[发明专利]一种基于GBDT模型的K分布杂波参数估计方法

说明书

本发明公开了一种基于GBDT模型的K分布杂波参数估计方法，包括以下步骤：(1)获取海杂波序列；(2)提取特征；(3)构建特征向量；(4)估计形状参数；(5)估计尺度参数；(6)计算KSD值。本发明通过GBDT模型进行自主学习估计形状参数且利用依赖于形状参数的特定分位点估计尺度参数，集成了矩估计的估计精度高和分位点估计的抗异常样本的优势，从而实现了参数估计的准确性以及在复杂杂波环境下的稳健性。

技术领域

本发明涉及信号处理技术，特别是一种基于GBDT模型的K分布杂波参数估计方法。

背景技术

实际雷达探测环境中存在岛礁、目标等，导致海杂波中存在大量的异常样本。此时，杂波分为纯杂波、异常杂波、混合杂波。目前，K分布是一种公认的中低分辨率海杂波幅度模型，因此有必要研究K分布中形状参数和尺度参数的估计方法。

目前，国内外学者们已发展了三类参数估计方法。第一类，基于概率密度函数(probability density function，PDF)的方法，例如矩估计法和最大似然法。这类方法具有较高的估计精度，但在异常杂波环境下，估计性能严重损失。第二类，基于累积密度函数(cumulative density function，CDF)的方法，能够在异常杂波环境下保持稳健性能，例如三分位点方法。由于CDF中存在贝塞尔函数，无法获得分位点的数学表达式，需要辅助查表法。第三类，基于非线性模型的估计方法。有学者提出利用神经网络建立直方图和参数的关系，从而获得形状参数的估计值，但该方法要求杂波具有单位平均功率。然而，将参数估计转化为非线性优化问题仍是一种潜在有效的方法。因此，针对实际环境的复杂性和多样性，亟需发展一种具备抗异常样本的特性且估计精度高的估计方法。

发明内容

发明目的：本发明的目的是提供一种基于GBDT模型的K分布杂波参数估计方法，从而实现快速而稳健的参数估计。

技术方案：本发明所述的一种基于GBDT模型的K分布杂波参数估计方法，包括以下步骤：

(1)获取海杂波序列：假设雷达接收到N个海杂波序列，记为{z₁,z₂,…,z_N}，对海杂波序列取模，获得海杂波幅度序列{r₁,r₂,…,r_N}。

(1.1)假设雷达接收到N个海杂波序列，记为{z₁,z₂,…,z_N}，并将该序列建模为复合高斯模型。

(1.2)根据海杂波序列，计算海杂波幅度序列{|z₁|,|z₂|,…,|z_N|}，其中||表示取复数的模；根据复合高斯模型，海杂波幅度序列服从K分布，其概率密度函数为：

其中，r表示海杂波幅度变量，v是形状参数，b是尺度参数，Γ(·)为伽马函数，K_v(·)为v阶第二类修正贝塞尔函数。

(2)提取特征：根据步骤(1)中的海杂波幅度序列，计算第l阶的样本矩m_l；提取4个矩比值，构成矩特征ξ_M；将海杂波幅度序列从小到大排序，计算第p阶的样本分位点r_p；提取9个分位点比值，构成分位点特征ξ_P。

(2.1)根据步骤(1)中的海杂波幅度序列，计算第l阶的样本矩m_l：

当海杂波序列样本数目N趋向于无穷时，样本矩趋向于理论矩；然后，提取4个矩比值，构成矩特征ξ_M：