一种基于混沌理论的海面小目标检测方法技术

本发明专利技术的目的在于提供一种基于混沌理论的海面小目标检测方法，分以下步骤：对原始海杂波数据进行幅度和相位校正、滤波并进行归一化处理；进行关联维数和最大Lyapunov指数混沌特征量的提取，对海杂波进行混沌特性验证；如果海杂波不具有混沌特性，则运用传统的统计检测方法；如果海杂波具有混沌特性，则用神经网络对混沌时间序列建模，用混沌背景信号产生模式对神经网络训练，对接收到的信号进行单步预测，得到预测值并计算预测误差，若预测误差大于门限值，则目标存在，反之说明无目标。本发明专利技术无需先验知识，对初始参数不敏感，不会陷入局部极小点。对于隐含层和输出层之间的权值的确定可采用递推最小二乘法，可以保证较快的收敛速度。

【技术实现步骤摘要】

本专利技术涉及的是一种雷达信号处理领域的目标检测方法。
技术介绍
传统的海面小目标检测方法是将海杂波作为随机过程进行分析建模，随着人们对海杂波的更深入的研究，发现海杂波不仅仅是随机过程，而是具有混沌特性。相对于传统的基于统计模型的检测方法，基于海杂波混沌特性的海面小目标检测方法更能够反映海杂波的动力学特性。通过遗传算法优化的神经网络使得检测性能有了进一步的提高。与本申请相关的报道有:1、“基于混沌理论的海杂波处理方案设计”(《科学技术与工程》2010年第10卷第6期)，提出了一种海杂波背景下雷达回波数据处理的设计方案。在不改变原始数据动态特性基础上对其进行预处理，再检验数据的混沌性，最后利用径向基函数神经网络作为预测器，对目标有无进行判断。2、“混沌时间序列的神经网络预测研究”(《海军航空工程学院学报》2008年第23卷第I期)，研究了混沌系统的预测问题。通过重构系统状态相空间分析混沌时间序列，然后用多层前向神经网络对其进行预测。3、“基于遗传算法的神经网络性能优化”(《计算机技术与发展》2007年第17卷第12期)，文中分析了遗传算法的特点和神经网络的特点，从而得出了把两种算法结合起来进行应用的思想。运用理论对比的方法，阐明了用遗传算法进行神经网络性能优化的原因，并得出结论，用遗传算法进行神经网络性能优化促使了神经网络更进一步的应用。虽然已有很多关于海面小目标检测方法的研究，但用神经网络对海杂波时间序列进行预测，并运用遗传算法对神经网络进行优化的检测方法还很少，可以进一步的提高检测性能。
技术实现思路
本专利技术的目的在于提供海杂波背景下、以混沌理论为基础、以神经网络为工具、并借助遗传算法对神经网络进行优化的。本专利技术的目的是这样实现的:本专利技术，其特征是:( I)对原始海杂波数据进行幅度和相位校正、滤波并进行归一化处理；(2)进行关联维数和最大Lyapunov指数混沌特征量的提取，对海杂波进行混沌特性验证；(3)如果海杂波不具有混沌特性，则运用传统的统计检测方法；如果海杂波具有混沌特性，则用神经网络对混沌时间序列建模，将神经网络作为一个预测器，即用混沌背景信号产生模式对神经网络训练，使其预测误差达到0.001，从而实现对时间序列有较好的短期预测性能；否则改变网络的拓扑结构重新进行训练，直到满足要求为止，神经网络训练好以后，对接收到的信号进行单步预测，得到预测值并计算预测误差，分析预测误差:若预测误差大于门限值，则目标存在，反之说明无目标。本专利技术的优势在于:本专利技术与传统方法相比，无需先验知识，而且对初始参数不敏感，所以不会陷入局部极小点。对于隐含层和输出层之间的权值的确定可采用递推最小二乘法，可以保证较快的收敛速度。附图说明图1为本专利技术的流程图；图2为幅度和相位校正电路图；图3为基于神经网路的检测方法示意图；图4为RBF神经网络结构图；图5为遗传算法流程图。具体实施例方式下面结合附图举例对本专利技术做更详细地描述:结合图1 5，本专利技术主要针对海杂波的建模及其弱信号检测问题提出解决方案，以混沌理论为基础，以神经网络为工具，从相空间重构理论出发，利用RBF神经网络来重构海杂波的内在动力学，引入基于预测误差的检测方法对小信号进行检测分析。这种新的检测技术具有优于传统检测技术的应用潜力，因为它充分利用了海杂波具有混沌行为这一先验信息，而混沌系统是一种确定性系统是可预测的，至少在短时间内具有可预测性。具体实现过程可以分为以下四个步骤:1、海杂波数据的预处理被测数据的预处理是所有实验数据分析工作中的一个基本步骤。在不同地点用不同雷达收集的海杂波数据存在着误差的影响，我们可以在提取混沌参数前通过对数据进行预处理来减小误差的影响。预处理过程包括以下步骤:( I)幅度和相位校正(1-Q校准)(2)滤波(3)海杂波数据的归一化处理2、海杂波混沌特性的验证( I)对海杂波时间序列的相空间重构基于混沌理论的非线性时间序列处理中，无论是混沌不变量的计算、非线性模型的建立还是基于混沌模型的预测都是在相空间中进行的，因此相空间重构是非线性时间序列处理中非常重要的第一步。Takens嵌入定理是相空间重构的基础，在利用时间序列进行相空间重构时，要特别注意嵌入维数m和延时τ的选取，因为m和τ的选取将直接影响重构系统与原系统的“匹配”程度，影响混沌海杂波的重构质量，进而影响预测和检测的效果。一般采用互信息法计算延时τ，G-P法和Cao方法计算嵌入维数。(2)对海杂波时间序列进行混沌特性分析描述混沌系统的重要特性指标包括最大Lyapunov指数，关联维数等。通过分析Lyapunov指数和关联维数验证海杂波信号的混沛特性。3、运用神经网络的预测能力进行小目标检测混沌时间序列具有长期不可预测而短期可预测的特点。这样，在检测混沌背景下的目标信号时可以利用神经网络先对混沌时间序列建模，然后对接收到的信号进行预测。混沌背景下基于神经网络的目标检测方法可简单归结为如下几个步骤:(I)用神经网络对混沌时间序列建模，将神经网络作为一个预测器，即用混沌背景信号产生模式对神经网络训练，使其预测误差较小，且对时间序列有较好的短期预测性能。否则，改变网络的拓扑结构重新进行训练，直到满足要求为止。(2)神经网络训练好以后，对接收到的信号(训练过程中未使用过的数据)进行单步预测(η为观测阶段所获得的数据点的总长度)，得到预测值并计算预测误差。(3)根据恒虚警处理器对预测误差进行分析，若预测误差大于预设定的门限值，说明目标的存在，反之说明无目标。4、运用遗传算法对神经网路进行优化，提高检测性能径向基函数神经网络(RBFNN)具有简单的网络结构、快速的学习方法、较好的推广能力，广泛应用于函数逼近领域。然而，如何有效地确定RBF神经网络的网络结构和参数，至今没有系统的规律可循。在RBF神经网络中需要确定的参数包括隐含层节点数、隐含层基函数的中心值和宽度、隐含层到输出层的连接权值。这里利用遗传算法优化选取隐含层节点的中心值，提高神经网络性能。与传统算法相比，遗传算法训练神经网络无需先验知识，而且对初始参数不敏感，所以不会陷入局部极小点。对于隐含层和输出层之间的权值的确定可采用递推最小二乘法，可以保证较快的收敛速度。本专利技术的方法的主要特点如下:1、海杂波混沌特性的验证。根据混沌学理论，可以从下面5个方面判断一个过程是否为混沌系统。(I)过程是有限的；(2)过程是非线性的；(3)随着嵌入维数的增加关联维数有限；(4)对初始条件的敏感性，即至少有一个正的Lyapunov指数；(5)虽有Lyapunov指数之和为负。如果上述任何一条不成立，则说明此过程不是混沌系统。由于海杂波是雷达照射到海面后的后向散射回拨，因此是有界的，同时它是个耗散系统，是物理可实现的，故(I) (5)成立；若(4)成立，表明相空间两个轨道以指数分离，则(2)成立。综上，只要计算出关联维数以及Lyapunov指数，便可以判断海杂波系统是否为混沌的。2、基于RBF神经网络的海面小目标检测。首先，对海杂波时间序列进行相空间重构。基于混沌理论的非线性时间序列处理中，无论是混沌不变量的计算、非线性模型的建立还是基于混沌模型的预测都是在相空间中进行的，因此相空间重构是非线性时间序列处理中非常重要的第一步。Takens嵌入定理本文档来自技高网...

【技术保护点】
一种基于混沌理论的海面小目标检测方法，其特征是：（1）对原始海杂波数据进行幅度和相位校正、滤波并进行归一化处理；（2）进行关联维数和最大Lyapunov指数混沌特征量的提取，对海杂波进行混沌特性验证；（3）如果海杂波不具有混沌特性，则运用传统的统计检测方法；如果海杂波具有混沌特性，则用神经网络对混沌时间序列建模，将神经网络作为一个预测器，即用混沌背景信号产生模式对神经网络训练，使其预测误差达到0.001，从而实现对时间序列有较好的短期预测性能；否则改变网络的拓扑结构重新进行训练，直到满足要求为止，神经网络训练好以后，对接收到的信号进行单步预测，得到预测值并计算预测误差，分析预测误差：若预测误差大于门限值，则目标存在，反之说明无目标。

【技术特征摘要】
1.一种基于混沌理论的海面小目标检测方法，其特征是: (1)对原始海杂波数据进行幅度和相位校正、滤波并进行归一化处理； (2)进行关联维数和最大Lyapunov指数混沌特征量的提取，对海杂波进行混沌特性验证； (3)如果海杂波不具有混沌特性，则运用传统的统计检测方法； 如果海杂波具有混沌特性，则用神经网络对混沌时间序列建...

【专利技术属性】
技术研发人员：马惠珠，李成祥，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：