统的目标定位资源分配方法 | |
CN109687845B (zh) | 一种鲁棒的簇稀疏正则化多任务自适应滤波器网络 | |
CN105225673B (zh) | 用于噪声水平估计的方法、系统和介质 | |
CN111261148A (zh) | 语音模型的训练方法、语音增强处理方法及相关设备 | |
CN112765550A (zh) | 一种基于Wi-Fi信道状态信息的目标行为分割方法 | |
CN108881075A (zh) | 一种冲击噪声环境中基于稳健自适应滤波的信道估计方法 | |
CN110503973B (zh) | 音频信号瞬态噪音抑制方法、系统以及存储介质 | |
CN113642711B (zh) | 一种网络模型的处理方法、装置、设备和存储介质 | |
Bolic et al. | Performance and complexity analysis of adaptive particle filtering for tracking applications | |
CN109635349A (zh) | 一种噪声增强最小化克拉美罗界的方法 | |
CN112289337A (zh) | 一种滤除机器学习语音增强后的残留噪声的方法及装置 | |
CN113742635A (zh) | 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 | |
CN109884608B (zh) | 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 | |
CN110190832B (zh) | 变正则化参数多任务自适应滤波器网络 | |
CN113257268B (zh) | 结合频率跟踪和频谱修正的降噪和单频干扰抑制方法 | |
JPH11175083A (ja) | 雑音らしさ算出方法および雑音らしさ算出装置 | |
CN110110341B (zh) | 一种判决门限自动推荐的脉冲检测方法 | |
CN108008360B (zh) | 一种幅度加权的非线性调频波形设计方法 | |
CN107895141B (zh) | 一种用于含噪enpemf信号的镜像累加nnmp-sst时频分析方法 |
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 |