海杂波模型参数估计和神经网络预测方法研究

发布时间：2021-07-08 18:57

　　对海雷达接收的回波常常是来自海面的后向散射信号以及可能的目标回波。前者称为海杂波,对海雷达目标检测就是判断雷达回波是海杂波还是海杂波加目标回波。海杂波可以通过复合高斯模型建模,并且已经针对不同类型的复合高斯模型发展出了最优和近最优的检测器。于是,海杂波模型参数的估计变成了对海雷达目标检测的重要前提。目前的各类矩估计和最大似然估计方法对数据样本中的异常样本都非常敏感,而实际的雷达数据中不可避免地包含一些目标回波、岛礁回波构成的异常样本。针对这一问题,本论文从两个方面开展研究工作。一方面,研究了K分布模型下基于分位点的稳健估计方法;另一方面,探索了从海况、雷达参数等物理参数预测海杂波模型参数的神经网络预测方法。本论文主要研究内容可概括如下:第二章介绍海杂波复合高斯模型和神经网络学习的基本概念和结构。首先对复合高斯分布杂波的参数估计问题进行概述,回顾杂波参数估计理论,并介绍不同纹理类型的复合高斯模型下已有的参数估计方法。然后,介绍神经网络的基本实现原理以及框架和适用于杂波参数预测的非线性拟合神经网络模型。第三章针对K分布海杂波模型的参数估计,研究出了一种新的对异常点稳健的参数估计方法。通过对... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：77 页

【学位级别】：硕士

【部分图文】：

图22K分布仿真数据和理论概率密度曲线

图2.3 不同形状参数的广义 Pareto 分布的概率密度曲线2.3 可知，在保持单位功率不变，逆形状参数 减小时，概率密度，整体起伏变平缓，拖尾越来越轻，反之则曲线变尖，拖尾越广义 Pareto 分布概率密度曲线近似于瑞利分布；而当 趋于 1 线有很重的拖尾。广义 Pareto 分布的形成理论产生仿真数据。图 2.4 是单位尺度参

IG-CG 幅度分布模型纹理的复合高斯分布是近几年才提出的海杂波幅度分布模型，简称分布模型。对文献[36]中 X 波段高分辨率海杂波数据的分析表明，数情况下都能获得更好的拟合度，它与 K 分布和广义 Pareto 分布共成不同环境中实测海杂波数据幅度统计特征的高精度拟合。 分布的纹理分布为逆高斯分布，其概率密度函数为： 23 2; , exp , 0; , 02 2xf x xx x 表模型幅度大小，参数 和 分别代表模型参数中的形状参数和尺度现参数的物理意义，令 b, v b/ ，逆高斯纹理的IG-CG 杂波模密度函数及累积分布函数如下：

【参考文献】：
期刊论文
[1]复合高斯海杂波模型下最优相干检测进展[J]. 于涵,水鹏朗,施赛楠,杨春娇.  科技导报. 2017(20)

博士论文
[1]海杂波建模及雷达信号模拟系统关键技术研究[D]. 杨俊岭.国防科学技术大学 2006



本文编号：3272144