2010神经网络在海杂波检测中的应用
发布时间：2011-03-01 15:02:02更新时间：2011-03-01 15:02:02
1
摘要：海杂波是一个确定性混沌系统，内部有确定的规律，它在短期内预测可以达到很高的精度，而神经网络系统具有集体运算能力和自适应学习能力，还善于联想、综合和推广。所以可以利用神经网络来对海杂波进行建模,在建模的基础上进行一些有益的试验。关键词：神经网络海杂波
一、引言
海杂波动态特性的信息在雷达信号处理中特别重要，例如，通过使用一种设计获取海杂波内在动态特性的非线性预测模型，可使其输出端的信杂比比输入端的相应值大得多，于是对海杂波中目标的探测能力就会显著提高。按照这个思路，用实测海杂波数据来训练径向基函数（RBF）神经网络，然后用训练好的径向基函数（RBF）神经网络作为非线性预测模型判断回波信号，取得了明显的结果。
二、试验内容及结果
为了更好地了解用训练好的神经网络作为检测器的性能，本文做了如下试验：
图1第711幅回波图像图2第712幅回波图
2.1强、弱目标的检查结果
图1是第711幅雷达回波图像，横坐标表示方位，纵坐标表示距离门。从图中回波的明暗程度大致可以判断目标的强弱程度，第2173号距离门内的目标亮度较强，可视为强目标；第59号距离门内的目标亮度较弱，可视为弱目标；第188号距离门内的目标亮度与周围回波颜色一致，可视为无目标。它们检测结果如下：
图3第2173号距离门检测结果图4第59号距离门检测结果
从图3可以看出目标检测结果图像非常干净，很明确的指示出目标所在方位的位置。
从图4可以看出，在方位410到460之间由目标的存在，但检测结果的图像没有图3干净，存在较多幅度较弱的毛刺，但目标幅度明显比毛刺幅度高。
图5第188号距离门检测结果
从图5可以看出，幅度变化上没有上两幅图激烈，看不出有目标存在的明显标志。
从上面的比较得知：回波能量强，检测结果图像的目标标志就明显，毛刺的幅度与目标的幅度相差就大；反之，检测结果图像中的毛刺幅度与目标的幅度相差不是特别大；若无目标时，检测结果则呈现毛刺，无明显的目标标志。
2.2海情对检测器的影响
试验步骤如下：采集不同海情的雷达回波数据送入到同一个检测器。
图6不同海情导致的结果
从图6可以看出，海情发生变化，若继续采用原来训练的检测器可以导致检测结果的错误。如图所示，这时会出现大量的目标。这提示我们在海情发生变化时及时得重新训练检测器，否则会导致检测结果的错误。
2.3采用同一海域不同纯海杂波数据训练的检测器对检测结果的影响
以下各组试验数据均取之于712幅回波图中的实测数据。
图7图8
图7采用第3000个距离门内纯海杂波数据和第3500个距离门内纯海杂波来训练检测器，图8采用第3500个距离门内纯海杂波数据和第1800个距离门内纯海杂波来训练检测器，用训练好的两个检测器来对第1523个距离门内雷达回波数据进行检测。从两幅图中可以看出：两幅图有细微的差别，但目标标志所在的方位位置是一样的。这说明训练海杂波所用的数据可以离得近（3500和3000），也可以离得远（3500和1800），检测器的检测特性与数据的选择无关，当然所选择的数据必须是同一海情状态下的纯海杂波。
2.4目标占据距离门的判定
为了知道同一个目标具体占据多少个距离门，以1528距离门为中心，前后各延伸20个距离门进行检测。选出具有代表的五个检测结果。1519距离门和1538距离门检测结果显示没有明显的目标标志（图（9-a）、图（9-e））；其紧邻的1520距离门和1537距离门检测结果已经有明显的目标标志（图（9-b）、图（9-d）），在1520距离门和1537距离门之间所有检测结果均有明显的目标标志，文中以1528距离门检测结果来代表（图（9-c））。可以判定目标存在于1520距离门和1537距离门之
图9（a）图9（b）
图9（c）图9（d）
图9（e）
间，占据18个距离门。知道目标的这个属性在对目标进行跟踪是有用处的。
2.5目标完整性的确定
图10（a）图10（b）
图10（c）图10（d）
上述四幅图选择了1523距离门内的数据，图10-（a）选择了距离门内的前270个数据检测的结果，没有目标的出现；图10-（b）选择了距离门内包含半个目标数据检测的结果，显示出半个目标的标志；图10-（c）检测的是距离门内只包含目标的数据段，结果显示出目标；图10-（d）检测的是距离门内不包含目标的后半截数据，检测结果也没有明显的目标标志。从四幅图可以看出：用训练好的检测器可以很好检测出目标及其轮廓。在模式识别中有一定的用处。
三、基于神经网络方法的检测能力
在弱信号检测能力上，基于神经网络的检测方法比常规方法要有一定的优越性。
图11（a）图11（b）
图11（c）
图11-（a）是316方位上用混沌方法检测的结果。将目标幅度在原有的基础上下降20倍，目标能量是周边噪声能量的1.179倍，时序图如图11-（b）所示。图11-（c）是幅度下降后用混沌方法检测的结果，可见用混沌理论可以提高信杂比，仍可以检测出目标。
将降低幅度后的目标数据回添到常规检测程序中，检测结果如图3-19（a）所示，检测不出方位316处的目标。
将降低幅度后的目标数据进行检测器检测后再回添到常规检测程序中，检测结果如图3-19（b）所示，仍然检测出方位316处的目标。此试验可以表明基于混沌理论的检测方法可以有效的增加信杂比，与常规方法相比具有一定的优越型。
图3-19（a）图3-19（b）
四、结束语
通过试验，可以证明神经网络在海杂波检测中用一定的应用，该方法与常规方法进行了比较，得出基于神经网络的检测方法的优越性。但海量的数据计算是阻扰该理论走向工程应用的重要原因。随着计算机技术的迅速发展，大规模集成高速（超高速）数字信号处理专用芯片实时运算能力的增强和精细实验手段的不断发展和完善，已经为更精确描述和分析海杂波混沌特性，即在海杂波背景下的目标检测创造了有利条件。
参考资料：
[1]祝明波译海杂波的混沌动态特性[M]北京：国防工业出版社．2007，1：10
[2]SimonHayKin，XiaoboLi．DetectionofSignalsinchaos[J]．ProceedingoftheIEEE．1995，83，1：95—122
[3]谢红梅俞卞章基于神经网络预测器的混沌海杂波弱信号检测现代雷达2004,9
一、引言
海杂波动态特性的信息在雷达信号处理中特别重要，例如，通过使用一种设计获取海杂波内在动态特性的非线性预测模型，可使其输出端的信杂比比输入端的相应值大得多，于是对海杂波中目标的探测能力就会显著提高。按照这个思路，用实测海杂波数据来训练径向基函数（RBF）神经网络，然后用训练好的径向基函数（RBF）神经网络作为非线性预测模型判断回波信号，取得了明显的结果。
二、试验内容及结果
为了更好地了解用训练好的神经网络作为检测器的性能，本文做了如下试验：
图1第711幅回波图像图2第712幅回波图
2.1强、弱目标的检查结果
图1是第711幅雷达回波图像，横坐标表示方位，纵坐标表示距离门。从图中回波的明暗程度大致可以判断目标的强弱程度，第2173号距离门内的目标亮度较强，可视为强目标；第59号距离门内的目标亮度较弱，可视为弱目标；第188号距离门内的目标亮度与周围回波颜色一致，可视为无目标。它们检测结果如下：
图3第2173号距离门检测结果图4第59号距离门检测结果
从图3可以看出目标检测结果图像非常干净，很明确的指示出目标所在方位的位置。
从图4可以看出，在方位410到460之间由目标的存在，但检测结果的图像没有图3干净，存在较多幅度较弱的毛刺，但目标幅度明显比毛刺幅度高。
图5第188号距离门检测结果
从图5可以看出，幅度变化上没有上两幅图激烈，看不出有目标存在的明显标志。
从上面的比较得知：回波能量强，检测结果图像的目标标志就明显，毛刺的幅度与目标的幅度相差就大；反之，检测结果图像中的毛刺幅度与目标的幅度相差不是特别大；若无目标时，检测结果则呈现毛刺，无明显的目标标志。
2.2海情对检测器的影响
试验步骤如下：采集不同海情的雷达回波数据送入到同一个检测器。
图6不同海情导致的结果
从图6可以看出，海情发生变化，若继续采用原来训练的检测器可以导致检测结果的错误。如图所示，这时会出现大量的目标。这提示我们在海情发生变化时及时得重新训练检测器，否则会导致检测结果的错误。
2.3采用同一海域不同纯海杂波数据训练的检测器对检测结果的影响
以下各组试验数据均取之于712幅回波图中的实测数据。
图7图8
图7采用第3000个距离门内纯海杂波数据和第3500个距离门内纯海杂波来训练检测器，图8采用第3500个距离门内纯海杂波数据和第1800个距离门内纯海杂波来训练检测器，用训练好的两个检测器来对第1523个距离门内雷达回波数据进行检测。从两幅图中可以看出：两幅图有细微的差别，但目标标志所在的方位位置是一样的。这说明训练海杂波所用的数据可以离得近（3500和3000），也可以离得远（3500和1800），检测器的检测特性与数据的选择无关，当然所选择的数据必须是同一海情状态下的纯海杂波。
2.4目标占据距离门的判定
为了知道同一个目标具体占据多少个距离门，以1528距离门为中心，前后各延伸20个距离门进行检测。选出具有代表的五个检测结果。1519距离门和1538距离门检测结果显示没有明显的目标标志（图（9-a）、图（9-e））；其紧邻的1520距离门和1537距离门检测结果已经有明显的目标标志（图（9-b）、图（9-d）），在1520距离门和1537距离门之间所有检测结果均有明显的目标标志，文中以1528距离门检测结果来代表（图（9-c））。可以判定目标存在于1520距离门和1537距离门之
图9（a）图9（b）
图9（c）图9（d）
图9（e）
间，占据18个距离门。知道目标的这个属性在对目标进行跟踪是有用处的。
2.5目标完整性的确定
图10（a）图10（b）
图10（c）图10（d）
上述四幅图选择了1523距离门内的数据，图10-（a）选择了距离门内的前270个数据检测的结果，没有目标的出现；图10-（b）选择了距离门内包含半个目标数据检测的结果，显示出半个目标的标志；图10-（c）检测的是距离门内只包含目标的数据段，结果显示出目标；图10-（d）检测的是距离门内不包含目标的后半截数据，检测结果也没有明显的目标标志。从四幅图可以看出：用训练好的检测器可以很好检测出目标及其轮廓。在模式识别中有一定的用处。
三、基于神经网络方法的检测能力
在弱信号检测能力上，基于神经网络的检测方法比常规方法要有一定的优越性。
图11（a）图11（b）
图11（c）
图11-（a）是316方位上用混沌方法检测的结果。将目标幅度在原有的基础上下降20倍，目标能量是周边噪声能量的1.179倍，时序图如图11-（b）所示。图11-（c）是幅度下降后用混沌方法检测的结果，可见用混沌理论可以提高信杂比，仍可以检测出目标。
将降低幅度后的目标数据回添到常规检测程序中，检测结果如图3-19（a）所示，检测不出方位316处的目标。
将降低幅度后的目标数据进行检测器检测后再回添到常规检测程序中，检测结果如图3-19（b）所示，仍然检测出方位316处的目标。此试验可以表明基于混沌理论的检测方法可以有效的增加信杂比，与常规方法相比具有一定的优越型。
图3-19（a）图3-19（b）
四、结束语
通过试验，可以证明神经网络在海杂波检测中用一定的应用，该方法与常规方法进行了比较，得出基于神经网络的检测方法的优越性。但海量的数据计算是阻扰该理论走向工程应用的重要原因。随着计算机技术的迅速发展，大规模集成高速（超高速）数字信号处理专用芯片实时运算能力的增强和精细实验手段的不断发展和完善，已经为更精确描述和分析海杂波混沌特性，即在海杂波背景下的目标检测创造了有利条件。
参考资料：
[1]祝明波译海杂波的混沌动态特性[M]北京：国防工业出版社．2007，1：10
[2]SimonHayKin，XiaoboLi．DetectionofSignalsinchaos[J]．ProceedingoftheIEEE．1995，83，1：95—122
[3]谢红梅俞卞章基于神经网络预测器的混沌海杂波弱信号检测现代雷达2004,9
转载请注明来自：http://www.yueqikan.com/yingyongdianzijishulw/6707.html
上一篇：信号交叉口相位优化模型构建
下一篇：航空管制雷达信息异常分析步骤
相关期刊推荐
学术前沿
学术知识
