基于相空间重构与RBF神经网络的混响抑制研究.pdfVIP

基于相空间重构和RBF神经网络的混晌抑制研究木 姜可宇蔡志明 (海军：[程大学电子：[程学院，武汉430033) 摘要：提出了一种将混沌理论中的相空间重构与RBF神经网络相结合的混响抑制方法。对湖试数据的实验研究表明：对于单 频脉冲激励下的接收信号，该方法具有一定的混响抑制效果。 关键词：混沌，相空间重构，RBF神经网络，混响 1引言 由于主动声纳中的混响是～种特殊的回波，与目标回波的特征非常相似，是微弱目标检测的一种严重 干扰，因此混响干扰的有效抑制一直是主动声纳信号处理的关键问题。混沌理论和神经网络技术的发展为 混响干扰的抑制提供了新的思路，基于混沌理论和神经网络的建模方法是复杂信号建模研究的热点之一。 较常规方法更好的检测效果。 混沌理论中的相空间重构是研究混沌时间序列各种特性的基础，也可以说重构相空间是时间序列的另 外一种表示空间，重构相空间的维数不小于2。在这种空间中，一般的标量时间序列也可能表现出有意义 的轨道演化特征或轨道点分布特征。本文提出一种基于预白化信号相空间重构和RBF神经网络聚类的方法 来抑制混响干扰。 2相空间重构 相空间重构是动力学系统研究的一个重要问题。在一般情况下，我们不可能同时观测到动力学系统的 所有状态分量，而是只能观测到系统的某个状态分量时间序列。根据一个状态分量时间序列进行相空间重 s(晚f=‘l，．．．，f^，，时延为f，嵌入维为d，则d维相空间中的时延重构轨道点可以表示为 (1) 少(力)=[s(刀)，s(n+f)，了(刀+2r)，…，s(n+(刀一1)r] Takens嵌入定理表明，只要观测时间序列无限长，则允许在重建相空问时采用任何时间延迟丁，另外在嵌 入维d大于2倍的动力学系统维数的情况下，重构吸引子与动力学系统的原吸引子在微分同胚意义上是等 效的。由于观测时间序列不可能无限长，而且实验数据中往往都含有噪声，因此必须选择一个合适的嵌入 遍采用的一种方法。 3RBF神经网络及训练算法 空间的变换是线性的。每个隐层节点的输出为 哆：删：exp卜哔1 (2) L q ／J 式中x是输入模式，c。是隐层第f个：铮点的中心，盯j表示第f个节点的作用范围。假设隐层节点个数为M， 输出层节点个数为1，则RBF网络的输出表示为 一180一 m)：乙一w缉(x冶M… (3) ／乙】K(x) 其中w为第f个隐层节点到输出节点的权值。 RBF网络的训练算法有很多种，文中采用的是文献[5]提出的在线自适应聚类学习算法，具体算法步骤 参考文献[5]。 4基于预白化信号相空间重构和RBF网络的混响干扰抑制 主动声纳中的混响干扰与目标回波在时域和频域特征上非常相似，但其差异还是客观存在的。两者之 间的共同特征往往会掩盖它们之间存在的微小差异。信号的预白化是“弃同存异”的一个处理方法。用AR 模型来对含有目标回波的信号进行建模，如果目标回波比较弱，且整个信号长度要远大于发射脉冲宽度， 则目标回波对于模型系数估计的影响是有限的。整个信号的^R模型系数估计出来之后，用该模型再对信 号进行拟合，得到信号的拟合误差序列，即原信号的白化序列。在没有目标回波的时间段，拟合误差序列 是白色的，在目标回波出现的时间段拟合误差将比较大，而且其频谱可能不是白色的。 对于一个白高斯噪声序列来说，尽管它不是混沌的，但在指定的嵌入维和嵌入时延下进行相空间重构 是完全可以的，而且重构的轨道点在相空间中也呈高维高斯分布。而目标回波段的白化序列相空间重构后 的轨道点个数是有限的，而且其分布不是高斯的。这是目标回波与混响干扰在白化序列重构相空间中的差 异。 络在线白适应聚类学习算法中隐层节点到输出节点的权值是根据落入隐层节点作用范围内的所有输入矢