[发明专利]基于神经网络的K分布海杂波形状参数估计方法

权利要求书

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,…,x_i,…,x_N]，

其中x_i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，即雷达接收到的回波数据的功率信息，并将其按功率进行归一化，得到功率归一化序列Y：

Y＝[y₁,y₂,…,y_i,…,y_N]，

其中y_i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ρ_x表示为：

其中，v表示形状参数(v＞0)，b表示尺度参数(b＞0)，Γ(v)表示Gamma函数，K_v(·)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；

1b)在的情况下对间隔为0.01范围是0.1-5的每个形状参数产生10组杂波样本，每组3000个杂波幅度值，杂波样本序列Z表示形式如下：

其中是以a为形状参数，p为组号的杂波样本序列，a表示形状参数，a＝0.1,0.11,…,5，p表示组号，p＝1,2,…,10，z_i表示杂波幅度值，i＝1,2,…,3000。

3.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(2)中对于提取分位点的杂波幅度值进行神经网络的训练，包括有以下步骤：

2a)将K分布仿真杂波数据中每组幅度序列内的元素进行从小到大的排序，得到多组顺序序列，对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神经网络的输入；设计隐层为50个节点；期望输出为杂波样本组相对应的形状参数值a，上述一组输入和输出就构成一个样本组；

2b)设定隐层传递函数为双曲正切函数，输出层传递函数为线性函数，学习函数为梯度下降动量学习函数，误差函数为均方误差性能函数；

2c)选取70％的样本组进行训练，在训练时为实现快速收敛将样本组进行乱序训练，15％的样本组进行过拟合检验，另外15％样本组进行测试，完成神经网络的训练。

4.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(4)中对于获取当前杂波数据的功率信息，并将其按功率进行归一化，包括有以下步骤：

4a)计算当前样本数据X的功率P_X：

P_x＝|X|²＝[|x₁|²,|x₂|²,...,|x_i|²,...,|x_N|²]，

其中x_i表示第i个回波数据，i＝1,2,…,N，N表示脉冲数，P_X服从K分布；

4b)对杂波功率P_X进行归一化，得到功率归一化后的杂波幅度样本Y：

其中表示杂波功率P _X 的平均值，表示P_X的第i个数据。