基于统计学习与特征提取的杂波检测与识别

发布时间：2017-05-02 12:00

  本文关键词：基于统计学习与特征提取的杂波检测与识别，由笔耕文化传播整理发布。

【摘要】：高频地波雷达,可以突破地球曲率的限制,探测到视线以下的目标。在雷达回波中往往存在着大量的干扰和噪声。高频雷达一阶海杂波是雷达回波中最主要的干扰之一,它的能量往往很高,严重影响目标的检测。可是从另一方面来讲,海杂波包含着大量的海态信息,是海态反演的主要检测对象。当海面上存在着洋流、浪涌和强风时,一阶海杂波会产生频率谱的分裂和展宽现象。这时候海杂波与周围的目标将难以区分,极大的增加了目标检测和海杂波检测的难度。如何准确的检测海杂波是工作的难点。本文的目的就是为了能很好的检测出海杂波的Bragg峰。首先本文将详细的讨论海杂波产生的机理、影响海杂波Bragg峰位置的因素和影响海杂波展宽和谱分裂的原因。这些工作已经被前人大量研究讨论过了,所以本文只做介绍,不做定量仿真分析。本文感兴趣的是洋流对于宽波束高频雷达海杂波产生的影响,由于这方面情况比较复杂,一般只做定性分析,本文将尝试做一些定量的分析,如洋流角度变化,洋流变化速度对海杂波形态和位置的影响。海杂波的检测一直是高频地波雷达研究的重点。由于本文的数据中海杂波存在着严重的展宽、分裂和位置偏移等现象,且海杂波周围环境恶劣,存在着大量的干扰和噪声。传统的在理论位置寻找极大值的方法将受到限制。针对这些特点,本文先提出了基于多阈值分割处理和能量质心检测的两种海杂波图像处理方法。利用海杂波在高频雷达回波RD谱的图像特征去除海杂波周边的小目标和干扰,得到海杂波所存在的准确区域。在这个区域我们利用海杂波的极值、连续性等特征来寻找海杂波Bragg峰的位置。这种方法不仅能找出海杂波区域的最大Bragg峰,也能找到海杂波的分裂谱峰,而且这种方法具有极强的鲁棒性和自适应性,能抗恶劣海态环境干扰,取得了较好的检测效果。最后,本文提出了一种基于特征统计学习的一阶海杂波检测方法。。我们首先根据海杂波回波的特性将这些特征全部提出出来,建立一个海杂波特征库。然后,将这些海杂波特征全部输入到BP神经网络中进行学习训练,将训练好的网络与目标数据匹配,不断比对不同特征训练出的网络的检测结果,选取最优的特征组合,得到最终的检测网络。为海杂波的检测提供了一种新的思路。
【关键词】：高频地波雷达 一阶海杂波 洋流 图像处理 特征提取 机器学习
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TN958
【目录】：

• 摘要4-5
• ABSTRACT5-9
• 第1章 绪论9-16
• 1.1 课题背景及研究的目的和意义9-10
• 1.2 国内外海杂波及处理研究现状及分析10-14
• 1.2.1 超视距雷达的发展现状10-11
• 1.2.2 海杂波的研究现状11-12
• 1.2.3 数字图像处理研究现状12-13
• 1.2.4 神经网络与机器学习研究现状13-14
• 1.3 本文主要研究内容14-16
• 第2章 海杂波产生机理与谱分裂仿真分析16-37
• 2.1 海杂波作用原理16-19
• 2.1.1 一阶海杂波海杂波产生机理16-17
• 2.1.2 双基地一阶海杂波的产生原理17-19
• 2.2. 海杂波谱展宽机理19-21
• 2.2.1 双基地角对海杂波的影响分析19-20
• 2.2.2 洋流对海杂波影响分析20-21
• 2.3 洋流产生的宽波束雷达杂波仿真分析21-31
• 2.3.1 洋流造成的海杂波展宽及位置23-26
• 2.3.2 宽波束雷达海杂波非均匀展宽26-28
• 2.3.3 功率叠加产生的谱截断与谱分裂28-31
• 2.4 切变洋流对杂波影响仿真31-36
• 2.4.1 洋流矢量场角度对杂波的影响31-34
• 2.4.2 洋流切变速度对杂波的影响34-36
• 2.5 本章小结36-37
• 第3章 基于图像特征的的一阶海杂波的检测方法37-71
• 3.1 引言37-39
• 3.2 基于小波与SNR特征对消的图像去噪39-44
• 3.2.1 小波分析对雷达图像去噪39-42
• 3.2.2 基于SNR特征对消的图像去噪42-44
• 3.3 基于图像多阈值分割的海杂波检测方法44-55
• 3.3.2 雷达图像单阈值分割44-48
• 3.3.3 基于多阈值图像分割的海杂波检测48-55
• 3.4 基于能量质心法海杂波检测预处理55-61
• 3.5 海杂波BRAGG峰识别61-70
• 3.5.1 海杂波检测系统介绍61-64
• 3.5.2 海杂波Bragg峰自动检测64-70
• 3.6 本章小结70-71
• 第4章 基于特征和统计学习的海杂波检测71-84
• 4.1 引言71
• 4.2 神经网络模型简介71-72
• 4.3 海杂波特征提取72-76
• 4.4 神经网络训练与效果验证76-82
• 4.5 本章小结82-84
• 结论84-86
• 参考文献86-92
• 致谢92

【参考文献】

中国期刊全文数据库 前1条

1 焦李成,谭山;图像的多尺度几何分析:回顾和展望[J];电子学报;2003年S1期

中国博士学位论文全文数据库 前1条

1 仇永斌;双基地高频地波雷达海杂波特性研究[D];哈尔滨工业大学;2011年

  本文关键词：基于统计学习与特征提取的杂波检测与识别，由笔耕文化传播整理发布。

，

本文编号：340877