[发明专利]基于IA-SVM模型的微弱信号检测方法

说明书

本发明公开了一种基于IA‑SVM模型的微弱信号检测方法，该方法首先采用C‑C法进行相空间重构，确定嵌入维和延迟时间，实现混沌信号的预处理，然后建立免疫算法(IA)优化的基于支持向量机(SVM)的单步预测模型，在Lorenz混沌背景和IPIX实测雷达海杂波背景下进行预测模型的训练和预测，从预测误差的频谱分析中检测淹没在混沌系统中的微弱信号，最后判断是否存在微弱目标信号，具有检测精度高，泛化性强的特点。

技术领域

本发明涉及雷达数据处理领域，特别涉及一种基于IA-SVM模型的微弱信号检测方法。

背景技术

海杂波是指海面雷达的后向散射回波，受风力、潮汐、洋流、湿度、浪涌等多种外界自然因素影响，物理机理复杂多变，非高斯、非线性、非平稳特性显著，会对雷达目标检测造成干扰。从雷达检测海平面目标的需求出发，进而开展对海杂波特性的研究。随着海浪机理以及海杂波特性研究的深入，研究人员发现海杂波存在混沌特性。所谓混沌是指由非线性确定系统中的非线性作用产生的不规则、类似随机的运动，混沌理论与其他各领域学科理论的互相交错，使得混沌特性在微弱信号检测领域大放异彩，特别是海杂波背景下的微弱信号检测成为了信号处理与检测的热点研究课题。研究海杂波作背景噪声的微弱信号检测，对海平面小目标的识别与检测有着非常重要的理论以及实际应用意义。

1997年，Mukherjee将支持向量机应用到混沌时间序列的预测中来，促进了混沌序列的预测研究。2005年，叶美盈等提出了一种基于LS-SVM回归的混沌时间序列的预测方法，并分别在Chenl’s混沌系统、Rossler混沌系统、Henon映射及脑电(EEG)作为混沌时间序列下得到验证。2010年，金天力在研究复杂非线性系统相空间重构理论时，提出了基于新型LS-SVM模型的海杂波背景微弱信号检测，与传统神经网络方法和LS-SVM 相比，提高了预测精度和检测阀值，但是存在一定局限性。所以，研究一种精度更高、效率更更高的微弱信号检测方法具有重大意义。

发明内容

发明目的：本发明的目的是提供一种基于IA-SVM模型的微弱信号检测方法，为了解决传统海杂波背景下的微弱信号检测方法检测精度不高、效率不高的问题，本发明将免疫算法优化支持向量机的预测模型应用于混沌海杂波背景下的微弱信号检测，利用支持向量机能较好处理复杂非线性问题和免疫算法的搜索效率更高、寻优效果更好的特点，能够有效提高检测模型的精度和检测门限。

技术方案：本发明所述的基于IA-SVM模型的微弱信号检测方法，(1)采用C-C法对待测海杂波信号x(n)进行相空间重构，确定相空间的关键参数嵌入维数和延迟时间；

(2)利用支持向量机能够较好处理复杂非线性问题以及较优的分类回归能力，建立基于支持向量机的海杂波单步预测模型；

(3)利用免疫算法对影响支持向量机预测能力的惩罚系数、核函数和不敏感损失参数进行优化，使得模型的预测效果达到最佳；

(4)将利用免疫算法求得的最优参数C、σ、ε，代入到支持向量机的单步预测模型中进行预测，得到最终的预测结果。

(5)计算预测误差，并对误差进行时域频域分析，从预测误差中检测淹没在混沌海杂波中的微弱信号。

有益效果：本发明提出了一种基于IA-SVM模型的微弱信号检测模型，对混沌相空间重构后的序列进行单步预测模型，从预测误差中检测淹没在海杂波背景中的微弱信号，与传统检测方法下的均方根误差，在信噪比更高的情形下的均方根误差更小(信噪比 -104.2473.均方根误差0.0001463)，证明本发明的有效性以及优越性。

附图说明

图1是本发明的一种海杂波背景下的微弱信号检测方法的流程图；

图2为 Lornez系统下含瞬态信号的真实值与预测值；

图3为 Lornez系统下含瞬时信号的预测误差；