CN115327504B - 一种基于测量条件参数的海杂波幅度分布无类型化预测方法 - Google Patents
一种基于测量条件参数的海杂波幅度分布无类型化预测方法 Download PDFInfo
- Publication number
- CN115327504B CN115327504B CN202210779439.3A CN202210779439A CN115327504B CN 115327504 B CN115327504 B CN 115327504B CN 202210779439 A CN202210779439 A CN 202210779439A CN 115327504 B CN115327504 B CN 115327504B
- Authority
- CN
- China
- Prior art keywords
- sea clutter
- typed
- amplitude distribution
- model
- probability density
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005259 measurement Methods 0.000 title claims abstract description 34
- 230000006870 function Effects 0.000 claims description 49
- 230000008859 change Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 239000007921 spray Substances 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 13
- 230000019771 cognition Effects 0.000 abstract description 4
- 230000006872 improvement Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000013461 design Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
本发明公开了一种基于测量条件参数的海杂波幅度分布无类型化预测方法,包括如下步骤:步骤1,对海杂波的幅度分布进行无类型化参数建模:步骤2,得到实测海杂波数据的幅度分布无类型化模型参数:步骤3,构建基于测量条件参数的海杂波幅度分布无类型化预测网络模型:步骤4,海杂波幅度分布无类型化预测网络模型性能评估。本发明所公开的方法,克服了传统的海杂波幅度分布特性认知和预测需依赖实测海杂波数据,且对幅度分布特性的描述需假设满足某种幅度分布类型,从而导致目标检测算法难以提前获取海杂波幅度分布特性先验信息、场景通用性不足的问题,有益于雷达目标检测算法的创新设计和性能提升。
Description
技术领域
本发明属于雷达海杂波特性领域,特别涉及该领域中的一种基于测量条件参数的海杂波幅度分布无类型化预测方法。
背景技术
海杂波背景下的目标检测技术是雷达技术中不可或缺的方向,已经深入军事和民用领域。而对于海杂波幅度统计分布特性的准确分析和预测是海杂波背景下目标检测技术能否取得良好效果的重要因素。因此,提出合适的模型并对其模型参数进行准确、高效地预测成为目标检测的重要保障。
在传统的海杂波幅度统计分布特性认知和预测中,通常首先假定海杂波满足某种幅度分布类型(如Rayleigh分布、LogNormal分布、Weibull分布、K分布等),然后从实测雷达海杂波数据自身出发,开展幅度分布类型的评判及相应参数的估计,实现对海杂波幅度分布特性的掌握。然而该方法导致两大问题:第一,海杂波的幅度分布特性用幅度分布类型及相应的参数来描述,使得在雷达对海检测应用中,目标检测算法通常针对某种特定的幅度分布类型进行设计,在大探测场景海杂波特性变化范围宽泛的情况下,难以保证目标检测算法的设计指标。第二,必须依赖实际探测的海杂波才能获取相应场景的幅度分布特性,使得在实际雷达探测之前无法获取海杂波的先验信息,制约目标检测算法在不同场景下的动态参数调整和性能提升。
发明内容
本发明针对传统的海杂波幅度分布特性认知和预测需依赖实测海杂波数据,且对幅度分布特性的描述需假设满足某种幅度分布类型,从而导致目标检测算法难以提前获取海杂波幅度分布特性先验信息、场景通用性不足的问题,首先构建一种海杂波幅度分布无类型化参数模型,在此基础上,建立从海杂波测量条件参数出发的海杂波幅度分布无类型化预测模型,提供了一种海杂波幅度分布特性预测的新方法,支撑了雷达目标检测应用。
本发明采用如下技术方案:
一种基于测量条件参数的海杂波幅度分布无类型化预测方法,其改进之处在于,包括如下步骤:
步骤1,对海杂波的幅度分布进行无类型化参数建模:
步骤1a,构建全参数海杂波幅度概率密度函数曲线样本集,海杂波幅度的概率密度随杂波强度的变化表示为:
P=[p1,p2,…pi],i=1,2,
式中,pi代表第i个杂波强度处的概率密度,所有杂波强度处的概率密度构成一个多维随机变量P的样本,就代表一个海杂波幅度概率密度函数曲线样本;
步骤1a1,通过对实测海杂波数据集的处理,提取得到每组数据、不同距离门条件下的实测海杂波幅度概率密度函数曲线样本;
步骤1a2,利用最大似然估计和矩估计方法,在假设每个概率密度函数曲线样本分别服从Rayleigh分布、LogNormal分布、Weibull分布和K分布的情况下,得到每种分布的分布参数,并统计每种分布形式的分布参数遍历范围;
步骤1a3,利用每种分布的函数形式,遍历相应的统计分布参数范围,仿真得到相应各分布的概率密度函数曲线样本,并进一步由四种分布的概率密度函数曲线样本共同组成全参数海杂波幅度概率密度函数曲线样本集;
步骤1b,提取海杂波概率密度随杂波强度变化的主分量:
根据步骤1a构建的海杂波幅度概率密度函数曲线样本集,利用主分量分析方法,求出样本矩阵的协方差矩阵,并进行特征值和特征向量分解,对应特征值较大的几个特征向量构成海杂波概率密度随杂波强度变化的主分量;
步骤1c,基于主分量的海杂波幅度分布无类型化参数建模:
基于从海杂波幅度概率密度函数曲线样本矩阵的协方差矩阵中提取的特征值和特征向量,构建海杂波幅度分布无类型化参数模型如下:
式中,x表示海杂波幅度,q表示主分量个数,pi(x)表示第i个主分量,ci为对应第i个主分量的系数,在进行海杂波幅度概率密度函数pdf曲线的匹配时,从范围内取值,λi表示第i个特征值,通过ci的不同取值,模拟出所有海杂波概率密度随杂波强度的变化情况;
步骤2,得到实测海杂波数据的幅度分布无类型化模型参数:
基于步骤1建立的海杂波幅度分布无类型化参数模型,利用粒子群优化算法,针对实测海杂波数据每个概率密度函数曲线样本,得到海杂波幅度分布无类型化模型的参数,也就是主分量系数;
步骤3,构建基于测量条件参数的海杂波幅度分布无类型化预测网络模型:
基于海杂波的幅度分布无类型化参数模型,以步骤2得到的实测海杂波数据幅度分布无类型化模型参数作为输出,以实测海杂波数据的多个测量条件参数作为输入,以多层全连接深度学习网络作为非线性映射模型,构建海杂波幅度分布的预测模型,模型具体配置方法包括:
步骤3a,建立由雷达参数和海洋环境参数组成的海杂波测量条件参数向量,作为预测网络模型的输入层信息,包括11个参数:雷达距离分辨率、擦地角、有效浪高、最大浪高、平均浪高、浪向角、浪向Spread、平均浪周期、最大浪周期、流速、流向;在输入网络之前,先进行Z-Score标准化处理;
步骤3b,模型的非线性映射过程采用全连接的深度神经网络进行建模,网络的隐含层数和每层的神经元个数是需要调节的超参数;
步骤3c,模型的输出层为海杂波幅度分布无类型化模型的参数;
步骤3d,模型的重建层是基于步骤1构建的海杂波幅度分布无类型化模型,利用深度神经网络输出层的主分量系数,通过与不同主分量的加权,重建得到预测的海杂波幅度概率密度函数曲线;
步骤3e,模型训练采用如下的各主分量系数加权损失函数:
式中,L为损失函数的取值;N为训练样本数;K为主分量的个数;代表第i个样本的第k个主分量系数模型预测值;/>为相应的真实值;λk为第k个主分量系数的损失权重;
步骤4,海杂波幅度分布无类型化预测网络模型性能评估:
定义每个主分量系数的准确度Acc指标,等于1减去预测结果的均方根误差RMSE与样本真实值均值Mean绝对值的比值,表达式如下:
式中,表示第i个样本的第k个主分量系数的预测值,/>为相应的真实值,/>表示所有样本的第k个主分量系数真实值的均值。
本发明的有益效果是:
本发明所公开的方法,克服了传统的海杂波幅度分布特性认知和预测需依赖实测海杂波数据,且对幅度分布特性的描述需假设满足某种幅度分布类型,从而导致目标检测算法难以提前获取海杂波幅度分布特性先验信息、场景通用性不足的问题,提供了一种海杂波幅度分布特性预测的新方法,有益于雷达目标检测算法的创新设计和性能提升。
附图说明
图1是本发明方法的流程框图;
图2是黄海S波段海杂波幅度概率密度函数的7个主分量图;
图3是基于主分量的海杂波幅度分布无类型化建模实例图;
图4是海杂波幅度分布无类型化模型对实测海杂波幅度分布的重建效果图;
图5是海杂波幅度分布无类型化预测网络模型架构图;
图6是本发明方法预测的海杂波幅度分布图。
具体实施方式
海杂波幅度概率密度随杂波强度的变化具有一定规律,通过遍历不同的变化情况,构建全参数的海杂波概率密度函数(PDF)曲线样本集,并提取得到海杂波PDF曲线主分量,即可在新的坐标系下实现海杂波幅度分布的建模。在此基础上,考虑雷达参数、海洋环境参数等测量条件参数与海杂波幅度分布存在密切关联,通过构建两者之间的映射关系,即可摆脱对实测海杂波数据的依赖,建立海杂波幅度分布特性预测的新方法。
本发明基于海杂波幅度概率密度随杂波强度的变化规律,从实测海杂波数据集的幅度分布参数遍历范围出发,构建了海杂波幅度概率密度函数(PDF)曲线样本集。利用主分量分析方法,提取得到了概率密度随杂波强度变化的主分量,实现了摆脱分布类型的海杂波幅度分布无类型化建模。在此基础上,估计得到了每个实测海杂波PDF曲线样本的主分量系数,并利用全连接网络建模方法,建立了海杂波测量条件参数与海杂波幅度分布多个主分量系数之间的隐层、非线性关系,实现了海杂波幅度统计分布特性的无类型化预测。
下面结合附图详细介绍本发明,并以黄海S波段实测海杂波数据集为例,给出本发明实现海杂波幅度分布无类型化预测的实施例。
如图1所示,本实施例公开了一种基于测量条件参数的海杂波幅度分布无类型化预测方法,包括如下步骤:
步骤1,对海杂波的幅度分布进行无类型化参数建模,实现基于多个模型参数的海杂波幅度分布描述,摆脱传统幅度分布建模依赖幅度分布类型的限制,具体包括:
步骤1a,构建全参数海杂波幅度概率密度函数(PDF)曲线样本集,海杂波幅度的概率密度随杂波强度的变化可以表示为:
P=[p1,p2,…pi],i=1,2,…
式中,pi代表第i个杂波强度处的概率密度,所有杂波强度处的概率密度pi(i=1,2,…)构成一个多维随机变量P的样本,即代表一个海杂波幅度概率密度函数PDF曲线样本;
步骤1a1,通过对实测海杂波数据集(本实施例为黄海S波段数据)的处理,提取得到每组数据、不同距离门条件下的实测海杂波幅度概率密度函数曲线样本;
步骤1a2,利用最大似然估计和矩估计方法,在假设每个概率密度函数PDF曲线样本分别服从Rayleigh分布、LogNormal分布、Weibull分布和K分布的情况下,估计得到每种分布的分布参数,并统计每种分布形式的分布参数遍历范围;
步骤1a3,利用每种分布的函数形式,遍历相应的统计分布参数范围,仿真得到相应各分布的概率密度函数PDF曲线样本,并进一步由四种分布的概率密度函数PDF曲线样本共同组成面向黄海海域的全参数海杂波幅度概率密度函数PDF曲线样本集;
步骤1b,提取海杂波概率密度随杂波强度变化的主分量:
根据步骤1a构建的海杂波幅度概率密度函数曲线样本集,利用主分量分析(PCA)方法,求出样本矩阵的协方差矩阵,并进行特征值和特征向量分解,对应特征值较大的几个特征向量构成海杂波概率密度随杂波强度变化的主分量;
对于黄海S波段海杂波幅度PDF曲线样本集,设定主分量代表的杂波概率密度随杂波强度变化特征占总体特征的98%,如图2所示,共有7个相应的特征向量(主分量)。
步骤1c,基于主分量的海杂波幅度分布无类型化参数建模:
基于从海杂波幅度概率密度函数PDF曲线样本矩阵的协方差矩阵中提取的特征值和特征向量(主分量),构建海杂波幅度分布无类型化参数模型(Typeless Model)如下:
式中,x表示海杂波幅度,q表示主分量个数,对黄海S波段海杂波而言,其值等于7;pi(x)表示第i个主分量,ci为对应第i个主分量的系数,在进行海杂波幅度概率密度函数pdf曲线的匹配时,从范围内取值,λi表示第i个特征值,通过ci的不同取值,可以模拟出所有海杂波概率密度随杂波强度的变化情况;
基于黄海S波段海杂波幅度PDF曲线7个主分量,图3给出了进行无类型化建模得到的4个海杂波幅度分布实例。
步骤2,实测海杂波数据的幅度分布无类型化模型参数估计:
基于步骤1建立的海杂波幅度分布无类型化参数模型,利用粒子群(PSO)优化算法,针对实测海杂波数据每个概率密度函数曲线样本,得到海杂波幅度分布无类型化模型的参数,也就是主分量系数;
图4给出了利用估计得到的一组黄海S波段海杂波幅度分布无类型化模型参数(主分量系数c1~c7),重建得到的海杂波幅度PDF曲线,与最优的传统Weibull分布模型PDF曲线以及实测数据PDF曲线的比较图。从图中可以看出,估计得到的无类型化模型参数可以很好地实现实测海杂波幅度分布重建,误差优于传统模型。
步骤3,构建基于测量条件参数的海杂波幅度分布无类型化预测网络模型:
基于海杂波的幅度分布无类型化参数模型,以步骤2估计得到的实测海杂波数据幅度分布无类型化模型参数作为输出,以实测海杂波数据的多个测量条件参数作为输入,以多层全连接深度学习网络作为非线性映射模型,构建海杂波幅度分布的预测模型,模型架构如图5所示,模型具体配置方法包括:
步骤3a,建立由雷达参数和海洋环境参数组成的海杂波测量条件参数向量,作为预测网络模型的输入层信息,根据海杂波影响因素研究结果,具体包括11个参数:雷达距离分辨率、擦地角、有效浪高、最大浪高、平均浪高、浪向角、浪向Spread、平均浪周期、最大浪周期、流速、流向;由于不同参数的单位形式不同,因此在输入网络之前,先进行Z-Score标准化处理;
步骤3b,模型的非线性映射过程采用全连接的深度神经网络(DNN)进行建模,网络的隐含层数和每层的神经元个数是需要调节的超参数;经过对输出结果的误差分析,最终确定采用2个隐含层,第一隐含层40个神经元,第2隐含层20个神经元;
步骤3c,模型的输出层为海杂波幅度分布无类型化模型的参数;对于黄海S波段海杂波而言,即对应的7个主分量系数c1~c7;
步骤3d,模型的重建层是基于步骤1构建的海杂波幅度分布无类型化模型,利用深度神经网络(DNN)输出层的主分量系数,通过与不同主分量的加权,重建得到预测的海杂波幅度概率密度函数曲线;
步骤3e,预测网络模型的训练过程本质上为多维随机变量的参数回归拟合过程,每个维度对应一个主分量系数。由于每个主分量代表的PDF曲线形状特征权重不同,因此在模型训练过程中,为获得最优的PDF曲线预测结果,使用的损失函数需要对各主分量系数的损失进行加权。模型训练采用如下的各主分量系数加权损失函数:
式中,L为损失函数的取值;N为训练样本数;K为主分量的个数,在本实施例中取7;代表第i个样本的第k个主分量系数模型预测值;/>为相应的真实值;λk为第k个主分量系数的损失权重,设定为λ1=1,λ2=1,λ3=1,λ4=7,λ5=7,λ6=7,λ7=5;
步骤4,海杂波幅度分布无类型化预测网络模型性能评估:
为了定量评估预测网络模型的精度,定义每个主分量系数的准确度Acc指标,等于1减去预测结果的均方根误差RMSE与样本真实值均值Mean绝对值的比值,表达式如下:
式中,表示第i个样本的第k个主分量系数的预测值,/>为相应的真实值,/>表示所有样本的第k个主分量系数真实值的均值。
本发明的实施效果通过黄海S波段雷达海杂波幅度分布预测结果进行了验证。黄海S波段雷达海杂波数据集共计包含208160条样本,每个样本包含海杂波幅度分布主分量系数、雷达参数和海洋环境参数。下表给出了主分量系数的预测误差和准确度定量结果,可以看出,c2的预测准确度最高,可达96%。从c3到c7,准确度依次下降,c7的准确度约为89%。这种准确度依次下降的趋势,与主分量系数的重要性下降趋势是相符的,说明后面的主分量,对海杂波幅度分布建模的贡献越来越小。图6给出了一组黄海S波段实测海杂波幅度分布的预测结果,不平滑曲线代表实测数据的幅度分布,平滑曲线代表本发明方法预测的幅度分布,RMSE代表两条曲线的均方根误差。从图中可以看出,本发明预测结果能够较好的描述实测海杂波幅度分布,能够说明本发明的有效性。
主分量系数 | Mean | RMSE | Acc(%) |
c1 | -3.7524 | 0.2574 | 93.14 |
c2 | -4.6125 | 0.1691 | 96.33 |
c3 | -3.1491 | 0.2060 | 93.46 |
c4 | -1.9353 | 0.1391 | 92.81 |
c5 | -1.5252 | 0.1215 | 92.03 |
c6 | -1.1323 | 0.1048 | 90.74 |
c7 | -0.9494 | 0.1032 | 89.13 |
尽管为示例目的,已经公开了本发明的实施例,本领域的技术人员将意识到各种改进、增加和取代也是可能的,因此,本发明的保护范围应当不限于上述实施例。
Claims (1)
1.一种基于测量条件参数的海杂波幅度分布无类型化预测方法,其特征在于,包括如下步骤:
步骤1,对海杂波的幅度分布进行无类型化参数建模:
步骤1a,构建全参数海杂波幅度概率密度函数曲线样本集,海杂波幅度的概率密度随杂波强度的变化表示为:
P=[p1,p2,…pi],i=1,2,…
式中,pi代表第i个杂波强度处的概率密度,所有杂波强度处的概率密度构成一个多维随机变量P的样本,就代表一个海杂波幅度概率密度函数曲线样本;
步骤1a1,通过对实测海杂波数据集的处理,提取得到每组数据、不同距离门条件下的实测海杂波幅度概率密度函数曲线样本;
步骤1a2,利用最大似然估计和矩估计方法,在假设每个概率密度函数曲线样本分别服从Rayleigh分布、LogNormal分布、Weibull分布和K分布的情况下,得到每种分布的分布参数,并统计每种分布形式的分布参数遍历范围;
步骤1a3,利用每种分布的函数形式,遍历相应的统计分布参数范围,仿真得到相应各分布的概率密度函数曲线样本,并进一步由四种分布的概率密度函数曲线样本共同组成全参数海杂波幅度概率密度函数曲线样本集;
步骤1b,提取海杂波概率密度随杂波强度变化的主分量:
根据步骤1a构建的海杂波幅度概率密度函数曲线样本集,利用主分量分析方法,求出样本矩阵的协方差矩阵,并进行特征值和特征向量分解,对应特征值较大的几个特征向量构成海杂波概率密度随杂波强度变化的主分量;
步骤1c,基于主分量的海杂波幅度分布无类型化参数建模:
基于从海杂波幅度概率密度函数曲线样本矩阵的协方差矩阵中提取的特征值和特征向量,构建海杂波幅度分布无类型化参数模型如下:
式中,x表示海杂波幅度,q表示主分量个数,pi(x)表示第i个主分量,ci为对应第i个主分量的系数,在进行海杂波幅度概率密度函数pdf曲线的匹配时,从范围内取值,λi表示第i个特征值,通过ci的不同取值,模拟出所有海杂波概率密度随杂波强度的变化情况;
步骤2,得到实测海杂波数据的幅度分布无类型化模型参数:
基于步骤1建立的海杂波幅度分布无类型化参数模型,利用粒子群优化算法,针对实测海杂波数据每个概率密度函数曲线样本,得到海杂波幅度分布无类型化模型的参数,也就是主分量系数;
步骤3,构建基于测量条件参数的海杂波幅度分布无类型化预测网络模型:
基于海杂波的幅度分布无类型化参数模型,以步骤2得到的实测海杂波数据幅度分布无类型化模型参数作为输出,以实测海杂波数据的多个测量条件参数作为输入,以多层全连接深度学习网络作为非线性映射模型,构建海杂波幅度分布的预测模型,模型具体配置方法包括:
步骤3a,建立由雷达参数和海洋环境参数组成的海杂波测量条件参数向量,作为预测网络模型的输入层信息,包括11个参数:雷达距离分辨率、擦地角、有效浪高、最大浪高、平均浪高、浪向角、浪向Spread、平均浪周期、最大浪周期、流速、流向;在输入网络之前,先进行Z-Score标准化处理;
步骤3b,模型的非线性映射过程采用全连接的深度神经网络进行建模,网络的隐含层数和每层的神经元个数是需要调节的超参数;
步骤3c,模型的输出层为海杂波幅度分布无类型化模型的参数;
步骤3d,模型的重建层是基于步骤1构建的海杂波幅度分布无类型化模型,利用深度神经网络输出层的主分量系数,通过与不同主分量的加权,重建得到预测的海杂波幅度概率密度函数曲线;
步骤3e,模型训练采用如下的各主分量系数加权损失函数:
式中,L为损失函数的取值;N为训练样本数;K为主分量的个数;代表第i个样本的第k个主分量系数模型预测值;/>为相应的真实值;λk为第k个主分量系数的损失权重;
步骤4,海杂波幅度分布无类型化预测网络模型性能评估:
定义每个主分量系数的准确度Acc指标,等于1减去预测结果的均方根误差RMSE与样本真实值均值Mean绝对值的比值,表达式如下:
式中,表示第i个样本的第k个主分量系数的预测值,/>为相应的真实值,/>表示所有样本的第k个主分量系数真实值的均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210779439.3A CN115327504B (zh) | 2022-07-04 | 2022-07-04 | 一种基于测量条件参数的海杂波幅度分布无类型化预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210779439.3A CN115327504B (zh) | 2022-07-04 | 2022-07-04 | 一种基于测量条件参数的海杂波幅度分布无类型化预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115327504A CN115327504A (zh) | 2022-11-11 |
CN115327504B true CN115327504B (zh) | 2024-05-10 |
Family
ID=83917950
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210779439.3A Active CN115327504B (zh) | 2022-07-04 | 2022-07-04 | 一种基于测量条件参数的海杂波幅度分布无类型化预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115327504B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117572414B (zh) * | 2023-11-17 | 2024-06-21 | 乾元科学研究院 | 一种低慢小空中目标检测方法和侦干毁一体防控系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2431094A1 (en) * | 2002-06-05 | 2003-12-05 | Thales Nederland B.V. | Irregular prt deconvolution method and systems, and its uses |
US7277797B1 (en) * | 2005-03-29 | 2007-10-02 | Kunitsyn Viatcheslav E | Prediction system and method |
WO2016097890A1 (en) * | 2014-12-15 | 2016-06-23 | Airbus Group Singapore Pte. Ltd. | Automated method for selecting training areas of sea clutter and detecting ship targets in polarimetric synthetic aperture radar imagery |
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 |
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 |
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 |
CN112068085A (zh) * | 2020-10-16 | 2020-12-11 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于深度学习的雷达海杂波原始数据快速预处理方法 |
CN112255595A (zh) * | 2020-10-17 | 2021-01-22 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于仿机载测量下的海杂波数据预处理方法 |
-
2022
- 2022-07-04 CN CN202210779439.3A patent/CN115327504B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2431094A1 (en) * | 2002-06-05 | 2003-12-05 | Thales Nederland B.V. | Irregular prt deconvolution method and systems, and its uses |
US7277797B1 (en) * | 2005-03-29 | 2007-10-02 | Kunitsyn Viatcheslav E | Prediction system and method |
WO2016097890A1 (en) * | 2014-12-15 | 2016-06-23 | Airbus Group Singapore Pte. Ltd. | Automated method for selecting training areas of sea clutter and detecting ship targets in polarimetric synthetic aperture radar imagery |
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 |
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 |
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 |
CN112068085A (zh) * | 2020-10-16 | 2020-12-11 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于深度学习的雷达海杂波原始数据快速预处理方法 |
CN112255595A (zh) * | 2020-10-17 | 2021-01-22 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于仿机载测量下的海杂波数据预处理方法 |
Non-Patent Citations (3)
Title |
---|
基于多特征量的海杂波参数估计;何耀民;何华锋;徐永壮;王依繁;苏敬;;兵工学报;20200315(03);103-111 * |
基于船载雷达图像的海上船只检测方法;刘斌;黄韦艮;杨劲松;范开国;陈鹏;丁献文;;海洋学研究;20091215(04);35-40 * |
海杂波典型幅度分布模型的仿真分析;高铮;张安清;;舰船电子工程;20180920(09);81-83+99 * |
Also Published As
Publication number | Publication date |
---|---|
CN115327504A (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112001270B (zh) | 基于一维卷积神经网络的地面雷达自动目标分类识别方法 | |
CN110502806B (zh) | 一种基于lstm网络的无线频谱占用度预测方法 | |
CN110363151A (zh) | 基于双通道卷积神经网络虚警可控的雷达目标检测方法 | |
CN109800875A (zh) | 基于粒子群优化和降噪稀疏编码机的化工故障检测方法 | |
CN109683161A (zh) | 一种基于深度admm网络的逆合成孔径雷达成像的方法 | |
CN112557034B (zh) | 一种基于pca_cnns的轴承故障诊断方法 | |
CN106656357B (zh) | 一种工频通信信道状态评估系统和方法 | |
CN116592883B (zh) | 一种基于注意力和循环ppo实现的导航决策方法 | |
Zhang et al. | VGM-RNN: HRRP sequence extrapolation and recognition based on a novel optimized RNN | |
CN115327504B (zh) | 一种基于测量条件参数的海杂波幅度分布无类型化预测方法 | |
CN112504682A (zh) | 基于粒子群优化算法的底盘发动机故障诊断方法及系统 | |
CN111160392A (zh) | 一种基于小波宽度学习系统的高光谱分类方法 | |
CN110701487B (zh) | 一种基于KPCA和Cas-SVDD的多工况管道泄漏检测方法 | |
CN114860715A (zh) | 一种流量实时预测的Lanczos时空网络方法 | |
CN112014790A (zh) | 基于因子分析的近场源定位方法 | |
CN112001115A (zh) | 一种半监督动态软测量网络的软测量建模方法 | |
CN113095354B (zh) | 基于辐射源特征子空间知识的未知雷达目标识别方法 | |
CN114492744A (zh) | 一种基于对抗生成网络的地海杂波谱数据样本生成方法 | |
CN117590173A (zh) | 一种基于卷积神经网络的电缆局部放电模式识别方法 | |
CN115410093B (zh) | 基于双通道编码网络和条件随机场的遥感图像分类方法 | |
CN114445456B (zh) | 基于部分模型的数据驱动智能机动目标跟踪方法及装置 | |
CN111160464B (zh) | 基于多隐层加权动态模型的工业高阶动态过程软测量方法 | |
CN115294398A (zh) | 一种基于多姿态角联合学习的sar图像目标识别方法 | |
CN115577236A (zh) | 一种卷积神经网络训练用学习率自调节方法及其在prpd图谱识别的应用 | |
CN115048856A (zh) | 一种基于ms-alstm的滚动轴承剩余寿命预测方法 |
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 |