【技术实现步骤摘要】
本专利技术属于海杂波参数估计领域，具体涉及一种基于注意力卷积神经网络的海杂波形状参数估计方法。
技术介绍
1、现代雷达在进行信息处理前需要筛选出有效信息和无效信息，在对海信息处理技术方面，海杂波是一种典型的无效信息，需要在数据预处理阶段进行识别和抑制。因此，想要提升雷达的信息处理能力，需要对海杂波的分布特征有较为准确的理解。
2、现有研究已经指出，广义帕累托分布(generalized pareto distribution，gpd)能够较准确地拟合海杂波的分布。gpd由两个参数——尺度参数和形状参数——所决定，其中尺度参数描述了海杂波分布的幅值，形状参数反映了海杂波分布的“长尾”效应。所以，如何在已知尺度参数或形状参数的情况下对另一个参数进行精确的估计，是研究海杂波分布特征的重要方向之一。
3、传统的海杂波参数估计方法包括基于规则的矩估计法和分位点估计法，基于统计的最大似然估计法，以及基于机器学习的线性回归模型和决策树模型。这些方法或是利用的特征数单一，亦或是所采用的模型不具备非线性的表达能力，在海杂波参数估计
【技术保护点】
1.一种基于注意力卷积神经网络的海杂波形状参数估计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于注意力卷积神经网络的海杂波形状参数估计方法，其特征在于，所述步骤2中的分位点特征比值PF为：
3.根据权利要求1所述的基于注意力卷积神经网络的海杂波形状参数估计方法，其特征在于，所述步骤2中的矩特征比值MF为：
4.根据权利要求1或2所述的基于注意力卷积神经网络的海杂波形状参数估计方法，其特征在于，所述步骤2中的海杂波分布的“分位-矩”联合特征为：
5.根据权利要求1所述的基于注意力卷积神经网络的海杂波形状参数...
【技术特征摘要】
1.一种基于注意力卷积神经网络的海杂波形状参数估计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于注意力卷积神经网络的海杂波形状参数估计方法，其特征在于，所述步骤2中的分位点特征比值pf为：
3.根据权利要求1所述的基于注意力卷积神经网络的海杂波形状参数估计方法，其特征在于，所述步骤2中的矩特征比值mf为：
4.根据权利要求1或2所述的基于注意力卷积神经网络的海杂波形状参数估计方法，其特征在于，所述步骤2中的海杂波分布的“分位-矩”联合特征为：
5.根据权利要求1所述的基于注意力卷积神经网络的海杂波形状参数估计方法，其特征在于，所述步骤4中的海杂波形...
【专利技术属性】
技术研发人员：张建榕，杨昊成，刘袁鹏，毛硕，柳春晖，匡华星，
申请(专利权)人：中国船舶集团有限公司第七二四研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。