海杂波中微弱信号的检测与去噪方法研究
发布时间：2022-01-21 21:34
海杂波背景下的小目标检测不仅在民用方面有着很高的研究价值,可以提升商船出海的安全系数,而且在军事方面还可以提升海警船的海面监察能力,增强祖国的国防力量。因此,去除尖峰虚警,提升海杂波背景中微弱目标信号检测和提取能力是信号处理方面的研究热点,得到了海内外学者的高度关注。本文对海杂波背景下的微弱信号检测模型进行了深入的研究,为提升系统模型整体的检测能力和预测精度,提出了基于蜂群算法的支持向量机预测方法;为削弱噪声在海杂波中的影响,提出了基于改进的总体平均经验模态分解（MEEMD）的海杂波去噪方法。具体研究的内容如下:针对传统检测方法对混沌背景下微弱信号检测能力不足的问题,本文利用混沌信号的时间延迟和嵌入维实现相空间重构,采用蜂群算法对支持向量机的惩罚系数和核函数参数进行优化,提出了基于蜂群算法优化支持向量机的微弱信号检测方法。该方法通过支持向量机建立混沌序列的单步预测模型,从预测误差中检测淹没在混沌背景中的微弱信号（包括瞬态信号和周期信号）。以Lorenz系统和雷达实测得到的海杂波数据作为混沌背景噪声进行验证研究,仿真实验结果表明,所提方法能有效地抑制噪声对混沌背景信号的影响并检测出混沌背...
【文章来源】：南京信息工程大学江苏省
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
图２．１?Ｌｏｒｅｎｚ系统图形??９??
这次实验首先选取不存在海面小目标信号的海面雷达探测数据。取其前面１０００个??数据用于系统模型训练，后面的１０００个数据则用于系统模型预测，同时用它们实行相??空间重构并建立基于ＡＢＣ－ＳＶＭ的时间序列的单步预测模型。实验仿真结果如图３．６（ａ）??所示。接着用含有目标的海面雷达探测数据开展研究，同样取其前面１０００个数据用于??系统模型训练，后面的１０００个数据则用于系统模型预测，ＡＢＣ算法优化ＳＶＭ后的最??优参数为?０６．４０８１，ｃｒ?＝０．０８８９５，得到的?ＭＳＥ?为?０．００００６６６４９７，与文献［５１］的?ＭＳＥ?值??０．０１３７相比是减少了三个数量级。图３．６?（ｂ）呈现的误差幅值包含着鲜明的谐波特性，??对预测误差进行频谱分析获得图３．６?（ｃ）的误差频谱图。从图３．６?（ｃ）能够看出，归一??化频率在０．０１６附近出现鲜明的峰值，这表明该预测模型可以检测到混沌背景噪声中包??含的微弱信号，并且对海面雷达探测数据中的海面小目标信号拥有着敏锐的警觉性。??２８??
?点，各用１０００点用来训练和预测，并用它们实行相空间重构与单步预测，仿真实验结??果如下面图４．３所示。预测结果的均方根误差（Ｍｅａｎ?Ｓｑｕａｒｅｄ?Ｅｒｒｏｒ，?ＲＭＳＥ）为０．０１２２，从??图４．３（ａ）中可以看出第４００－５００点之间处真实值与预测值出现较大误差，说明该处信号??异常。图４．３（ｂ）中同样在４００－５００处出现误差尖峰值，说明该处存在被海平面噪声掩盖??的微弱目标信号。??０－３?：?Ｃ?１?ｉ?ｉ?：?Ｃ?Ｃ?＾?ｉ．?：??Ｍ＊?與实值??预測值Ｉ??－０．３?＾?－??－°－４［—１００?２＾）?３００?４００?５００?６＾０?７００?８００?９００?１〇Ｌ??样本点ｎ??（ａ）海杂波的真实值和预测值??０．１２?；?■?：？?：?ｕ?ｃ?ｃ?ｃ?ｚ?ｃ?：??０．１?－?－??＾?０．０８?－?－??①??＾?０．０６?－?－??馨??＿?０．０４?－?－??０?１００?２００?３００?４００?５００?６００?７００?８００?９００?１０００??样本点ｎ??（ｂ）单步预测误差??图４．３去噪前的检测结果??（ｂ）?ＭＥＥＭＤ算法去噪分析??这里采用ＭＥＥＭＤ算法分解处理该实地测量的原始数据，并进行去噪研究。首先，??对原始海杂波数据采用ＣＥＥＭＤ算法展开分解，从而将信号分解成各个ＩＭＦ分量。仿真??结果如图４．４所示，初始数据已被分解成１０个ＩＭＦ分量以及１个余量。??３７??
【参考文献】：
期刊论文
[1]基于集成经验模态分解的海杂波去噪[J]. 行鸿彦,朱清清. 电子学报. 2016(01)
[2]混沌背景中微弱信号检测的回声状态网络方法[J]. 郑红利,行鸿彦,徐伟. 信号处理. 2015(03)
[3]基于多参数组合优化的微弱信号检测方法[J]. 行鸿彦,郑红利,徐伟. 探测与控制学报. 2015(01)
[4]混沌海杂波背景下的微弱信号检测混合算法[J]. 行鸿彦,张强,徐伟. 物理学报. 2015(04)
[5]基于交叉算子的改进人工蜂群算法[J]. 王伟,龙文. 兰州理工大学学报. 2015(01)
[6]人工蜂群算法研究综述[J]. 秦全德,程适,李丽,史玉回. 智能系统学报. 2014(02)
[7]微弱信号检测方法的现状分析[J]. 夏均忠,刘远宏,冷永刚,葛纪桃. 噪声与振动控制. 2011(03)
[8]自适应迭代最小二乘支持向量机回归算法[J]. 杨滨,杨晓伟,黄岚,梁艳春,周春光,吴春国. 电子学报. 2010(07)
[9]基于对偶约束最小二乘支持向量机的混沌海杂波背景中的微弱信号检测[J]. 行鸿彦,金天力. 物理学报. 2010(01)
[10]微弱信号检测技术[J]. 章克来,朱海明. 航空电子技术. 2009(02)
本文编号：3600998
【文章来源】：南京信息工程大学江苏省
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
图２．１?Ｌｏｒｅｎｚ系统图形??９??
这次实验首先选取不存在海面小目标信号的海面雷达探测数据。取其前面１０００个??数据用于系统模型训练，后面的１０００个数据则用于系统模型预测，同时用它们实行相??空间重构并建立基于ＡＢＣ－ＳＶＭ的时间序列的单步预测模型。实验仿真结果如图３．６（ａ）??所示。接着用含有目标的海面雷达探测数据开展研究，同样取其前面１０００个数据用于??系统模型训练，后面的１０００个数据则用于系统模型预测，ＡＢＣ算法优化ＳＶＭ后的最??优参数为?０６．４０８１，ｃｒ?＝０．０８８９５，得到的?ＭＳＥ?为?０．００００６６６４９７，与文献［５１］的?ＭＳＥ?值??０．０１３７相比是减少了三个数量级。图３．６?（ｂ）呈现的误差幅值包含着鲜明的谐波特性，??对预测误差进行频谱分析获得图３．６?（ｃ）的误差频谱图。从图３．６?（ｃ）能够看出，归一??化频率在０．０１６附近出现鲜明的峰值，这表明该预测模型可以检测到混沌背景噪声中包??含的微弱信号，并且对海面雷达探测数据中的海面小目标信号拥有着敏锐的警觉性。??２８??
?点，各用１０００点用来训练和预测，并用它们实行相空间重构与单步预测，仿真实验结??果如下面图４．３所示。预测结果的均方根误差（Ｍｅａｎ?Ｓｑｕａｒｅｄ?Ｅｒｒｏｒ，?ＲＭＳＥ）为０．０１２２，从??图４．３（ａ）中可以看出第４００－５００点之间处真实值与预测值出现较大误差，说明该处信号??异常。图４．３（ｂ）中同样在４００－５００处出现误差尖峰值，说明该处存在被海平面噪声掩盖??的微弱目标信号。??０－３?：?Ｃ?１?ｉ?ｉ?：?Ｃ?Ｃ?＾?ｉ．?：??Ｍ＊?與实值??预測值Ｉ??－０．３?＾?－??－°－４［—１００?２＾）?３００?４００?５００?６＾０?７００?８００?９００?１〇Ｌ??样本点ｎ??（ａ）海杂波的真实值和预测值??０．１２?；?■?：？?：?ｕ?ｃ?ｃ?ｃ?ｚ?ｃ?：??０．１?－?－??＾?０．０８?－?－??①??＾?０．０６?－?－??馨??＿?０．０４?－?－??０?１００?２００?３００?４００?５００?６００?７００?８００?９００?１０００??样本点ｎ??（ｂ）单步预测误差??图４．３去噪前的检测结果??（ｂ）?ＭＥＥＭＤ算法去噪分析??这里采用ＭＥＥＭＤ算法分解处理该实地测量的原始数据，并进行去噪研究。首先，??对原始海杂波数据采用ＣＥＥＭＤ算法展开分解，从而将信号分解成各个ＩＭＦ分量。仿真??结果如图４．４所示，初始数据已被分解成１０个ＩＭＦ分量以及１个余量。??３７??
【参考文献】：
期刊论文
[1]基于集成经验模态分解的海杂波去噪[J]. 行鸿彦,朱清清. 电子学报. 2016(01)
[2]混沌背景中微弱信号检测的回声状态网络方法[J]. 郑红利,行鸿彦,徐伟. 信号处理. 2015(03)
[3]基于多参数组合优化的微弱信号检测方法[J]. 行鸿彦,郑红利,徐伟. 探测与控制学报. 2015(01)
[4]混沌海杂波背景下的微弱信号检测混合算法[J]. 行鸿彦,张强,徐伟. 物理学报. 2015(04)
[5]基于交叉算子的改进人工蜂群算法[J]. 王伟,龙文. 兰州理工大学学报. 2015(01)
[6]人工蜂群算法研究综述[J]. 秦全德,程适,李丽,史玉回. 智能系统学报. 2014(02)
[7]微弱信号检测方法的现状分析[J]. 夏均忠,刘远宏,冷永刚,葛纪桃. 噪声与振动控制. 2011(03)
[8]自适应迭代最小二乘支持向量机回归算法[J]. 杨滨,杨晓伟,黄岚,梁艳春,周春光,吴春国. 电子学报. 2010(07)
[9]基于对偶约束最小二乘支持向量机的混沌海杂波背景中的微弱信号检测[J]. 行鸿彦,金天力. 物理学报. 2010(01)
[10]微弱信号检测技术[J]. 章克来,朱海明. 航空电子技术. 2009(02)
本文编号：3600998
本文链接：https://www.wllwen.com/kejilunwen/chuanbolw/3600998.html
