CN117092605A - 基于支持向量回归和分位数的雷达海杂波形状参数估计方法 - Google Patents

基于支持向量回归和分位数的雷达海杂波形状参数估计方法 Download PDF

Info

Publication number
CN117092605A
CN117092605A CN202310829766.XA CN202310829766A CN117092605A CN 117092605 A CN117092605 A CN 117092605A CN 202310829766 A CN202310829766 A CN 202310829766A CN 117092605 A CN117092605 A CN 117092605A
Authority
CN
China
Prior art keywords
sea clutter
support vector
vector regression
shape parameter
model
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.)
Pending
Application number
CN202310829766.XA
Other languages
English (en)
Inventor
薛健
孙孟玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Posts and Telecommunications
Original Assignee
Xian University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Posts and Telecommunications filed Critical Xian University of Posts and Telecommunications
Priority to CN202310829766.XA priority Critical patent/CN117092605A/zh
Publication of CN117092605A publication Critical patent/CN117092605A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及雷达信号处理技术领域，具体涉及基于支持向量回归和分位数的雷达海杂波形状参数估计方法，通过建立的支持向量回归模型，然后给回归模型输入两个样本分位数比值的对数进行训练，得到雷达海杂波形状参数的估计值，降低了雷达海杂波形状参数估计误差，实验得知支持向量回归模型训练和预测的时间短，从而使整个过程周期短，且容易确定最优模型，本发明的模型参数的物理意义明确，具有可以快速优化训练和预测的优势。

Description

基于支持向量回归和分位数的雷达海杂波形状参数估计方法
技术领域
本发明涉及雷达信号处理技术领域，具体涉及基于支持向量回归和分位数的雷达海杂波形状参数估计方法。
背景技术
对于海面上的雷达来说，海面对雷达的后向散射回波中不可避免地包含其他物体的散射信号，即海杂波。雷达主要是通过向空间发射特定信号，接受并处理目标回波信号实现，传输过程中产生的各种干扰会降低雷达的检测性能。为了提高雷达的检测性能和模型的拟合准确度，提出了一些非高斯模型，如：对数正态分布、韦布尔分布、K分布等，应用最广泛的分布是K分布。在这些双参数模型中主要包含形状参数和尺度参数，形状参数决定着雷达目标检测的性能，所以研究雷达海杂波形状参数的估计方法有重要意义。
为了研究雷达海杂波形状参数的估计方法，传统的海杂波形状参数估计方法有二四阶矩估计方法、一二三阶矩估计方法、对数矩估计方法、极大似然估计方法、三分位点参数估计方法等，但是这些方法计算复杂，极大似然估计方法和矩估计方法的参数估计精度会在存在异常样本时有所下降；三分位点参数估计方法是通过制作一个逆形状参数和样本分位点比值一一对应的表格，来实现对形状参数的估计，这种估计方法依赖于查表，计算代价也会随着表格规模的增大而逐渐变大。
在前期申请的“基于神经网络和样本分位数比值的K分布海杂波形状参数估计方法”的发明专利，申请号为202210475804.1。该专利的方法虽然通过神经网络模型的强拟合能力解决了雷达海杂波幅度分布的形状参数估计，但是仍然存在如下缺点：1、难以快速确定最优的模型拓扑结构，例如网络模型的层数和每层的神经元个数；2、该模型优化训练过程麻烦，训练时间长，而且在训练过程中很容易陷入到局部极小值，导致无法收敛到全局最优点；3、神经网络模型的黑盒性导致通过训练得到的模型权重参数的物理意义不明确。为了解决该些问题，本发明提出了基于支持向量回归和分位数的雷达海杂波形状参数估计方法。
发明内容
本发明克服了现有技术的不足，提供了基于支持向量回归和分位数的雷达海杂波形状参数估计方法，该方法构建的是支持向量回归模型，该模型具有结构明确，容易训练优化，模型参数具有明确的物理含义的特点。
本发明所解决的技术问题可以采用以下技术方案来实现：
基于支持向量回归和分位数的雷达海杂波形状参数估计方法，包括以下方法
S1：建立多个支持向量回归模型；
S2：设定若干个雷达海杂波形状参数已知v值及设定不同样本分位处α和β的仿真值，计算选定的第α和第β样本分位处雷达海杂波模型的累积概率分布函数对应的幅度值rα和rβ比值的对数得到若干个对数/>公式如下：
S3：以若干个对数作为输入，每个对数/>对应的海杂波形状参数已知v值作为输出对多个支持向量回归模型进行分别训练，选取一个最优支持向量回归模型；
S4：获取真实的雷达海杂波数据，计算得到S2中选取的第α和第β样本分位处在真实雷达海杂波数据中的所对应的若干个真实雷达海杂波幅度值和/>比值的对数/>公式如下：
S5：将S4中计算得到的若干个真实雷达海杂波幅度值比值的对数输入到S3中最优支持向量回归模型中，得到若干个估计的海杂波形状参数值/>
S6：将S5中得到的若干个估计的海杂波形状参数值应用于分析雷达海杂波的非高斯性；
当估计的形状参数值越大，说明雷达探测区域内海杂波的非高斯性越严重。
进一步地，所述的S1中建立多个支持向量回归模型还包括以下方法：
采用计算机语言系统，先设定固定参数类型和设定选取的核函数类型，再建立支持向量回归模型；
然后给不同类型的固定参数输入多组固定参数值，形成多个支持向量回归模型。
进一步地，所述的固定参数类型包括惩罚系数C、参数gamma和参数ε，所述核函数类型包括线性核函数linear、多项式核函数polynomial、径向基函数rbf、Sigmoid核函数。
进一步地，所述的参数ε的默认值为0.1，建立支持向量回归模型时输入的多组惩罚系数C、参数gamma和参数ε值均分别大于零，所述设定选取的核函数类型为径向基函数rbf。
进一步地，所述的雷达海杂波模型包括对数正态分布模型、韦布尔分布模型、K分布模型、广义Pareto分布模型，所述S2中雷达海杂波模型为K分布模型，所述K分布模型中的累积概率分布函数为
其中，r表示海杂波幅度，v表示K分布的形状参数，μ表示K分布的尺度参数，Γ(·)表示伽玛函数，K(·)表示第二类修正的贝塞尔函数。
进一步地，所述的S2中若干个雷达海杂波形状参数已知v值为大于零的实数，不同样本分位处的α和β的仿真值取值范围为0<α,β<100。
进一步地，所述的S3中选取一个最优支持向量回归模型还包括以下方法：
当多个支持向量回归模型全部分别训练结束后，再次将若干个对数输入训练后的多个支持向量回归模型内，让多个支持向量回归模型自动输出每个对数/>所对应的海杂波形状参数预测/>值；
计算每个支持向量回归模型所输出的海杂波形状参数预测值与S2中海杂波形状参数已知v值之间的相对均方根误差，此时相对均方根误差最小的值所对应的支持向量回归模型为最优模型。
进一步地，当相对均方根误差的值小于2×10-3的时候，说明误差小，此时的相对均方根误差最小的值所对应的支持向量回归模型为最优模型。
进一步地，所述的采用计算机语言系统为Python语言系统。
进一步地，所述的样本分位处α和β的仿真值中样本分位处β的仿真值为设定的数值，所述样本分位处α的仿真值为：
α＝-0.22(β/100)2+0.42(β/100)-0.03。
本发明的有益效果是：
与现有技术相比，本发明通过建立的支持向量回归模型，然后给回归模型输入两个样本分位数比值的对数进行训练，得到雷达海杂波形状参数的估计值，降低了雷达海杂波形状参数估计误差，实验得知支持向量回归模型训练和预测的时间短，从而使整个过程周期短，且容易确定最优模型，本发明的模型参数的物理意义明确，具有可以快速优化训练和预测的优势。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的实现流程示意图。
图2为在纯海杂波数据情况下，本发明的方法与现有的估计方法，即三分位点估计方法、一二三阶矩估计方法、二四阶矩估计方法和基于神经网络的估计方法，在不同形状参数下的相对均方根误差曲线示意图。
图3为在含有2％异常样本的情况下，本发明的方法与现有的估计方法，即二四阶矩估计方法、一二三阶矩估计方法、三分位点估计方法和基于神经网络的估计方法，在不同形状参数下的相对均方根误差曲线示意图。
具体实施方式
下面，将通过几个具体的实施例对本发明实施例提供的基于支持向量回归和分位数的雷达海杂波形状参数估计方法的技术方案进行详细介绍说明。
参照图1所示，基于支持向量回归和分位数的雷达海杂波形状参数估计方法，包括以下方法
S1：建立多个支持向量回归模型；
其中建立多个支持向量回归模型还包括以下方法：
采用计算机语言系统，先设定固定参数类型和设定选取的核函数类型，再建立支持向量回归模型；
然后给不同类型的固定参数输入多组固定参数值，形成多个支持向量回归模型；
要说明的是本发明中固定参数类型包括惩罚系数C、参数gamma和参数ε，所述核函数类型包括线性核函数linear、多项式核函数polynomial、径向基函数rbf、Sigmoid核函数；
其中，参数ε的默认值为0.1，建立支持向量回归模型时输入的多组惩罚系数C、参数gamma和参数ε值均分别大于零，所述设定选取的核函数类型为径向基函数rbf；
本发明中采用计算机语言系统为Python语言系统，该系统软件适用本发明的方法；
S2：设定若干个雷达海杂波形状参数已知v值及设定不同样本分位处α和β的仿真值，计算选定的第α和第β样本分位处雷达海杂波模型的累积概率分布函数对应的幅度值rα和rβ比值的对数得到若干个对数/>公式如下：
其中，S2中方法具体为分别设定若干个雷达海杂波形状参数已知v值及不同样本分位处的α和β的仿真值，将若干个雷达海杂波形状参数已知v值与选取的样本分位处α的仿真值带入雷达海杂波模型的累积概率分布函数，求得所选取的第α样本分位处若干个雷达海杂波的幅度值rα，再将若干个已知雷达海杂波形状参数v值与选取的样本分位处β的仿真值带入雷达海杂波模型的累积概率分布函数，求得所选取的第β样本分位处若干个雷达海杂波的幅度值rβ；然后计算两个幅度值比值的对数得到若干个对数/>
以下方法中为了更清楚的解释说明，令雷达海杂波幅度值rα和rβ一个初始值分别为和/>令初始值/>和/>所对应的初始累积概率值为α(0)％和β(0)％；令初始累积概率值α(0)％和β(0)％对应的样本分位处值为α(0)和β(0)；
其中，要说明的是本发明中当海杂波形状参数为已知ν时，先分别各设置雷达海杂波幅度值rα和rβ一个初始值分别为和/>根据雷达海杂波模型的累积概率分布函数计算得到雷达海杂波幅度值rα和rβ的初始值/>和/>所对应的初始累积概率值α(0)％和β(0)％，将得到的初始累积概率值α(0)％和β(0)％对应的样本分位处值α(0)和β(0)与S2中第α和第β分位处进行比较，来调整海杂波幅度值rα和rβ的初始值/>和/>直到调整到雷达海杂波幅度值rα和rβ的新的累积概率值α(0)％和β(0)％对应的样本分位处值α(0)和β(0)与第α和第β分位处值相等，此时/>和/>为选定的第α和第β样本分位处雷达海杂波的幅度值rα和rβ；
进一步要说明的是雷达海杂波模型包括对数正态分布模型、韦布尔分布模型、K分布模型、广义Pareto分布模型，所述S2中雷达海杂波模型为K分布模型，所述K分布模型中的累积概率分布函数为
其中r表示海杂波幅度，v表示K分布的形状参数，μ表示K分布的尺度参数，Γ(·)表示伽玛函数，K(·)表示第二类修正的贝塞尔函数；要说明的是伽玛函数为本领域公知的数学函数；
本发明的S2中若干个雷达海杂波形状参数已知v值为大于零的实数，不同样本分位处的α和β的仿真值取值范围为0<α,β<100；
本发明的样本分位处α和β的仿真值中样本分位处β的仿真值为设定的数值，所述样本分位处α的仿真值为：
α＝-0.22(β/100)2+0.42(β/100)-0.03，通常样本分位处β的仿真值为整数值。
S3：以若干个对数作为输入，每个对数/>对应的海杂波形状参数已知v值作为输出对多个支持向量回归模型进行分别训练，选取一个最优支持向量回归模型；
本发明的S3中选取一个最优支持向量回归模型还包括以下方法：
当多个支持向量回归模型全部分别训练结束后，再次将若干个对数输入训练后的多个支持向量回归模型内，让多个支持向量回归模型自动输出每个对数/>所对应的海杂波形状参数预测/>值；
计算每个支持向量回归模型所输出的海杂波形状参数预测值与S2中海杂波形状参数已知v值之间的相对均方根误差，此时相对均方根误差最小的值所对应的支持向量回归模型为最优模型；
其中，当相对均方根误差的值小于2×10-3的时候，说明误差小，此时的相对均方根误差最小的值所对应的支持向量回归模型为最优模型；
S4：获取真实的雷达海杂波数据，计算得到S2中选取的第α和第β样本分位处在真实雷达海杂波数据中的所对应的若干个真实雷达海杂波幅度值和/>比值的对数/>公式如下：
本发明S4中的具体方法如下：
获取真实的雷达海杂波数据，采用S2中选定的样本分位处α和β的仿真值，在所获取真实的雷达海杂波数据中找到样本分位处α和β的仿真值所对应的雷达海杂波幅度值和/>计算得到若干个第α和第β样本分位处的真实的雷达海杂波幅度值比值的对数/>
S5：将S4中计算得到的若干个真实雷达海杂波幅度值比值的对数输入到S3中最优支持向量回归模型中，得到若干个估计的海杂波形状参数值/>
S6：将S5中得到的若干个估计的海杂波形状参数值应用于分析雷达海杂波的非高斯性；
当估计的形状参数值越大，说明雷达探测区域内海杂波的非高斯性越严重。
进一步要说明的是在本发明中通过实验证明当核函数选择径向基核函数时，回归拟合效果最好，后续仿真实验中选择的核函数为径向基核函数，内核缓存的大小默认为200MB，通过使用for循环实现网格搜索的方法找到性能最优的一组参数，即最优支持向量回归模型，通过仿真实验得到当惩罚系数C取1000、参数gamma取1、参数ε取0.001时，即可满足本发明的雷达海杂波形状参数的估计，支持向量回归模型的输入为海杂波样本分位数比值的对数，输出的是雷达海杂波的形状参数的估计值。
本发明中的采用径向基函数rbf用于为支持向量回归模型引入非线性能力。
参数gamma表示核函数宽度参数，用于控制选择的支持向量的数量。
参数ε表示支持向量回归模型内可容忍的偏差的大小。
多组惩罚系数C表示控制损失函数的惩罚系数，C越大，即对分错样本的惩罚程度越大。
本发明支持向量回归模型中设置的损失函数为相对均方根误差函数，模型的优化方法使用网格搜索方法来优化超参数。
本发明的S3中的方法在实际应用中，选取的雷达海杂波模型为K分布模型，对K分布数海杂波形状参数已知v进行估计，形状参数v从0.1增加到20，步长增加为0.1，与其对应的分位数比值的对数作为训练数据，进行训练支持向量回归模型。
下面结合仿真实验对本发明的效果做进一步说明。
采用计算机语言系统为Python语言系统，先设定固定参数类型为惩罚系数C、参数gamma和参数ε；
设定选取的核函数类型为径向基函数rbf，再建立支持向量回归模型；
然后给惩罚系数C、参数gamma和参数ε输入多组固定参数值，形成多个支持向量回归模型；
设定若干个雷达海杂波形状参数已知v值，ν从0.1增加到20，步长为0.1，及设定样本分位处β的仿真值为95，由α＝-0.22(β/100)2+0.42(β/100)-0.03计算得出α的仿真值为0.17045；
计算选定的第α＝0.17045和第β＝95样本分位处K分布海杂波模型的累积概率分布函数对应的幅度值rα和rβ，分别各设置雷达海杂波幅度值rα和rβ一个初始值和/>根据K分布海杂波模型的累积概率分布函数计算得到雷达海杂波幅度值rα和rβ的初始值/>和所对应的初始累积概率值α(0)％和β(0)％，将得到的初始累积概率值α(0)％和β(0)％对应的样本分位处值α(0)和β(0)与S2中第α和第β分位处进行比较，来调整海杂波幅度值rα和rβ的初始值/>和/>直到调整到雷达海杂波幅度值rα和rβ的新的累积概率值α(0)％和β(0)％对应的样本分位处值α(0)和β(0)与第α和第β分位处值相等，此时的/>和/>为选定的第α和第β样本分位处雷达海杂波的幅度值rα和rβ；
然后计算两个雷达海杂波幅度值rα和rβ比值的对数 得到若干个对数/>
以若干个对数作为输入，每个对数/>对应的海杂波形状参数已知v＝0.1：0.1：20取值作为输出对多个支持向量回归模型进行分别训练；
当多个支持向量回归模型全部分别训练结束后，再次将若干个对数输入训练后的多个支持向量回归模型内，让多个支持向量回归模型自动输出每个对数/>所对应的海杂波形状参数预测/>值；
计算每个支持向量回归模型所输出的海杂波形状参数预测值与S2中海杂波形状参数已知v＝0.1:0.1:20取值之间的相对均方根误差，当相对均方根误差的值小于2×10-3的时候，说明误差小，此时的相对均方根误差最小的值所对应的支持向量回归模型为最优模型；
获取真实的雷达海杂波数据，采用S2中选定的样本分位处α＝0.17045和β＝95的仿真值，在所获取真实的雷达海杂波数据中找到样本分位处α＝0.17045和β＝95的仿真值所对应的雷达海杂波幅度值和/>计算得到第α＝0.17045和第β＝95样本分位处的真实的雷达海杂波幅度值/>和/>比值的对数/>公式如下：
利用python软件，将S4中计算得到的若干个真实雷达海杂波幅度值比值的对数输入到S3中最优支持向量回归模型中，得到若干个估计的海杂波形状参数值/>
将S5中得到的若干个估计的海杂波形状参数值应用于分析雷达海杂波的非高斯性；
当估计的形状参数值越大，说明雷达探测区域内海杂波的非高斯性越严重。
与现有技术相比，本发明通过建立的支持向量回归模型，然后给回归模型输入两个样本分位数比值的对数进行训练，得到雷达海杂波形状参数的估计值，在降低雷达海杂波形状参数估计误差的同时，具有可以快速优化训练和预测的优势。
仿真实验如下：
1、仿真参数
在本发明中，主要使用的雷达海杂波模型是K分布模型，对K分布海杂波形状参数进行估计，利用matlab软件仿真K分布海杂波数据，海杂波数据长度为N＝5000,其中形状参数ν从0.1增加到20，步长为0.1，尺度参数设置为1，每个形状参数的仿真次数为10000次。分位次序β＝95，分位次序α＝-0.22(β/100)2+0.42(β/100)-0.03。
利用python软件进行模型的估计，首先使用纯海杂波背景下的数据通过支持向量回归模型进行形状参数的估计，然后在生成的纯海杂波数据中加入强度服从区间为[10，100]内的均匀分布的2％的异常样本，通过回归模型进行形状参数的估计。
2、仿真实验内容
仿真实验中，参照图2和图3所示，分别采用二四阶矩估计方法MOM2-4、一二三阶矩估计方法MOM1-3、Zlogz估计方法、三分位点估计方法、基于神经网络和样本分位数比值的K分布海杂波形状参数估计方法与本发明方法对K分布海杂波数据的形状参数进行估计，在图2中画出了在纯海杂波数据下各种方法在不同形状参数下的相对均方根误差曲线图，在图3中画出了在含有2％异常样本的海杂波数据下各种方法在不同形状参数下的相对均方根误差曲线图。
其中，基于神经网络和样本分位数比值的K分布海杂波形状参数估计方法详情见专利号为202210475804.1的公开专利。
3、模型训练时间
传统方法二四阶矩估计方法MOM2-4、一二三阶矩估计方法MOM1-2、Zlogz估计方法、三分位点估计方法不需要训练，所以在这里忽略其训练时间。
在相同的电脑配置和软件环境下，当训练误差相等时，本发明方法所构建支持向量回归模型的训练时间约为0.13秒，基于神经网络和样本分位数比值的K分布海杂波形状参数估计方法即专利号为202210475804.1中构建的神经网络模型的训练时间为大约120秒。可以看出，本发明的优化训练时间远远低于基于神经网络和样本分位数比值的K分布海杂波形状参数估计方法即专利号为202210475804.1的优化训练时间。这保证了本发明方法向雷达海杂波的其它类型的幅度分布形状参数估计扩展易用性。
本发明方法构建的支持向量回归模型在训练完成后，对单次输入的预测时间约为0.003秒。基于神经网络和样本分位数比值的K分布海杂波形状参数估计方法即专利号为202210475804.1在训练完成后，对单次输入的预测时间约为0.7秒。可以看出，本发明方法的预测时间远小于基于神经网络的方法。这保证了本发明方法的实用性。
4、实验结果
实验结果如图2和图3所示，其中横轴表示形状参数取值，纵轴表示不同形状参数下的相对均方根误差。
从图2可以观察到，在纯海杂波数据背景下本发明方法和三分位点估计方法、基于神经网络的估计方法的相对均方根误差较接近，说明本发明方法的估计性能较好。
从图3可以观察到，在含有2％的异常样本数据情况下，本发明方法的估计误差与三分位点估计方法的估计误差较接近，但优于三分位点估计方法和其它估计方法。三分位点估计方法需要依靠查表，计算代价会随着表格规模增大而增大。
本发明方法和基于神经网络和样本分位数比值的K分布海杂波形状参数估计方法即专利号为202210475804.1具有非常近似的估计误差，从仿真实验中得知本发明训练和预测的时间短，从而使整个过程周期短，且容易确定最优模型，本发明的模型参数的物理意义明确，优于基于神经网络和样本分位数比值的K分布海杂波形状参数估计方法。
综上，本发明提出了一种基于支持向量回归和分位数的雷达海杂波形状参数估计方法，在纯海杂波环境和含有2％的异常样本的海杂波环境中都具有低的形状参数估计误差，并且具有可以快速优化训练和预测的优势。
进一步要说明的是本发明中的通过多次仿真实验得知不仅限于含有2％的异常样本的海杂波环境中具有低的形状参数估计误差，而是在含有异常样本的海杂波环境中都均具有低的形状参数估计误差。
即本发明的基于支持向量回归和分位数的雷达海杂波形状参数估计方法，在纯海杂波环境和含有不同比例值异常样本的海杂波环境中都具有低的形状参数估计误差，对异常样本均具有鲁棒性，并且具有可以快速优化训练和预测的优势。
上面结合附图对本发明的实施方式作了详细的说明，但本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化，其都在该技术的保护范围内。
需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

Claims (10)

1.基于支持向量回归和分位数的雷达海杂波形状参数估计方法，其特征是：包括以下方法
S1：建立多个支持向量回归模型；
S2：设定若干个雷达海杂波形状参数已知v值及设定不同样本分位处α和β的仿真值，计算选定的第α和第β样本分位处雷达海杂波模型的累积概率分布函数对应的幅度值rα和rβ比值的对数得到若干个对数/>公式如下：
S3：以若干个对数作为输入，每个对数/>对应的海杂波形状参数已知v值作为输出对多个支持向量回归模型进行分别训练，选取一个最优支持向量回归模型；
S4：获取真实的雷达海杂波数据，计算得到S2中选取的第α和第β样本分位处在真实雷达海杂波数据中的所对应的若干个真实雷达海杂波幅度值和/>比值的对数/>公式如下：
S5：将S4中计算得到的若干个真实雷达海杂波幅度值比值的对数输入到S3中最优支持向量回归模型中，得到若干个估计的海杂波形状参数值/>
S6：将S5中得到的若干个估计的海杂波形状参数值应用于分析雷达海杂波的非高斯性；
当估计的形状参数值越大，说明雷达探测区域内海杂波的非高斯性越严重。
2.根据权利要求1所述的基于支持向量回归和分位数的雷达海杂波形状参数估计方法，其特征是：所述的S1中建立多个支持向量回归模型还包括以下方法：
采用计算机语言系统，先设定固定参数类型和设定选取的核函数类型，再建立支持向量回归模型；
然后给不同类型的固定参数输入多组固定参数值，形成多个支持向量回归模型。
3.根据权利要求2所述的基于支持向量回归和分位数的雷达海杂波形状参数估计方法，其特征是：所述的固定参数类型包括惩罚系数C、参数gamma和参数ε，所述核函数类型包括线性核函数linear、多项式核函数polynomial、径向基函数rbf、Sigmoid核函数。
4.根据权利要求3所述的基于支持向量回归和分位数的雷达海杂波形状参数估计方法，其特征是：所述的参数ε的默认值为0.1，建立支持向量回归模型时输入的多组惩罚系数C、参数gamma和参数ε值均分别大于零，所述设定选取的核函数类型为径向基函数rbf。
5.根据权利要求1所述的基于支持向量回归和分位数的雷达海杂波形状参数估计方法，其特征是：所述的雷达海杂波模型包括对数正态分布模型、韦布尔分布模型、K分布模型、广义Pareto分布模型，所述S2中雷达海杂波模型为K分布模型，所述K分布模型中的累积概率分布函数为
其中，r表示海杂波幅度，v表示K分布的形状参数，μ表示K分布的尺度参数，Γ(·)表示伽玛函数，K(·)表示第二类修正的贝塞尔函数。
6.根据权利要求1所述的基于支持向量回归和分位数的雷达海杂波形状参数估计方法，其特征是：所述的S2中若干个雷达海杂波形状参数已知v值为大于零的实数，不同样本分位处的α和β的仿真值取值范围为0<α,β<100。
7.根据权利要求1所述的基于支持向量回归和分位数的雷达海杂波形状参数估计方法，其特征是：所述的S3中选取一个最优支持向量回归模型还包括以下方法：
当多个支持向量回归模型全部分别训练结束后，再次将若干个对数输入训练后的多个支持向量回归模型内，让多个支持向量回归模型自动输出每个对数/>所对应的海杂波形状参数预测/>值；
计算每个支持向量回归模型所输出的海杂波形状参数预测值与S2中海杂波形状参数已知v值之间的相对均方根误差，此时相对均方根误差最小的值所对应的支持向量回归模型为最优模型。
8.根据权利要求7所述的基于支持向量回归和分位数的雷达海杂波形状参数估计方法，其特征是：当相对均方根误差的值小于2×10-3的时候，说明误差小，此时的相对均方根误差最小的值所对应的支持向量回归模型为最优模型。
9.根据权利要求2所述的基于支持向量回归和分位数的雷达海杂波形状参数估计方法，其特征是：所述的采用计算机语言系统为Python语言系统。
10.根据权利要求1所述的基于支持向量回归和分位数的雷达海杂波形状参数估计方法，其特征是：所述的样本分位处α和β的仿真值中样本分位处β的仿真值为设定的数值，所述样本分位处α的仿真值为：
α＝-0.22(β/100)2+0.42(β/100)-0.03。
CN202310829766.XA 2023-07-07 2023-07-07 基于支持向量回归和分位数的雷达海杂波形状参数估计方法 Pending CN117092605A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310829766.XA CN117092605A (zh) 2023-07-07 2023-07-07 基于支持向量回归和分位数的雷达海杂波形状参数估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310829766.XA CN117092605A (zh) 2023-07-07 2023-07-07 基于支持向量回归和分位数的雷达海杂波形状参数估计方法

Publications (1)

Publication Number Publication Date
CN117092605A true CN117092605A (zh) 2023-11-21

Family

ID=88774162

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310829766.XA Pending CN117092605A (zh) 2023-07-07 2023-07-07 基于支持向量回归和分位数的雷达海杂波形状参数估计方法

Country Status (1)

Country Link
CN (1) CN117092605A (zh)

Similar Documents

Publication Publication Date Title
CN109901153B (zh) 基于信息熵权和最近邻域数据关联的目标航迹优化方法
CN108304612B (zh) 基于噪声补偿的迭代平方根ckf的汽车雷达目标跟踪方法
CN110275148B (zh) 一种海杂波幅度分布参数估计方法及系统
US10439594B2 (en) Actually-measured marine environment data assimilation method based on sequence recursive filtering three-dimensional variation
CN110865343B (zh) 基于lmb的粒子滤波检测前跟踪方法及系统
CN111462069B (zh) 目标对象检测模型训练方法、装置、电子设备及存储介质
CN104102836B (zh) 一种电力系统快速抗差状态估计方法
CN110376290B (zh) 基于多维核密度估计的声发射源定位方法
CN111929679B (zh) 一种自适应加权截断统计恒虚警检测方法
CN111126318A (zh) 一种信号失配下的参数可调双子空间信号检测方法
CN111220960B (zh) 多站雷达下的目标特征提取方法和装置
CN114124033A (zh) 卡尔曼滤波器的实现方法、装置、存储介质和设备
CN110376582B (zh) 自适应gm-phd的机动目标跟踪方法
CN111125885A (zh) 一种基于改进克里金插值算法的asf修正表构建方法
CN111427022A (zh) 一种基于极大似然估计的阵列雷达测角方法
CN113673565A (zh) 多传感器gm-phd自适应序贯融合多目标跟踪方法
CN113189561A (zh) 一种海杂波参数估计方法、系统、设备及存储介质
CN115457510A (zh) 一种基于变分贝叶斯的自适应协同目标跟踪方法
CN115204212A (zh) 一种基于stm-pmbm滤波算法的多目标跟踪方法
CN108761384B (zh) 一种抗差的传感器网络目标定位方法
CN111009179B (zh) 剥蚀厚度的确定方法及装置
CN111830481B (zh) 雷达回波单分量幅度分布模型参数估计方法及装置
CN107255799B (zh) 广义帕累托分布参数显式双分位点估计方法
CN113504521A (zh) 一种用于多目标环境下的基于混合模型的恒虚警检测方法
CN117092605A (zh) 基于支持向量回归和分位数的雷达海杂波形状参数估计方法

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