[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

摘要

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。

主权项

一种基于神经网络的K分布海杂波形状参数估计方法，其特征在于，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；(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。