[发明专利]一种用于水平距离上的雷达海杂波功率的预测方法

权利要求书

1.一种用于水平距离上的雷达海杂波功率的预测方法，其特征在于，所述方法包括：

S010：对波导环境中的雷达海杂波功率进行建模，得到所述雷达海杂波功率的表达式；

S020：建立LSTM神经网络基础模型；

S030：基于所述雷达海杂波功率的计算公式得到波导环境中水平距离上多个点的雷达海杂波功率值并建立训练集，所述训练集用于训练所述LSTM神经网络基础模型；

S040：通过均方根误差函数选择最优的训练次数、训练包大小和神经元数，作为训练参数进行模型的训练得到LSTM神经网络预测模型；S050：判断所述S040中训练后的LSTM神经网络预测模型的精确度，若所述精确度未达标，则跳转至S040继续进行训练；所述LSTM神经网络预测模型用于对波导环境中预定距离范围内的雷达海杂波功率进行预测；

所述S040具体包括：建立LSTM神经网络模型的算法按照最优训练包大小自动将训练集分为多包，并在每次训练时自动选择其中一包进行训练，对所述LSTM神经网络预测模型进行N次迭代训练，所述N为最优训练次数；完成训练的所述LSTM神经网络预测模型用于对预定距离内雷达海杂波功率的预测；

所述最优训练次数的确定：用所述训练集进行训练，在测试集上计算误差，随着训练次数的增加，所述测试集的均方根误差值下降，最终会在临界次数之后趋于收敛，所述临界次数即为所述最优训练次数；

所述最优训练包大小的确定：用所述训练集进行训练，在所述测试集上计算误差，所述训练包大小代表每一次输入训练的海杂波功率样本数，所述样本数按照2的次方进行设置，随着次方值的递增，得到不同的均方根误差值以及训练时长；将所述均方根误差最小时对应的训练包大小作为最优训练包大小。

2.根据权利要求1所述的方法，其特征在于，

所述S010具体包括：

所述雷达海杂波功率P_c(r,M)的计算公式：

其中，L(r,M)表示传播损耗、σ₀为雷达散射系数、r表示雷达接收天线与海面散射单元之间的距离、M表示大气折射率剖面结构；

C为与发射功率P_t、发射天线增益G_t、电磁波波长λ、雷达的距离分辨率cτ和天线入射角θ有关的常数项，表示为：

3.根据权利要求2所述的方法，其特征在于，

所述雷达海杂波功率的对数形式表达式为：

P_c(r,M)＝-2L(r,M)+σ₀+10log₁₀(r)+C…………(3)

其中，传播损耗L(r,M)的值由大气波导环境的抛物方程模型获得，雷达散射系数σ₀由NRL经验模型获得。

4.根据权利要求1所述的方法，其特征在于，

所述S020具体包括，构建LSTM神经网络基础模型，所述LSTM神经网络基础模型的建立基于python语言环境下的TensorFlow神经网络库。

5.根据权利要求1所述的方法，其特征在于，

所述训练集的采集：在所述波导环境中雷达发射天线周围的3-200km范围内，选取多个数据点，并分别将所述多个数据点的r和M值代入所述雷达海杂波功率的计算公式中，得到数据集。

6.根据权利要求5所述的方法，其特征在于，

所述数据集的80％作为训练集，剩余的20％作为测试集，并选择均方根误差函数(Rootmean squared error,RMSE)作为评价函数，用于对预测结果进行评估。