[发明专利]一种基于混沌理论的海面小目标检测方法

说明书

技术领域

本发明涉及的是一种雷达信号处理领域的目标检测方法。

背景技术

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1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。

发明内容

本发明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一种基于混沌理论的海面小目标检测方法。

本发明的目的是这样实现的：

本发明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。

本发明的优势在于：本发明与传统方法相比，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为本发明的流程图；

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。

具体实施方式

下面结合附图举例对本发明做更详细地描述：

结合图1～5，本发明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：

（1）幅度和相位校正（I-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

（1）对海杂波时间序列的相空间重构