2010神经网络在海杂波检测中的应用.PDFVIP

中国月期刊咨询网 2010神经网络在海杂波检测中的应用 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1 520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 中国月期刊咨询网 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