基于神经网络的K分布海杂波形状参数估计方法技术

本发明专利技术公开了一种基于神经网络的K分布海杂波形状参数估计方法，主要解决现有方法在存在异常样本的小样本情况下形状参数估计性能差的问题。技术方案是：产生不同形状参数的理想K分布功率归一化海杂波幅度数据；均匀提取数据的多个分位点幅度值作为输入并设计合适神经网络结构对大量理想数据进行训练；获取雷达海杂波数据进行功率归一化；应用已有神经网络，将数据的多个分位点幅度值带入得到形状参数估计值。本发明专利技术使用部分海杂波幅度特性，通过训练神经网络，提高了在存在异常样本的小样本情况下的形状参数估计性能，同时本发明专利技术不需要对所有数据进行计算，效率远高于传统方法。主要应用于海况勘探、目标检测等领域。

Shape parameter estimation method of K Distribution Sea Clutter Based on Neural Network

The invention discloses a K distribution sea clutter shape parameter estimation method based on neural network, which mainly solves the problem that the existing method has poor performance in estimating the shape parameter in the presence of small samples with abnormal samples. The technical scheme is: produce different shape parameters of ideal K distribution power normalized sea clutter amplitude data; extract uniform data multiple quantile amplitude values as input and design appropriate neural network structure of a large number of ideal data for training; obtaining radar sea clutter data were normalized power; neural network has been applied, the data of the a plurality of quantile amplitude values into shape parameter estimation. The invention uses part of sea clutter amplitude characteristics, by training the neural network, improve the shape parameters on small samples of abnormal samples for the estimation performance, at the same time, the invention does not need to calculate all the data, the efficiency is much higher than the traditional method. It is mainly used in sea state exploration, target detection and other fields.

【技术实现步骤摘要】
基于神经网络的K分布海杂波形状参数估计方法
本专利技术属于信号处理
，涉及目标检测，具体是一种基于神经网络的K分布海杂波形状参数估计方法，可用于海杂波形状参数的有效快速估计。
技术介绍
海杂波背景下的目标检测技术是雷达应用技术中一个至关重要的研究方向，在军事和民用领域已经得到广泛应用。而对于海杂波统计特性的准确分析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，提出合适的模型并在存在异常样本时对其模型参数进行准确估计成为目标检测的重要保障。K分布作为地海杂波理论研究中的重要模型，在对于高分辨力低掠射角的海杂波重拖尾特性的模拟上具有明显优势。因此在雷达系统的设计，仿真，建模中得到了广泛应用。因此给出雷达数据下K分布形状参数的合理估计值具有重要意义。但是，由于海杂波的非高斯非平稳特性，造成独立同分布的样本获取比较困难，而传统的K分布形状参数估计方法在样本数量较少或伴随有一定比例的异常样本时，估计性能急剧下降，在一定程度下无法满足雷达系统的需求，因此，需要一种能够应用于小样本情况下对K分布海杂波形状参数进行稳健估计的方法，保证目标检测的基本要求。近年来，很多研究者针对K分布海杂波的形状参数估计，提出了一些基于特定条件下的K分布海杂波形状参数估计理论。文献“MachadofernándezJR,ChávezferryN.ANeuralNetworkApproachtoWeibullDistributionSeaClutterParametersEstimation[J].InteligenciaArtificialRevistaIberoamericanaDeInteligenciaArtificial,2015,18:págs.3-13.”中提出了一种基于神经网络的海杂波形状参数估计方法，但利用的是较简单的Weibull分布，不能很好的拟合现实中海杂波的强非高斯重拖尾特性。文献“MachadoJRF.ImprovedShapeParameterEstimationinKClutterwithNeuralNetworksandDeepLearning[J].InternationalJournalofInteractiveMultimedia&ArtificialIntelligence,2016,3(7):96-103.”给出了一种利用神经网络来对K分布海杂波进行形状参数估计的方法。该方法通过提取杂波的各种幅度统计特征来构建神经网络，对比传统矩估计方法有一定提升，但并没有考虑存在异常样本时的情况。以上文献中提出的方法都运用了神经网络的结构来估计海杂波形状参数，但都无法在存在异常样本的情况下对海杂波形状参数进行有效快速估计。
技术实现思路
本专利技术的目的在于针对现有技术的不足，以解决现有技术对海杂波数据独立同分布样本获取困难的问题，提高在样本数较少且存在异常样本的情况下K分布形状参数的估计精度，提出一种基于神经网络的K分布海杂波形状参数估计方法。为实现上述技术目的，本专利技术的技术方案包括有如下步骤：(1)理想纯海杂波数据获取：保证功率归一化的情况下，利用仿真软件针对不同形状参数产生多组独立的K分布仿真杂波数据；(2)训练神经网络：找到合适的输入以及神经网络结构，对神经网络进行训练，从每组独立的K分布仿真杂波数据中均匀提取25个分位点的杂波幅度值，将其作为输入层添加至神经网络，而输出层则为真实的海杂波形状参数，完成神经网络的训练；(3)雷达获取数据：雷达发射机发射脉冲信号，用雷达接收机接收经过海面散射形成的回波数据，该回波数据的每个分辨单元中的回波序列X为：X＝[x1,x2,…,xi,…,xN]，其中xi表示第i个脉冲回波数据，i＝1,2,…,N，N表示脉冲总数；(4)数据归一化：获取当前杂波数据的功率信息，并将其按功率进行归一化，得到功率归一化序列Y：Y＝[y1,y2,…,yi,…,yN]，其中yi功率归一化后的第i个脉冲功率归一化回波幅度数据；(5)用训练完成的神经网络进行雷达海杂波形状参数估计：如步骤(2)方法均匀提取功率归一化海杂波幅度数据的25个分位点幅度值，具体是将功率归一化雷达数据从小到大排序得到顺序序列，用顺序序列进行序列划分，将其均匀的划分为26个子序列，若不能进行精准的划分，则默认第一个子序列中元素最少，并取前25个子序列中每个子序列的最后一个元素作为该分位点的值，这样依次取到25个分位点的幅度值作为输入带入步骤(2)训练完成的神经网络，输出即为估计的K分布海杂波形状参数值。本专利技术在神经网络训练完成后，进行实际参数估计时效率很高，并且解决了存在异常本的小样本情况下海杂波形状参数的有效快速估计问题。本专利技术与现有技术相比具有以下优点：1)本专利技术仅利用25个分位点幅度值作为输入来估计形状参数，所以对雷达杂波数据样本数量要求不高，只要分位点的幅度值准确，在较少样本时依旧能保证较高的精度。2)本专利技术利用分位点作为输入来估计形状参数，而异常样本经常出现在杂波幅度值非常大或非常小的地方，对分位点的影响非常小，因此本专利技术在存在异常样本的情况下对海杂波形状参数估计具有很好的稳健性。3)本专利技术前期利用大量理想样本训练神经网络，虽然在这一部分用时较长，但在网络训练完成后，再进行后期参数估计时拥有非常高的效率。附图说明图1为本专利技术的实现流程图；图2为本专利技术与传统K分布形状参数估计方法的相对均方根误差比较图，其中图2(a)为理想样本下各方法误差比较图，图2(b)为异常样本下各方法误差比较图。具体实施方式下面结合附图对本专利技术作进一步说明：实施例1提高在存在异常样本情况下海杂波形状参数估计的准确性，能够更好地反映海况的实际情况，降低海杂波目标检测中的虚警率和漏检率，改善检测性能，因此在存在异常样本情况下对海杂波形状参数进行有效快速估计是急需解决的问题。现有的估计方法都是结合全部幅度特性对海杂波形状参数进行估计，忽略了异常样本带来的影响，针对这一缺点，本专利技术展开研究与探讨，提出了一种基于神经网络的K分布海杂波形状参数估计方法，参见图1，包括有如下步骤：(1)理想纯海杂波数据获取：保证功率归一化的情况下，利用仿真软件针对不同形状参数产生多组独立的K分布仿真杂波数据，这样获得的海杂波数据为理想纯海杂波数据。(2)训练神经网络：找到合适的输入以及神经网络结构，对神经网络进行训练，从每组独立的K分布仿真杂波数据中均匀提取25个分位点的杂波幅度值，将其作为输入层添加至神经网络，而输出层则为真实的海杂波形状参数，完成神经网络的训练。(3)雷达获取数据：雷达发射机发射脉冲信号，用雷达接收机接收经过海面散射形成的回波数据，该回波数据的每个分辨单元中的回波序列X为：X＝[x1,x2,…,xi,…,xN]，其中xi表示第i个脉冲回波数据，i＝1,2,…,N，N表示脉冲总数。(4)数据归一化：获取当前杂波数据的功率信息，并将其按功率进行归一化，得到功率归一化序列Y：Y＝[y1,y2,…,yi,…,yN]，其中yi功率归一化后的第i个脉冲功率归一化回波幅度数据。(5)用训练完成的神经网络进行雷达海杂波形状参数估计：如步骤(2)方法均匀提取功率归一化海杂波幅度数据的25个分位点幅度值，具体是将功率归一化雷达数据从小到大排本文档来自技高网...

【技术保护点】
一种基于神经网络的K分布海杂波形状参数估计方法，其特征在于，包括有如下步骤：(1)理想纯海杂波数据获取：保证功率归一化的情况下，利用仿真软件针对不同形状参数产生多组独立的K分布仿真杂波数据；(2)训练神经网络：找到合适的输入以及神经网络结构，对神经网络进行训练，从每组独立的K分布仿真杂波数据中均匀提取25个分位点的杂波幅度值，将其作为输入层添加至神经网络，而输出层则为真实的海杂波形状参数，完成神经网络的训练；(3)雷达获取数据：雷达发射机发射脉冲信号，用雷达接收机接收经过海面散射形成的回波数据，该回波数据的每个分辨单元中的回波序列X为：X＝[x1,x2,...,xi,...,xN]，其中xi表示第i个脉冲回波数据，i＝1,2,...,N，N表示脉冲总数；(4)数据归一化：获取当前杂波数据的功率信息，并将其按功率进行归一化，得到功率归一化序列Y：Y＝[y1,y2,…,yi,...,yN]，其中yi功率归一化后的第i个脉冲功率归一化回波幅度数据；(5)用训练完成的神经网络进行雷达海杂波形状参数估计：如步骤(2)方法均匀提取功率归一化海杂波幅度数据的25个分位点幅度值，具体是将功率归一化雷达数据从小到大排序得到顺序序列，用顺序序列进行序列划分，将其均匀的划分为26个子序列，若不能进行精准的划分，则默认第一个子序列中元素最少，并取前25个子序列中每个子序列的最后一个元素作为该分位点的值，这样依次取到25个分位点的幅度值作为输入带入步骤(2)训练完成的神经网络，输出即为估计的K分布海杂波形状参数值。...

【技术特征摘要】
1.一种基于神经网络的K分布海杂波形状参数估计方法，其特征在于，包括有如下步骤：(1)理想纯海杂波数据获取：保证功率归一化的情况下，利用仿真软件针对不同形状参数产生多组独立的K分布仿真杂波数据；(2)训练神经网络：找到合适的输入以及神经网络结构，对神经网络进行训练，从每组独立的K分布仿真杂波数据中均匀提取25个分位点的杂波幅度值，将其作为输入层添加至神经网络，而输出层则为真实的海杂波形状参数，完成神经网络的训练；(3)雷达获取数据：雷达发射机发射脉冲信号，用雷达接收机接收经过海面散射形成的回波数据，该回波数据的每个分辨单元中的回波序列X为：X＝[x1,x2,...,xi,...,xN]，其中xi表示第i个脉冲回波数据，i＝1,2,...,N，N表示脉冲总数；(4)数据归一化：获取当前杂波数据的功率信息，并将其按功率进行归一化，得到功率归一化序列Y：Y＝[y1,y2,…,yi,...,yN]，其中yi功率归一化后的第i个脉冲功率归一化回波幅度数据；(5)用训练完成的神经网络进行雷达海杂波形状参数估计：如步骤(2)方法均匀提取功率归一化海杂波幅度数据的25个分位点幅度值，具体是将功率归一化雷达数据从小到大排序得到顺序序列，用顺序序列进行序列划分，将其均匀的划分为26个子序列，若不能进行精准的划分，则默认第一个子序列中元素最少，并取前25个子序列中每个子序列的最后一个元素作为该分位点的值，这样依次取到25个分位点的幅度值作为输入带入步骤(2)训练完成的神经网络，输出即为估计的K分布海杂波形状参数值。2.如权利要求1所述的基于神经网络的K分布海杂波形状参数估计方法，其特征在于，步骤(1)中对于保证功率归一化的情况下，利用仿真软件对不同形状参数产生多组独立的K分布仿真杂波数据，包括有以下步骤：1a)K分布的概率密度函数ρx表示为：其中，v表示形状参数(v＞0)，b表示尺度参数(b＞0)，Kv(·)表示v阶第二类修正Bessel函数。得到K分布功率E(x2)为：E(x2)＝vb；1...

【专利技术属性】
技术研发人员：水鹏朗，芦凯，曾威良，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61