專利名稱：一種基于混沌理論的海面小目標檢測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及的是一種雷達信號處理領(lǐng)域的目標檢測方法。
背景技術(shù)：
傳統(tǒng)的海面小目標檢測方法是將海雜波作為隨機過程進行分析建模，隨著人們對海雜波的更深入的研究，發(fā)現(xiàn)海雜波不僅僅是隨機過程，而是具有混沌特性。相對于傳統(tǒng)的基于統(tǒng)計模型的檢測方法，基于海雜波混沌特性的海面小目標檢測方法更能夠反映海雜波的動力學特性。通過遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)使得檢測性能有了進一步的提高。與本申請相關(guān)的報道有:1、“基于混沌理論的海雜波處理方案設(shè)計”(《科學技術(shù)與工程》2010年第10卷第6期)，提出了一種海雜波背景下雷達回波數(shù)據(jù)處理的設(shè)計方案。在不改變原始數(shù)據(jù)動態(tài)特性基礎(chǔ)上對其進行預處理，再檢驗數(shù)據(jù)的混沌性，最后利用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)作為預測器，對目標有無進行判斷。2、“混沌時間序列的神經(jīng)網(wǎng)絡(luò)預測研究”(《海軍航空工程學院學報》2008年第23卷第I期)，研究了混沌系統(tǒng)的預測問題。通過重構(gòu)系統(tǒng)狀態(tài)相空間分析混沌時間序列，然后用多層前向神經(jīng)網(wǎng)絡(luò)對其進行預測。3、“基于遺傳算法的神經(jīng)網(wǎng)絡(luò)性能優(yōu)化”(《計算機技術(shù)與發(fā)展》2007年第17卷第12期)，文中分析了遺傳算法的特點和神經(jīng)網(wǎng)絡(luò)的特點，從而得出了把兩種算法結(jié)合起來進行應(yīng)用的思想。運用理論對比的方法，闡明了用遺傳算法進行神經(jīng)網(wǎng)絡(luò)性能優(yōu)化的原因，并得出結(jié)論，用遺傳算法進行神經(jīng)網(wǎng)絡(luò)性能優(yōu)化促使了神經(jīng)網(wǎng)絡(luò)更進一步的應(yīng)用。雖然已有很多關(guān)于海面小目標檢測方法的研究，但用神經(jīng)網(wǎng)絡(luò)對海雜波時間序列進行預測，并運用遺傳算法對神經(jīng)網(wǎng)絡(luò)進行優(yōu)化的檢測方法還很少，可以進一步的提高檢測性能。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供海雜波背景下、以混沌理論為基礎(chǔ)、以神經(jīng)網(wǎng)絡(luò)為工具、并借助遺傳算法對神經(jīng)網(wǎng)絡(luò)進行優(yōu)化的一種基于混沌理論的海面小目標檢測方法。本發(fā)明的目的是這樣實現(xiàn)的:本發(fā)明一種基于混沌理論的海面小目標檢測方法，其特征是:( I)對原始海雜波數(shù)據(jù)進行幅度和相位校正、濾波并進行歸一化處理；(2)進行關(guān)聯(lián)維數(shù)和最大Lyapunov指數(shù)混沌特征量的提取，對海雜波進行混沌特性驗證；(3)如果海雜波不具有混沌特性，則運用傳統(tǒng)的統(tǒng)計檢測方法；如果海雜波具有混沌特性，則用神經(jīng)網(wǎng)絡(luò)對混沌時間序列建模，將神經(jīng)網(wǎng)絡(luò)作為一個預測器，即用混沌背景信號產(chǎn)生模式對神經(jīng)網(wǎng)絡(luò)訓練，使其預測誤差達到0.001，從而實現(xiàn)對時間序列有較好的短期預測性能；否則改變網(wǎng)絡(luò)的拓撲結(jié)構(gòu)重新進行訓練，直到滿足要求為止，神經(jīng)網(wǎng)絡(luò)訓練好以后，對接收到的信號進行單步預測，得到預測值并計算預測誤差，分析預測誤差:若預測誤差大于門限值，則目標存在，反之說明無目標。
本發(fā)明的優(yōu)勢在于:本發(fā)明與傳統(tǒng)方法相比，無需先驗知識，而且對初始參數(shù)不敏感，所以不會陷入局部極小點。對于隱含層和輸出層之間的權(quán)值的確定可采用遞推最小二乘法，可以保證較快的收斂速度。


圖1為本發(fā)明的流程圖；圖2為幅度和相位校正電路圖；圖3為基于神經(jīng)網(wǎng)路的檢測方法示意圖；圖4為RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖；圖5為遺傳算法流程圖。
具體實施例方式下面結(jié)合附圖舉例對本發(fā)明做更詳細地描述:結(jié)合圖1 5，本發(fā)明主要針對海雜波的建模及其弱信號檢測問題提出解決方案，以混沌理論為基礎(chǔ)，以神經(jīng)網(wǎng)絡(luò)為工具，從相空間重構(gòu)理論出發(fā)，利用RBF神經(jīng)網(wǎng)絡(luò)來重構(gòu)海雜波的內(nèi)在動力學，引入基于預測誤差的檢測方法對小信號進行檢測分析。這種新的檢測技術(shù)具有優(yōu)于傳統(tǒng)檢測技術(shù)的應(yīng)用潛力，因為它充分利用了海雜波具有混沌行為這一先驗信息，而混沌系統(tǒng)是一種確定性系統(tǒng)是可預測的，至少在短時間內(nèi)具有可預測性。具體實現(xiàn)過程可以分為以下四個步驟:1、海雜波數(shù)據(jù)的預處理被測數(shù)據(jù)的預處理是所有實驗數(shù)據(jù)分析工作中的一個基本步驟。在不同地點用不同雷達收集的海雜波數(shù)據(jù)存在著誤差的影響，我們可以在提取混沌參數(shù)前通過對數(shù)據(jù)進行預處理來減小誤差的影響。預處理過程包括以下步驟:( I)幅度和相位校正(1-Q校準)(2)濾波(3)海雜波數(shù)據(jù)的歸一化處理2、海雜波混沌特性的驗證( I)對海雜波時間序列的相空間重構(gòu)基于混沌理論的非線性時間序列處理中，無論是混沌不變量的計算、非線性模型的建立還是基于混沌模型的預測都是在相空間中進行的，因此相空間重構(gòu)是非線性時間序列處理中非常重要的第一步。Takens嵌入定理是相空間重構(gòu)的基礎(chǔ)，在利用時間序列進行相空間重構(gòu)時，要特別注意嵌入維數(shù)m和延時τ的選取，因為m和τ的選取將直接影響重構(gòu)系統(tǒng)與原系統(tǒng)的“匹配”程度，影響混沌海雜波的重構(gòu)質(zhì)量，進而影響預測和檢測的效果。一般采用互信息法計算延時τ，G-P法和Cao方法計算嵌入維數(shù)。(2)對海雜波時間序列進行混沌特性分析描述混沌系統(tǒng)的重要特性指標包括最大Lyapunov指數(shù)，關(guān)聯(lián)維數(shù)等。通過分析Lyapunov指數(shù)和關(guān)聯(lián)維數(shù)驗證海雜波信號的混沛特性。3、運用神經(jīng)網(wǎng)絡(luò)的預測能力進行小目標檢測混沌時間序列具有長期不可預測而短期可預測的特點。這樣，在檢測混沌背景下的目標信號時可以利用神經(jīng)網(wǎng)絡(luò)先對混沌時間序列建模，然后對接收到的信號進行預測。混沌背景下基于神經(jīng)網(wǎng)絡(luò)的目標檢測方法可簡單歸結(jié)為如下幾個步驟:(I)用神經(jīng)網(wǎng)絡(luò)對混沌時間序列建模，將神經(jīng)網(wǎng)絡(luò)作為一個預測器，即用混沌背景信號產(chǎn)生模式對神經(jīng)網(wǎng)絡(luò)訓練，使其預測誤差較小，且對時間序列有較好的短期預測性能。否則，改變網(wǎng)絡(luò)的拓撲結(jié)構(gòu)重新進行訓練，直到滿足要求為止。(2)神經(jīng)網(wǎng)絡(luò)訓練好以后，對接收到的信號(訓練過程中未使用過的數(shù)據(jù))進行單步預測(η為觀測階段所獲得的數(shù)據(jù)點的總長度)，得到預測值并計算預測誤差。(3)根據(jù)恒虛警處理器對預測誤差進行分析，若預測誤差大于預設(shè)定的門限值，說明目標的存在，反之說明無目標。4、運用遺傳算法對神經(jīng)網(wǎng)路進行優(yōu)化，提高檢測性能徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBFNN)具有簡單的網(wǎng)絡(luò)結(jié)構(gòu)、快速的學習方法、較好的推廣能力，廣泛應(yīng)用于函數(shù)逼近領(lǐng)域。然而，如何有效地確定RBF神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)，至今沒有系統(tǒng)的規(guī)律可循。在RBF神經(jīng)網(wǎng)絡(luò)中需要確定的參數(shù)包括隱含層節(jié)點數(shù)、隱含層基函數(shù)的中心值和寬度、隱含層到輸出層的連接權(quán)值。這里利用遺傳算法優(yōu)化選取隱含層節(jié)點的中心值，提高神經(jīng)網(wǎng)絡(luò)性能。與傳統(tǒng)算法相比，遺傳算法訓練神經(jīng)網(wǎng)絡(luò)無需先驗知識，而且對初始參數(shù)不敏感，所以不會陷入局部極小點。對于隱含層和輸出層之間的權(quán)值的確定可采用遞推最小二乘法，可以保證較快的收斂速度。本發(fā)明的方法的主要特點如下:1、海雜波混沌特性的驗證。根據(jù)混沌學理論，可以從下面5個方面判斷一個過程是否為混沌系統(tǒng)。(I)過程是有限的；(2)過程是非線性的；(3)隨著嵌入維數(shù)的增加關(guān)聯(lián)維數(shù)有限；(4)對初始條件的敏感性，即至少有一個正的Lyapunov指數(shù)；(5)雖有Lyapunov指數(shù)之和為負。如果上述任何一條不成立，則說明此過程不是混沌系統(tǒng)。由于海雜波是雷達照射到海面后的后向散射回撥，因此是有界的，同時它是個耗散系統(tǒng)，是物理可實現(xiàn)的，故(I) (5)成立；若(4)成立，表明相空間兩個軌道以指數(shù)分離，則(2)成立。綜上，只要計算出關(guān)聯(lián)維數(shù)以及Lyapunov指數(shù)，便可以判斷海雜波系統(tǒng)是否為混沌的。2、基于RBF神經(jīng)網(wǎng)絡(luò)的海面小目標檢測。首先，對海雜波時間序列進行相空間重構(gòu)?；诨煦缋碚摰姆蔷€性時間序列處理中，無論是混沌不變量的計算、非線性模型的建立還是基于混沌模型的預測都是在相空間中進行的，因此相空間重構(gòu)是非線性時間序列處理中非常重要的第一步。Takens嵌入定理是相空間重構(gòu)的基礎(chǔ)，在利用時間序列進行相空間重構(gòu)時，要特別注意嵌入維數(shù)m和延時τ的選取，因為m和τ的選取將直接影響重構(gòu)系統(tǒng)與原系統(tǒng)的“匹配”程度，影響混沌海雜波的重構(gòu)質(zhì)量，進而影響預測和檢測的效果。一般采用互信息法計算延時τ，G-P法和Cao方法計算嵌入維數(shù)?；煦鐣r間序列具有長期不可預測而短期可預測的特點。這樣，在檢測混沌背景下的目標信號時可以利用神經(jīng)網(wǎng)絡(luò)先對混沌時間序列建模，然后對接收到的信號進行預測。混沌背景下基于神經(jīng)網(wǎng)絡(luò)的目標檢測方法可簡單歸結(jié)為如下幾個步驟:(I)用神經(jīng)網(wǎng)絡(luò)對混沌時間序列建模，將神經(jīng)網(wǎng)絡(luò)作為一個預測器，即用混沌背景信號產(chǎn)生模式對神經(jīng)網(wǎng)絡(luò)訓練，使其預測誤差達到0.001，從而實現(xiàn)對時間序列有較好的短期預測性能。否則，改變網(wǎng)絡(luò)的拓撲結(jié)構(gòu)重新進行訓練，直到滿足要求為止。(2)神經(jīng)網(wǎng)絡(luò)訓練好以后，對接收到的信號(訓練過程中未使用過的數(shù)據(jù))進行單步預測(η為觀測階段所獲得的數(shù)據(jù)點的總長度)，得到預測值并計算預測誤差。(3)根據(jù)恒虛警處理器對預測誤差進行分析，若預測誤差大于門限值，說明目標的存在，反之說明無目標。3、利用遺傳算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)。徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBFNN)具有簡單的網(wǎng)絡(luò)結(jié)構(gòu)、快速的學習方法、較好的推廣能力，廣泛應(yīng)用于函數(shù)逼近領(lǐng)域。然而，如何有效地確定RBF神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)，至今沒有系統(tǒng)的規(guī)律可循。在RBF神經(jīng)網(wǎng)絡(luò)中需要確定的參數(shù)包括隱含層節(jié)點數(shù)、隱含層基函數(shù)的中心值和寬度、隱含層到輸出層的連接權(quán)值。這里利用遺傳算法優(yōu)化選取隱含層節(jié)點的中心值和寬度，提高神經(jīng)網(wǎng)絡(luò)性能。與傳統(tǒng)算法相比，遺傳算法訓練神經(jīng)網(wǎng)絡(luò)無需先驗知識，而且對初始參數(shù) 不敏感，所以不會陷入局部極小點。對于隱含層和輸出層之間的權(quán)值的確定可采用遞推最小二乘法，可以保證較快的收斂速度。下面結(jié)合附圖舉例對本發(fā)明做更詳細的描述:結(jié)合圖1所示，原始海雜波數(shù)據(jù)的預處理是整個海面小目標檢測中的一個基本步驟。在對雷達接收到的數(shù)據(jù)處理之前，必須先進行適當?shù)念A處理，將誤差的影響減小。預處理技術(shù)按以下順序用于雷達數(shù)據(jù):(1)幅度和相位校正；(2)濾波；(3)數(shù)據(jù)的歸一化處理。對原始數(shù)據(jù)進行預處理以后，要進行關(guān)聯(lián)維數(shù)和最大Lyapunov指數(shù)等混沌特征量的提取，從而對海雜波進行混沌特性驗證。如果海雜波具有混沌特性，則可以運用基于混沌理論的目標檢測方法。反之，則運用傳統(tǒng)的統(tǒng)計檢測方法。驗證了海雜波的混沌特性后，便可以利用RBF神經(jīng)網(wǎng)絡(luò)對海雜波時間序列進行預測，根據(jù)預測值與實際值間的預測誤差來判斷海面小目標的存在與否。最后，為了進一步提高檢測性能，利用遺傳算法對RBF神經(jīng)網(wǎng)絡(luò)進行參數(shù)優(yōu)化，從而實現(xiàn)目標判決。結(jié)合圖2所示，幅度和相位校正(1-Q校準)電路。由于實驗誤差的影響，相參雷達的原始同相(I)和正交(Q)分量出現(xiàn)幅度和相位失配(方差不等及互相關(guān)非零)。這是由直流(DC)偏置和各自接收通道的增益和相位差異造成的。1-Q校準過程用來測量I和Q兩通道間增益和相位的不平衡。圖中的低通濾波器(LPF)濾除出現(xiàn)在乘法器輸出端的高頻分量。通過以I通道為參考，I和Q兩通道的接收通道增益被歸一化。這使得I通道具有單位增益,而Q通道的增益為Ge。θ ε表示Q通道上相對于I通道的相對相位誤差。cos(coIFt+a)為輸入中頻信號，DC1和DCq分別表示I和Q通道的直流偏置。結(jié)合圖3所示，基于神經(jīng)網(wǎng)路的檢測方法示意圖。首先，對海雜波時間序列x(n)進行相空間重構(gòu)，運用RBF神經(jīng)網(wǎng)絡(luò)訓練一批數(shù)據(jù)，得到一個神經(jīng)網(wǎng)絡(luò)預測器，然后用它預
測另外一組沒有用過的數(shù)據(jù)，得到其預測值^ 丨，計算其預測誤差ε (η)。經(jīng)過多次實驗，確
定其門限值。將待測試數(shù)據(jù)輸入到訓練好的RBF中，將其輸出的誤差與已設(shè)定的門限值進行比較，若預測誤差大于門限值，則認為有目標，反之，則說明沒有目標。結(jié)合圖4所示，RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)是一個只有一個隱含層的三層前饋神經(jīng)網(wǎng)絡(luò)，是包括一個輸入層，一個隱含層，一個輸出層的最簡模式。輸入層有m個節(jié)點，輸出層有I個節(jié)點。它與前向網(wǎng)絡(luò)相比最大的不同在于，隱含層的轉(zhuǎn)換函數(shù)是局部響應(yīng)的高斯函數(shù)。由于局部響應(yīng)的特點，徑向基網(wǎng)絡(luò)能夠以任意精度逼近任意連續(xù)函數(shù)。結(jié)合圖5所示，遺傳算法流程圖。首先，對RBF神經(jīng)網(wǎng)絡(luò)的參數(shù)進行編碼，生成初始種群。然后根據(jù)目標函數(shù)，計算適應(yīng)度，對適應(yīng)度值進行評價檢測。通過選擇，交叉，變異三個基本的遺傳算子進行選擇和遺傳，生成下一代群體。最后進行終止條件判斷，如果滿足了終止條件，則以進化過程中所得到的具有最大適應(yīng)度的個體作為最優(yōu)解輸出，終止運算。
權(quán)利要求
1.一種基于混沌理論的海面小目標檢測方法，其特征是: (1)對原始海雜波數(shù)據(jù)進行幅度和相位校正、濾波并進行歸一化處理； (2)進行關(guān)聯(lián)維數(shù)和最大Lyapunov指數(shù)混沌特征量的提取，對海雜波進行混沌特性驗證； (3)如果海雜波不具有混沌特性，則運用傳統(tǒng)的統(tǒng)計檢測方法； 如果海雜波具有混沌特性，則用神經(jīng)網(wǎng)絡(luò)對混沌時間序列建模，將神經(jīng)網(wǎng)絡(luò)作為一個預測器，即用混沌背景信號產(chǎn)生模式對神經(jīng)網(wǎng)絡(luò)訓練，使其預測誤差達到0.001，從而實現(xiàn)對時間序列有較好的短期預測性能；否則改變網(wǎng)絡(luò)的拓撲結(jié)構(gòu)重新進行訓練，直到滿足要求為止，神經(jīng)網(wǎng)絡(luò)訓練好以后，對接收到的信號進行單步預測，得到預測值并計算預測誤差，分析預測誤差:若預測誤差大于門限值，則目標存在，反之說明無目標。
全文摘要
本發(fā)明的目的在于提供一種基于混沌理論的海面小目標檢測方法，分以下步驟對原始海雜波數(shù)據(jù)進行幅度和相位校正、濾波并進行歸一化處理；進行關(guān)聯(lián)維數(shù)和最大Lyapunov指數(shù)混沌特征量的提取，對海雜波進行混沌特性驗證；如果海雜波不具有混沌特性，則運用傳統(tǒng)的統(tǒng)計檢測方法；如果海雜波具有混沌特性，則用神經(jīng)網(wǎng)絡(luò)對混沌時間序列建模，用混沌背景信號產(chǎn)生模式對神經(jīng)網(wǎng)絡(luò)訓練，對接收到的信號進行單步預測，得到預測值并計算預測誤差，若預測誤差大于門限值，則目標存在，反之說明無目標。本發(fā)明無需先驗知識，對初始參數(shù)不敏感，不會陷入局部極小點。對于隱含層和輸出層之間的權(quán)值的確定可采用遞推最小二乘法，可以保證較快的收斂速度。
文檔編號G01S7/41GK103091668SQ20131001094
公開日2013年5月8日 申請日期2013年1月11日 優(yōu)先權(quán)日2013年1月11日
發(fā)明者馬惠珠, 李成祥 申請人:哈爾濱工程大學