基于实测数据的海杂波特性分析

海杂波特性分析是进行海面目标检测算法优化设计和雷达性能预测的先决条件,文中对实测海杂波数据的统计特性和混沌特性进行了全面分析,进一步加深对海杂波的认识和了解。分析结果表明,所录取的数据符合K分布统计特性;根据现有的混沌特性判断准则,在一定程度上可以认为海杂波是具有混沌特性的,并利用Volterra滤波器构造一个非线性预测模型,验证了海杂渡是局部可预测的。     

基于海杂波混沌模型用神经网络预测器实现小目标检测

介绍了高分辨率雷达海杂波的混沌特性和混沌动态过程,阐述了根据神经网络函数逼近理论,选择径向基函数前馈网络实现杂波混沌过程的重建,并利用杂波回波设计神经网络智能预测器实现杂波混沌过程的准最佳预测,完成强杂波背景下掠海小目标的检测任务。     

基于混沌预测的雷达微弱目标检测研究综述

传统的雷达目标检测是将海杂波建模为随机过程,而最新的研究成果表明海杂波具有混沌特性,从而可将海杂波建模为非线性混沌模型。基于混沌预测检测微弱雷达目标信号是根据杂波信号和目标信号的动力学差异。通过海杂波训练预测器,假如待测信号当中含有雷达目标信号,则预测误差会突然增大,从而检测出目标信号。文章主要介绍了基于混沌预测检测雷达微弱目标在检测原理、国内外的研究现状以及未来的发展趋势。     

国内外海杂波混沌分形特性及小目标检测研究进展

海杂波是来自于粗糙海面的雷达后向散射回波,研究海杂波内在物理特性对揭示海浪的物理本质和海杂波背景下小目标检测具有重要的理论和现实意义。本文论述和分析了国内外海杂波混沌特性、分形特性和海杂波背景下小目标检测的研究现状,指出了当前研究中存在的不足,说明了海杂波研究需要加强的方面。     

基于海杂波混沌特性的微弱目标信号检测

研究了实际采集的海杂波的关联维及最大Lyapunov指数。结果表明,海杂波具有混沌特性。基于复杂非线性系统的相空间重构理论和混沌信号可短期预测的特征,提出了强海杂波中的微弱目标信号检测的神经网络方法,给出了雷达检测的模型。     

海杂波的短时非线性预测研究

海杂波预测是雷达信号处理和目标检测的研究热点。在海杂波具有混沌特性和非线性非平稳特点的基础上,研究了基于归一化RBF神经网络和最小二乘支持向量机（LSSVM）两种方法对海杂波时间序列进行非线性预测。考虑到海杂波是来自于移动海面的回波,预测应该考虑空间信息,因此提出一种基于LSSVM-耦合映像格子（CML）的海杂波时空预测,这样预测更具有物理意义。以实测海杂波数据作为预测的初始数据和预测效果比对,采用均方差和最大绝对误差作为预测效果评价标准。实验结果表明,由于LSSVM-CMI,算法考虑了海杂坡的时空信息,预测效果最优。     

机载海面监视雷达技术特点及发展趋势

针对机载海面监视雷达的技术要求,文中从海杂波幅度特性和空时维相关特性2个方面分析了海杂波抑制技术;然后,又从雷达显示及雷达成像的角度阐述了海面目标特性判别技术;最后,提出了机载海面监视雷达功能多样化、处理智能化及界面人性化的发展趋势。     

海杂波背景下的GRNN小目标检测

根据海杂波混沌特性,建立了其相空间重构模型,构造了广义回归神经网络（GRNN,Genera lized Regression Neural Network）目标检测器,并利用加拿大McMaster大学采用IPIX雷达在Dart—mouth地区海域实测带有目标的海杂波数据对此方法进行验证,结果表明：在混沌海杂波背景下GRNN小目标检测法具有良好的预测性和时速性。     

一种舰载雷达海杂波抑制方法

舰载雷达在探测海面目标时由于强海杂波环境的影响,降低了雷达对海面目标的检测和定位跟踪性能。为了有效抑制海杂波、凸显有用目标,文中对海杂波的概率密度分布、时间相关性和频率相关性等特性进行了分析,并提出了雷达系统设计、自适应CFAR、扫描圈间积累和频率捷变等几种抑制海杂波的方法。实录雷达数据处理结果表明,文中的方法能显著提高舰载雷达的海面目标检测能力。     

海杂波背景下基于RBF神经网络的目标检测

对海杂波背景下雷达目标检测的最新研究表明,海杂波具有混沌的许多典型特征.本文利用海杂波具有混沌行为这一先验信息,构造了一个神经网络预测器来重构海杂波的内在动力学,并引入一种基于混沌的检测方法对Swerling I型目标和雷达采集的实际海杂波数据进行检测分析,同时讨论了嵌入延迟τ对检测性能的影响.实验结果表明,这种检测方法能有效地实现海杂波背景下的目标检测,并且其检测性能随τ的增大呈下降的趋势.     

基于BP神经网络的雷达点迹分类方法

提出了一种解决复杂电磁环境下目标检测后仍包含杂波的基于反向传播(BP)神经网络的雷达点迹分类方法。该方法可以在目标检测后进一步区分目标点和杂波点,提高目标跟踪的质量。同时,对BP神经网络进行了训练,并与K最近邻域法和支持向量机作了对比,发现该方法的分类精度可达87. 3%,较后两种方法精度分别提升19. 6%和7. 6%。实验结果表明:基于BP神经网络的雷达点迹分类方法有效。     

基于神经网络的海杂波模型

采用相空间重构方法构造海杂波内在动力学模型,并运用神经网络提取模型参数,通过获得的模型参数对海杂波进行预测和补偿,实现海杂波抑制的目的．对雷达采集的实际海杂波数据的实验结果表明,该方法具有较好的杂波抑制效果．     

基于门控循环神经网络的海杂波幅度预测

海杂波是雷达在海洋表面采集到的海面电磁散射回波.受海洋环境要素（风速、风向、浪高、浪向等）和雷达参数的影响,其幅度随时间具有随机起伏性,海杂波的幅度预测精度的提高有助于增加目标检测准确度.本文结合海杂波非高斯非线性的特点,提出了基于门控循环神经网络的海杂波幅度预测方法.通过对IPIX雷达和P波段雷达海杂波实测数据的预测分析,结果表明,本文方法相对已有传统方法具有更高的预测精度.     

天波超视距雷达海杂波的混沌动态特性分析

利用替代数据法对实测回波信号进行非线性检验,Cao方法进行相空间重构、Rosenstein小数据量法计算最大Lyapunov指数、改进的格拉斯伯格-庞加莱算法(GPA)计算Kolmogorov熵以及局部可预测性检验研究了高频天波雷达(OTHR)海杂波的混沌动态特性。仿真计算表明:实测的高频天波雷达海杂波吸收子具有稳定收敛的关联维数、正的最大Lyapunov指数和正的Kolmogorov熵以及具有局部可预测的特性,验证了高频雷达海杂波确实来自于一个低维混沌系统。利用方差分析初步讨论了电离层对回波混沌特性的影响,研究表明:电离层将对回波混沌特性产生显著的影响。这些结论对高频雷达目标探测和海杂波建模研究都具有重要意义。     

改进的分形检测海面漂浮小目标方法

为了提高海杂波中漂浮小目标的检测概率,提出了一种改进的分形检测海面漂浮小目标方法。首先,利用去趋势波动分析方法计算海杂波的分形维数;其次,利用计算过程中的“副产品”———截距组成二维判决空间;最后,通过聚类分析,检测出海杂波中的漂浮小目标。在实测数据基础上对改进算法进行了验证,结果表明：海杂波和小目标在判决空间存在明显的差异性;与Hurst指数法、神经网络集成预测法等方法比较,改进算法提高了目标检测概率;交叉极化方式( HV、VH)的检测效果优于同极化方式( HH、VV)的检测效果。     

基于背景杂波自适应预测的红外弱小目标检测

文章根据背景杂波和运动目标的红外成像差异,提出了两种自适应杂波预测技术的低 信噪比小目标检测方法。首先讨论了一种基于均方误差最小的自适应线性预测器,该预测器计算量小,易满足实时要求,且对平稳和线性云层红外背景图像具有很好的背景预测能力。然后提出了一种基于非线性函数可调整的BP 神经网络预测器,该预测器中的非线性函数可调整且非线性程度很高,能很好的适应各种复杂的起伏背景,特别是非平稳和非线性杂波背景。文中还通过实际的红外图像验证了两种方法的有效性。     

Cloud security situation prediction method based on grey wolfoptimization and BP neural network

Aiming at the accuracy and error correction of cloud security situation prediction, a cloud security situation prediction method based on grey wolf optimization (GWO) and back propagation (BP) neural network is proposed.Firstly, the adaptive disturbance convergence factor is used to improve the GWO algorithm, so as to improve theconvergence speed and accuracy of the algorithm. The Chebyshev chaotic mapping is introduced into the positionupdate formula of GWO algorithm, which is used to select the features of the cloud security situation prediction dataand optimize the parameters of the BP neural network prediction model to minimize the prediction output error.Then, the initial weights and thresholds of BP neural network are modified by the improved GWO algorithm toincrease the learning efficiency and accuracy of BP neural network. Finally, the real data sets of Tencent cloudplatform are predicted. The simulation results show that the proposed method has lower mean square error (MSE)and mean absolute error (MAE) compared with BP neural network, BP neural network based on genetic algorithm(GA-BP), BP neural network based on particle swarm optimization (PSO-BP) and BP neural network based onGWO algorithm (GWO-BP). The proposed method has better stability, robustness and prediction accuracy.