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。     

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。     

海杂波背景下目标的联合特征差异检测

针对低信噪比海情下的小目标检测效果不理想的问题,利用消除趋势波动分析法提取海杂波分形参数,分析了海杂波的功率谱及其熵特征,提出了海杂波背景下的联合特征目标检测方法.在雷达回波中提取海杂波的分形参数和功率谱熵特征组成二维向量,利用凸包训练算法获得纯海杂波判别区域,同样对先验知识下的待测海杂波提取这两个特征参量,以此特征参量所对应的点是否在此判别区域内来判别是否存在目标.利用加拿大IPIX雷达数据,证明了所提算法优于用单个特征差异作为统计量的方法,在相同虚警概率下检测效果明显提高,为雷达目标检测提供了新的检测方案.     

基于多向背景预测的红外弱小目标检测

杂波背景中的弱小目标检测是红外图像处理中的一个重要问题。普通的二维滤波背景预测方法可以用来检测图像中的小目标,但是也存在对复杂场景的适应性差,杂波边缘虚警高的问题。通过分析二维最小均方滤波背景预测算法的方向特性,在对图像四邻域滤波残差进行像素级加权融合后,得到了一种基于多方向融合自适应滤波背景预测的弱小目标检测方法。对构造图像和实际红外云杂波场景中的小目标检测仿真表明,该方法对不同背景适应性较强,在保持目标检测概率的同时显著抑制了杂波边缘虚警,有效提高了杂波背景中小目标的检测性能。      

基于混沌神经网络的海上目标图像的海杂波抑制方法

针对目前基于随机信号模型的海上目标图像海杂波抑制的常用方法效果不甚理想,提出了一种基于混沌神经网络的海上目标图像海杂波抑制方法。考虑到海杂波运动固有的混沌性导致其海上目标图像具有混沌特征,在海杂波混沌动力系统相空间重构的基础上构造海杂波动力学模型,运用径向基函数(RBF)神经网络提取模型参数,以此预测和抑制海杂波。用实际海上目标图像进行海杂波抑制实验,并与最小均方(LMS)算法和最大Lyapunov指数法相比,实验结果表明,本文方法对海杂波具有良好的抑制效果,使其平均绝对误差(MAD)减小了30%,信噪比(SNR)提高了4到6dB,可为海上弱小目标检测提供新的解决思路。     

海杂波AR谱多重分形特性及微弱目标检测方法

该文研究了海杂波功率谱的多重分形特性。为了克服频谱傅里叶分析的缺点,用现代谱估计的方法来计算海杂波的功率谱。AR模型是一个线性预测模型,它通过序列的自相关函数矩阵来估计功率谱,并且具有更精确的频谱分辨率。该文主要分析基于AR谱估计的海杂波功率谱的多重分形特性,以及在微弱目标检测中的应用。首先,以分数布朗运动(FBM)模型为例,证明其功率谱具有多重分形特性。其次,根据X波段雷达的实测海杂波数据,通过多重去趋势分析法(MF-DFA)验证了海杂波AR谱的多重分形特性。最后,分析了海杂波AR谱的广义Hurst指数以及影响参数,并提出一种基于局部AR谱广义Hurst指数的目标检测方法。实验结果表明,该种检测方法具有海杂波背景下微弱目标检测的能力。与现有的分形检测方法和传统的CFAR检测方法对比,该算法在低信杂比情况下具有较好的检测性能。     

一种基于最小二乘的K-分布参数估计方法

提出了一种基于最小二乘的K-分布参数估计方法,并利用仿真对该方法进行了验证。这种方法利用变量替换将杂波矩量和分布参数之间的关系转换为线性函数,然后通过最小二乘方法求解线性超定方程组获得K-分布参数的估计,这样能够避免常规矩量法在处理实际杂波数据时由于数据长度和噪声所导致的错误估计的发生,利用最小二乘法提高了估计精度。     

基于相空间重构与最小二乘支持向量机的时延预测

针对网络控制系统的时延预测问题,提出一种基于相空间重构与最小二乘支持向量机的时延预测方法.首先利用0-1测试法确定时延序列具有混沌特性,引入相空间重构技术提高预测精度.对实际采集的时延序列进行Hurst指数分析,选择最小二乘支持向量机作为预测模型.然后利用C-C方法确定时延序列相空间重构参数,通过递归图确定时延序列的局部可预测性,利用遗传算法对最小二乘支持向量机的参数进行离线优化.最后通过优化后的最小二乘支持向量机并结合相空间重构对时延序列进行在线预测.与其它预测方法进行了仿真对比,结果表明本文方法具有更高的预测精度与更小的预测误差,同时并未降低预测算法的实时性.     

基于总体最小二乘的多通道SAR-GMTI 方法

针对多通道SAR-GMTI处理中噪声影响和杂波相关性差会导致杂波抑制性能降低的问题,提出了一种基于总体最小二乘的SAR-GMTI方法.该方法利用检测单元周围的相邻像素杂波信息在总体最小二乘意义下拟合检测单元杂波特性,消除了噪声影响,提高了多个通道杂波之间的相关性,改善了杂波抑制性能.该方法具有很好的通道误差稳健性,仿真和实测数据处理验证了该方法的有效性.     

海面漂浮小目标的特征联合检测算法

该文研究了高距离分辨海杂波背景下漂浮小目标的检测问题。漂浮目标使得周围海面的散射特性发生了改变,目标所在的分辨单元的回波满足非加性模型,导致该模型中依赖于目标的参数难以统计建模。为了避开参数建模,该文将检测问题转化为二元分类问题,即确定海杂波所属于的类,目标检测就是判别回波是否属于该类。针对此分类问题,提出了基于非加性模型的特征联合检测算法,首先在回波中提取两个特征组成归一化向量,然后利用凸包训练算法获得判别区域,最后以判别区域是否包含该向量作为判别准则。实测的IPIX雷达数据实验结果表明,该文算法在高分辨海杂波下的检测性能优于对比算法,为海事雷达检测小目标提供了新的检测方案。     

基于深度学习的海杂波谱参数预测与影响因素分析

该文基于不同雷达参数和海洋环境参数条件下的岸基雷达海杂波实测数据,利用深度神经网络(DNN)建模技术,建立了从多个测量条件参数出发的海杂波多普勒谱参数预测模型,实现了独立于杂波数据、基于环境特征的海杂波谱特征认知,谱频移和展宽的预测精度达90%以上。基于该预测模型,该文提出了一种基于参数循环递减认知的多普勒谱影响因素分析方法,分析了不同测量参数对海杂波多普勒谱预测的影响,得到了谱参数随主要影响因素的变化规律,结果对基于多普勒特征的海面目标检测应用具有重要意义。     

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.     

基于改进的集成经验模态分解的海杂波去噪

针对海杂波信号因混有噪声而难以提取的特点,提出基于改进的集成经验模态分解(MEEMD)的海杂波去噪方法。文中提出的MEEMD 在补充的集成经验模态分解(CEEMD)的基础上,利用排列熵和Savitzky-Golay 滤波对CEEMD 分解后的固有模态函数进行处理,最后在经验模态分解分解重构后得到削噪后的信号。以IPIX 雷达实测得到的海杂波数据进行仿真实验,结合最小二乘支持向量机建立混沌序列的单步预测模型,从预测误差中检测淹没在海杂波背景中的微弱信号,并用均方根误差判断去噪效果。仿真结果表明,文中所提出的MEEMD 算法对模式混淆有很好的抑制效果,去噪后得到的均方根误差为0. 000 847,比去噪前的均方根误差0. 012 2 降低了两个数量级。     

L波段小擦地角海杂波幅度均值与风速关系建模

在对比分析国际上现有模型中风速对海杂波幅度均值的影响基础上, 提出了一种新的两分量高斯模型建立海杂波幅度均值与风速的关系.结合我国黄海L波段VV极化小擦地角海杂波实测数据, 对该模型进行了验证与精度分析, 并研究了该模型参数随擦地角的变化关系, 给出了模型拟合参数.从数据分析的结果来看, 该模型较好地捕获了海杂波幅度随风速的变化趋势, 可为雷达系统设计和雷达海杂波预测提供技术支撑.       

基于ES-ELM和FRFT的高频地波雷达多目标自适应检测

高频地波雷达（high frequency surface wave radar,HFSWR）对于海事监测具有重要的军用及民用意义,然而在HFSWR回波信号中,待检测的目标常常淹没在海杂波和各种背景噪声中.因此,如何有效抑制杂波并实现多目标的自适应检测是HFSWR实现海事检测的关键和难点.该文提出了一种结合误差自校正极限学习机（error self-adjustment extreme learning machine,ES-ELM）和分数阶傅里叶变换（fractional Fourier transform,FRFT）的多目标自适应检测算法.算法根据相空间重构理论获得ELM的最佳状态空间,利用ES-ELM建立海杂波预测模型并对海杂波进行有效抑制;再在分数域根据目标信号的峰值集聚特征,利用Haar-like算子提取目标点的形态特征,并通过ES-ELM神经网络对目标进行自动辨识.实验结果表明,该文提出的算法具有良好的海杂波抑制能力,并可以实现海杂波背景下多运动目标的自适应高精度检测.     

基于分形特性改进的EMD目标检测算法

为克服原有检测算法在目标和海杂波混叠时检测性能下降的问题,该文提出一种基于分形特性改进的经验模态分解(EMD)目标检测算法。该算法对原始信号经经验模态分解后得到的固有模态函数进行数据重构,再采用快速傅里叶变换获得去噪后的海杂波单元和目标单元的频谱,计算两者的单一Hurst指数,并将其输入非参量检测器中进行目标检测。研究表明,虽然目标和海杂波在频谱中难以区分,但两者在无标度区间内的单一Hurst指数存在差异,因此所提检测算法相比于原有频域检测算法性能更优。     

基于深度学习的海上目标一维序列信号目标检测方法

当前海面目标检测方法多基于统计理论,检测性能受背景统计特性假设的影响,本文从信号预测和特征分类两个角度,分别采用长短时记忆网络(LSTM)和卷积神经网络(CNN)对信号时间序列幅度信息进行处理,用于海上目标一维序列雷达信号检测,该方法不需事先假设背景统计特性,泛化能力更强。基于LSTM序列预测的目标检测方法通过用海杂波信号幅度时间序列对网络进行训练,再用训练后的网络对后续序列进行预测,并与后续实测信号进行比较,实现目标检测。基于CNN序列分类的目标检测方法中采用截取的海杂波信号和目标信号幅度序列作为数据集样本,对一维卷积核CNN进行训练,使其具有识别目标杂波信号特征能力,从而实现目标检测。最后,采用IPIX和CSIR实测海杂波数据对两种方法进行验证,结果表明两种方法均可实现一维序列信号中海面目标的检测,但LSTM预测方法对于长序列检测的实时性有待于进一步提高;CNN分类方法可实现实时检测,但仅利用信号幅度信息,检测性能仍需进一步提升。