检测海面小目标的RLS线性预测方法
发布时间：2021-07-21 02:59
为了提高海杂波中的小目标检测能力,提出了基于递归最小二乘线性预测的海面小目标检测方法。首先,建立线性预测模型;其次,利用递归最小二乘法动态调整模型的参数;最后,计算绝对预测误差的均值,通过阈值比较得到检测目标结果。采用加拿大IPIX雷达数据的实验结果表明,该方法的检测性能优于线性预测的检测目标方法和神经网络集成的检测目标方法的检测性能;同极化方式下,HH极性的检测效果优于VV极性的检测效果。该方法实时更新了预测模型参数,同步跟踪海杂波的变化,克服预测模型固定不变的局限,提高了目标检测的能力。
【文章来源】：现代雷达. 2017,39(01)北大核心CSCD
【文章页数】：4 页
【部分图文】：
数据独立性(IPIX54#)
数随着海杂波自适应地改变。这里采用递归最小二乘法优化模型系数，实现预测模型系数的更新。基于ＲLS线性预测方法(ＲLSLP)的原理框图如图2所示。图2ＲLSLP方法的原理框图ＲLSLP方法的实现步骤如下:步骤1根据信息量准则，确定线性预测模型的阶数。步骤2利用式(5)～式(7)更新预测模型系数。步骤3利用式(3)得到各距离单元的绝对预测误差。步骤4得到绝对预测误差四阶矩的均值。步骤5利用恒虚警率方法［11］得到阈值，通过阈值比较，得到目标检测结果。3实验及结果以IPIX雷达54#数据为实验对象，分别计算了HH和VV极性下，ＲLSLP方法、线性预测检测法［4］(LP)和神经网络集成检测法［2］的检测结果，如图3和图4所示。图3目标检测效果(HH极性)图4目标检测效果(VV极性)由图3和图4可知，针对同一组海杂波数据，ＲLSLP方法的检测性能较LP方法又有了提高，而LP方法的检测效果要好于神经网络集成预测法的检测效果。原因在于ＲLSLP方法利用递归最小二乘法实时修正预测模型系数，动态更新了预测模型，突出了含有目标的海杂波和不含有目标的海杂波的预测误差的不同。此外，不同极性条件下，雷达回波的表现也不同，体现在目标检测结果中，HH极性比VV极性的检测效果更好。原因在于雷达发射接收电磁波的方式不同，海浪对目标的遮蔽作用使得检测性能出现了差异。4结束语海杂波背景中的小目标检测，因为目标的低信杂比的缘故，一直是目标检测中的难点问题。小目标漂浮在海面，使得海杂波的固有结构被破坏，体现在海杂波的相关性和独立性方面。就是纯海杂波的相关性小于含有小目标海杂波的相关性，纯海杂波一般视为独立的、不相关或者弱相关的，而含有目标的海杂波独立性变弱，相关性变强。利用没有小目标的海杂波和有小
S线性预测方法(ＲLSLP)的原理框图如图2所示。图2ＲLSLP方法的原理框图ＲLSLP方法的实现步骤如下:步骤1根据信息量准则，确定线性预测模型的阶数。步骤2利用式(5)～式(7)更新预测模型系数。步骤3利用式(3)得到各距离单元的绝对预测误差。步骤4得到绝对预测误差四阶矩的均值。步骤5利用恒虚警率方法［11］得到阈值，通过阈值比较，得到目标检测结果。3实验及结果以IPIX雷达54#数据为实验对象，分别计算了HH和VV极性下，ＲLSLP方法、线性预测检测法［4］(LP)和神经网络集成检测法［2］的检测结果，如图3和图4所示。图3目标检测效果(HH极性)图4目标检测效果(VV极性)由图3和图4可知，针对同一组海杂波数据，ＲLSLP方法的检测性能较LP方法又有了提高，而LP方法的检测效果要好于神经网络集成预测法的检测效果。原因在于ＲLSLP方法利用递归最小二乘法实时修正预测模型系数，动态更新了预测模型，突出了含有目标的海杂波和不含有目标的海杂波的预测误差的不同。此外，不同极性条件下，雷达回波的表现也不同，体现在目标检测结果中，HH极性比VV极性的检测效果更好。原因在于雷达发射接收电磁波的方式不同，海浪对目标的遮蔽作用使得检测性能出现了差异。4结束语海杂波背景中的小目标检测，因为目标的低信杂比的缘故，一直是目标检测中的难点问题。小目标漂浮在海面，使得海杂波的固有结构被破坏，体现在海杂波的相关性和独立性方面。就是纯海杂波的相关性小于含有小目标海杂波的相关性，纯海杂波一般视为独立的、不相关或者弱相关的，而含有目标的海杂波独立性变弱，相关性变强。利用没有小目标的海杂波和有小目标的海杂波在预测误差方面的差异，可以使用预测模型方法来检测海杂波中的小目标。线性预测检测方?
【参考文献】：
期刊论文
[1]检测海面弱目标的神经网络集成方法[J]. 刘允峰,索继东,柳晓鸣,苏晓宏. 电讯技术. 2015(10)
[2]海杂波数据的多重分形谱分析[J]. 郭丽华,邢文革,董扬,陈栋,伍光新. 现代雷达. 2015(02)
[3]海杂波中的雷达目标检测技术综述[J]. 何友,黄勇,关键,陈小龙. 现代雷达. 2014(12)
[4]伪随机数序列的独立性检验[J]. 于泳江. 计算机工程与设计. 1982(03)
博士论文
[1]海杂波的特性分析与目标检测处理[D]. 苏晓宏.大连海事大学 2010
硕士论文
[1]基于RBF海杂波微弱目标的检测与提取[D]. 赵福立.吉林大学 2013
本文编号：3294165
【文章来源】：现代雷达. 2017,39(01)北大核心CSCD
【文章页数】：4 页
【部分图文】：
数据独立性(IPIX54#)
数随着海杂波自适应地改变。这里采用递归最小二乘法优化模型系数，实现预测模型系数的更新。基于ＲLS线性预测方法(ＲLSLP)的原理框图如图2所示。图2ＲLSLP方法的原理框图ＲLSLP方法的实现步骤如下:步骤1根据信息量准则，确定线性预测模型的阶数。步骤2利用式(5)～式(7)更新预测模型系数。步骤3利用式(3)得到各距离单元的绝对预测误差。步骤4得到绝对预测误差四阶矩的均值。步骤5利用恒虚警率方法［11］得到阈值，通过阈值比较，得到目标检测结果。3实验及结果以IPIX雷达54#数据为实验对象，分别计算了HH和VV极性下，ＲLSLP方法、线性预测检测法［4］(LP)和神经网络集成检测法［2］的检测结果，如图3和图4所示。图3目标检测效果(HH极性)图4目标检测效果(VV极性)由图3和图4可知，针对同一组海杂波数据，ＲLSLP方法的检测性能较LP方法又有了提高，而LP方法的检测效果要好于神经网络集成预测法的检测效果。原因在于ＲLSLP方法利用递归最小二乘法实时修正预测模型系数，动态更新了预测模型，突出了含有目标的海杂波和不含有目标的海杂波的预测误差的不同。此外，不同极性条件下，雷达回波的表现也不同，体现在目标检测结果中，HH极性比VV极性的检测效果更好。原因在于雷达发射接收电磁波的方式不同，海浪对目标的遮蔽作用使得检测性能出现了差异。4结束语海杂波背景中的小目标检测，因为目标的低信杂比的缘故，一直是目标检测中的难点问题。小目标漂浮在海面，使得海杂波的固有结构被破坏，体现在海杂波的相关性和独立性方面。就是纯海杂波的相关性小于含有小目标海杂波的相关性，纯海杂波一般视为独立的、不相关或者弱相关的，而含有目标的海杂波独立性变弱，相关性变强。利用没有小目标的海杂波和有小
S线性预测方法(ＲLSLP)的原理框图如图2所示。图2ＲLSLP方法的原理框图ＲLSLP方法的实现步骤如下:步骤1根据信息量准则，确定线性预测模型的阶数。步骤2利用式(5)～式(7)更新预测模型系数。步骤3利用式(3)得到各距离单元的绝对预测误差。步骤4得到绝对预测误差四阶矩的均值。步骤5利用恒虚警率方法［11］得到阈值，通过阈值比较，得到目标检测结果。3实验及结果以IPIX雷达54#数据为实验对象，分别计算了HH和VV极性下，ＲLSLP方法、线性预测检测法［4］(LP)和神经网络集成检测法［2］的检测结果，如图3和图4所示。图3目标检测效果(HH极性)图4目标检测效果(VV极性)由图3和图4可知，针对同一组海杂波数据，ＲLSLP方法的检测性能较LP方法又有了提高，而LP方法的检测效果要好于神经网络集成预测法的检测效果。原因在于ＲLSLP方法利用递归最小二乘法实时修正预测模型系数，动态更新了预测模型，突出了含有目标的海杂波和不含有目标的海杂波的预测误差的不同。此外，不同极性条件下，雷达回波的表现也不同，体现在目标检测结果中，HH极性比VV极性的检测效果更好。原因在于雷达发射接收电磁波的方式不同，海浪对目标的遮蔽作用使得检测性能出现了差异。4结束语海杂波背景中的小目标检测，因为目标的低信杂比的缘故，一直是目标检测中的难点问题。小目标漂浮在海面，使得海杂波的固有结构被破坏，体现在海杂波的相关性和独立性方面。就是纯海杂波的相关性小于含有小目标海杂波的相关性，纯海杂波一般视为独立的、不相关或者弱相关的，而含有目标的海杂波独立性变弱，相关性变强。利用没有小目标的海杂波和有小目标的海杂波在预测误差方面的差异，可以使用预测模型方法来检测海杂波中的小目标。线性预测检测方?
【参考文献】：
期刊论文
[1]检测海面弱目标的神经网络集成方法[J]. 刘允峰,索继东,柳晓鸣,苏晓宏. 电讯技术. 2015(10)
[2]海杂波数据的多重分形谱分析[J]. 郭丽华,邢文革,董扬,陈栋,伍光新. 现代雷达. 2015(02)
[3]海杂波中的雷达目标检测技术综述[J]. 何友,黄勇,关键,陈小龙. 现代雷达. 2014(12)
[4]伪随机数序列的独立性检验[J]. 于泳江. 计算机工程与设计. 1982(03)
博士论文
[1]海杂波的特性分析与目标检测处理[D]. 苏晓宏.大连海事大学 2010
硕士论文
[1]基于RBF海杂波微弱目标的检测与提取[D]. 赵福立.吉林大学 2013
本文编号：3294165
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3294165.html
