[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

说明书

本发明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。

技术领域

本发明属于信号处理技术领域，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。

背景技术

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“Machadofernández J R,Chávezferry N.A Neural Network Approach toWeibull Distribution Sea Clutter Parameters Estimation[J].InteligenciaArtificial Revista Iberoamericana De Inteligencia Artificial,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“Machado J R F.Improved Shape Parameter Estimation in K Clutterwith Neural Networks and Deep Learning[J].International Journal ofInteractive Multimedia&Artificial Intelligence,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。

发明内容

本发明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，本发明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；