本發(fā)明涉及雷達(dá)信號(hào)處理的，更具體地，涉及一種ww分布的雷達(dá)海雜波參數(shù)估計(jì)方法。

背景技術(shù)：

1、分布模型參數(shù)搜索錯(cuò)誤會(huì)導(dǎo)致雷達(dá)恒虛警率檢測(cè)算法(cfar)的檢測(cè)性能下降，進(jìn)而影響其在這個(gè)領(lǐng)域內(nèi)的應(yīng)用。常用的雷達(dá)雜波分布模型有瑞利分布、對(duì)數(shù)正態(tài)分布、韋布爾分布和k分布等。隨著監(jiān)視雷達(dá)系統(tǒng)發(fā)展和復(fù)雜場(chǎng)景應(yīng)用，有關(guān)研究學(xué)者提出了復(fù)合結(jié)構(gòu)的ww分布(雙重韋布爾分布，weibull-weibull)模型，可以精細(xì)地描述海雜波的幅度分布特性。然而，ww分布的數(shù)學(xué)形式復(fù)雜且參數(shù)眾多，導(dǎo)致分布參數(shù)搜索困難。根據(jù)ww分布模型的特點(diǎn)，建立參數(shù)搜索的優(yōu)化模型，優(yōu)化參數(shù)搜索算法是實(shí)現(xiàn)ww分布雜波環(huán)境目標(biāo)有效檢測(cè)的重要途徑之一。

2、采用智能算法對(duì)ww分布進(jìn)行參數(shù)搜索，尋找ww分布參數(shù)尋優(yōu)最優(yōu)化模型，是目前研究的熱點(diǎn)?，F(xiàn)有技術(shù)提出用最小均方誤差的方法提取參數(shù)，但是該方法得到的參數(shù)精度不高，容易出現(xiàn)過(guò)擬合?，F(xiàn)有技術(shù)還提出分別采用粒子群優(yōu)化算法和遺傳算法搜索得到ww分布的參數(shù)，這兩種方法得到的模型參數(shù)相對(duì)準(zhǔn)確，但是需要經(jīng)過(guò)不斷地迭代尋優(yōu)，計(jì)算量大且容易導(dǎo)致陷入局部最優(yōu)的問(wèn)題。現(xiàn)有技術(shù)還采用布谷鳥(niǎo)搜索算法獲取ww分布的最優(yōu)參數(shù)值，通過(guò)建立最優(yōu)化參數(shù)搜索模型，取得了不錯(cuò)的效果，但是當(dāng)數(shù)據(jù)樣本量大時(shí)，算法運(yùn)算效率低。智能算法應(yīng)用于ww分布的參數(shù)搜索，可以提高參數(shù)獲取的精度，但是也導(dǎo)致了局部收斂和算法復(fù)雜化的問(wèn)題。因此，針對(duì)ww分布的特點(diǎn)，尋求一種高效準(zhǔn)確的ww分布參數(shù)搜索方法，對(duì)ww分布參數(shù)進(jìn)行高效精準(zhǔn)地估計(jì)具有重要的意義。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明為克服上述現(xiàn)有技術(shù)所述的無(wú)法高效精準(zhǔn)地估計(jì)ww分布參數(shù)的缺陷，提供一種能夠高效精準(zhǔn)地估計(jì)ww分布參數(shù)的ww分布的雷達(dá)海雜波參數(shù)估計(jì)方法。

2、為解決上述技術(shù)問(wèn)題，本發(fā)明的技術(shù)方案如下：

3、一種ww分布的雷達(dá)海雜波參數(shù)估計(jì)方法，包括以下步驟：

4、獲取若干條雷達(dá)雜波數(shù)據(jù)；

5、基于雙重韋布爾分布構(gòu)建所述雷達(dá)雜波數(shù)據(jù)的分布模型；

6、基于kmeans算法求解所述分布模型的參數(shù)參考值；

7、以最大化所述分布模型的參數(shù)的期望為目標(biāo)函數(shù)，利用期望條件最大化算法迭代求解所述目標(biāo)函數(shù)，在迭代次數(shù)達(dá)到預(yù)設(shè)值，或，所述目標(biāo)函數(shù)達(dá)到最大值時(shí)，結(jié)束迭代，得到所述分布模型的參數(shù)最優(yōu)估計(jì)值。

8、本發(fā)明還提出了一種ww分布的雷達(dá)海雜波參數(shù)估計(jì)系統(tǒng)，用于實(shí)現(xiàn)上述的ww分布的雷達(dá)海雜波參數(shù)估計(jì)方法，所述系統(tǒng)包括：

9、數(shù)據(jù)獲取模塊，用于獲取若干條雷達(dá)雜波數(shù)據(jù)；

10、分布模型構(gòu)建模塊，用于基于雙重韋布爾分布構(gòu)建所述雷達(dá)雜波數(shù)據(jù)的分布模型；

11、參考值求解模塊，用于基于kmeans算法求解所述分布模型的參數(shù)參考值；

12、參數(shù)估計(jì)模塊，用于以最大化所述分布模型的參數(shù)的期望為目標(biāo)函數(shù)，利用期望條件最大化算法迭代求解所述目標(biāo)函數(shù)，在迭代次數(shù)達(dá)到預(yù)設(shè)值，或，所述目標(biāo)函數(shù)達(dá)到最大值時(shí)，結(jié)束迭代，得到所述分布模型的參數(shù)最優(yōu)估計(jì)值。

13、本發(fā)明還提出了一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器中存儲(chǔ)有計(jì)算機(jī)可讀指令，其特征在于，所述計(jì)算機(jī)可讀指令被所述處理器執(zhí)行時(shí)，使得所述處理器執(zhí)行上述的ww分布的雷達(dá)海雜波參數(shù)估計(jì)方法的步驟。

14、與現(xiàn)有技術(shù)相比，本發(fā)明技術(shù)方案的有益效果是：

15、本發(fā)明通過(guò)獲取若干條雷達(dá)雜波數(shù)據(jù)；基于雙重韋布爾分布構(gòu)建所述雷達(dá)雜波數(shù)據(jù)的分布模型；基于kmeans算法求解所述分布模型的參數(shù)參考值；以最大化所述分布模型的參數(shù)的期望為目標(biāo)函數(shù)，利用期望條件最大化算法迭代求解所述目標(biāo)函數(shù)，在迭代次數(shù)達(dá)到預(yù)設(shè)值，或，所述目標(biāo)函數(shù)達(dá)到最大值時(shí)，結(jié)束迭代，得到所述分布模型的參數(shù)最優(yōu)估計(jì)值，解決ww分布參數(shù)較多而導(dǎo)致的參數(shù)獲取困難和局部收斂問(wèn)題，能夠高效精準(zhǔn)地對(duì)ww分布參數(shù)進(jìn)行估計(jì)。

技術(shù)特征：

1.一種ww分布的雷達(dá)海雜波參數(shù)估計(jì)方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的ww分布的雷達(dá)海雜波參數(shù)估計(jì)方法，其特征在于，所述雷達(dá)雜波數(shù)據(jù)的分布模型的表達(dá)式包括：

3.根據(jù)權(quán)利要求1所述的ww分布的雷達(dá)海雜波參數(shù)估計(jì)方法，其特征在于，基于kmeans算法求解所述分布模型的參數(shù)參考值的步驟包括：

4.根據(jù)權(quán)利要求3所述的ww分布的雷達(dá)海雜波參數(shù)估計(jì)方法，其特征在于，所述聚類準(zhǔn)則函數(shù)的表達(dá)式包括：

5.根據(jù)權(quán)利要求3所述的ww分布的雷達(dá)海雜波參數(shù)估計(jì)方法，其特征在于，分別對(duì)兩類韋布爾分布簇內(nèi)的雷達(dá)雜波數(shù)據(jù)進(jìn)行參數(shù)搜索，得到的所述分布模型的參數(shù)參考值的表達(dá)式包括：

6.根據(jù)權(quán)利要求1～5任一項(xiàng)所述的ww分布的雷達(dá)海雜波參數(shù)估計(jì)方法，其特征在于，所述目標(biāo)函數(shù)的表達(dá)式包括：

7.一種ww分布的雷達(dá)海雜波參數(shù)估計(jì)系統(tǒng)，用于實(shí)現(xiàn)權(quán)利要求1～9任一項(xiàng)所述的ww分布的雷達(dá)海雜波參數(shù)估計(jì)方法，其特征在于，包括：

8.根據(jù)權(quán)利要求7所述的ww分布的雷達(dá)海雜波參數(shù)估計(jì)系統(tǒng)，其特征在于，基于kmeans算法求解所述分布模型的參數(shù)參考值的步驟包括：

9.根據(jù)權(quán)利要求7所述的ww分布的雷達(dá)海雜波參數(shù)估計(jì)系統(tǒng)，其特征在于，所述目標(biāo)函數(shù)的表達(dá)式包括：

10.一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器中存儲(chǔ)有計(jì)算機(jī)可讀指令，其特征在于，所述計(jì)算機(jī)可讀指令被所述處理器執(zhí)行時(shí)，使得所述處理器執(zhí)行如權(quán)利要求1～6任一項(xiàng)所述ww分布的雷達(dá)海雜波參數(shù)估計(jì)方法的步驟。

技術(shù)總結(jié)
本發(fā)明涉及雷達(dá)信號(hào)處理的技術(shù)領(lǐng)域，提出一種WW分布的雷達(dá)海雜波參數(shù)估計(jì)方法，包括以下步驟：獲取若干條雷達(dá)雜波數(shù)據(jù)；基于雙重韋布爾分布構(gòu)建所述雷達(dá)雜波數(shù)據(jù)的分布模型；基于Kmeans算法求解所述分布模型的參數(shù)參考值；以最大化所述分布模型的參數(shù)的期望為目標(biāo)函數(shù)，利用期望條件最大化算法迭代求解所述目標(biāo)函數(shù)，在迭代次數(shù)達(dá)到預(yù)設(shè)值，或，所述目標(biāo)函數(shù)達(dá)到最大值時(shí)，結(jié)束迭代，得到所述分布模型的參數(shù)最優(yōu)估計(jì)值；解決WW分布參數(shù)較多而導(dǎo)致的參數(shù)獲取困難和局部收斂問(wèn)題，能夠高效精準(zhǔn)地對(duì)WW分布參數(shù)進(jìn)行估計(jì)。

技術(shù)研發(fā)人員：楊斌
受保護(hù)的技術(shù)使用者：無(wú)錫學(xué)院
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19