[发明专利]面向未知海域海杂波的源域生成和分布参数泛化方法

说明书

本发明提供一种面向未知海域海杂波的源域生成和分布参数泛化方法，包括：步骤1，特征提取模块提取未知海域的海杂波特征；步骤2，生成域模块根据所述海杂波特征生成迁移源域；步骤3，模型训练模块根据所述迁移源域进行模型训练；步骤4，模型选择模块对所述迁移源域进行优化以获得真实迁移源域；步骤5，模型迁移模块对所述真实迁移源域进行训练获得对未知海域的真实数据域的海杂波进行预测的参数估计模型。本发明通过参数泛化的方法，将对源域起作用的模型在真实杂波域进行泛化，得到了真实域的参数估计模型，达到了对真实杂波参数估计的目的。

技术领域

本发明涉及海杂波的参数估计技术领域，具体涉及一种面向未知海域海杂波的源域生成和分布参数泛化方法。

背景技术

早在上个世纪年代，学者们就开始了对雷达杂波统计模型的研究，大批科研人员进行了大量的理论分析和数据试验。到目前为止，海杂波幅度分布参数估计主要研究方法为：将海杂波看作为一种随机过程，以传统统计学理论为基础的经典海杂波统计模型的研究，以统计学理论为基础的海杂波统计特性研究已经基本完善成一套理论，在海杂波分析研究领域占主导地位。

从统计学理论的角度出发，雷达杂波是来自雷达分辨单元内的散射体回波的矢量叠加。在较早期的研究中，低分辨力雷达在擦地角较大的情况下，在雷达照射的杂波表面区域内，有大量随机散布的独立的散射体，根据散射体反射信号振幅和相位的随机特性，Goldstein认为它们合成的回波包络振幅是服从瑞利分布，随着科技的日新月异以及雷达技术的迅速发展，高分辨力雷达越来越多地应用于科研实践和国防军事中，此时，当分辨单元尺寸和掠射角都很小时，海杂波的幅度概率密度函数曲线具有较长的拖尾，高斯模型已经不能适应现阶段的海杂波，对数正态概率密度函数有两个参数，可以更好地与实验数据相拟合，并且具有较长的拖尾，k分布在海杂波建模中有广泛的应用，k分布不仅可以在很宽的条件范围内与杂波幅度分布很好地匹配，而且还可以正确地模拟杂波回波脉冲间的相关特性，k分布模型可以表示为一个快速变化的瑞利分布分量被一个慢速变化的伽马分量调制的形式，近些年，越来越多的人尝试将深度学习应用到海杂波领域，以其得到令人难以想象的结果，但是上述技术也处于刚刚起步阶段。

例如，中国发明专利申请号为CN201710556839.7的专利文献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，其包括：

(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。