混沌海杂波背景下的弱信号检测

讨论了海杂波背景下的弱信号检测问题。经典的统计检测理论把海杂波作为随机信号处理的做法大大降低了信号检测的性能。利用海杂波为混沌信号这一先验知识 ,采用神经网络相空间重构的方法 ,对淹没在混沌背景下的弱信号进行检测处理 ,同时针对模型误差及不同信号形式就这一问题进行了全面分析。理论分析和仿真结果表明 ,此方法能有效地实现混沌海杂波背景下的弱目标检测 ,具有很高的改善因子。

基于神经网络的混沌海杂波背景下信号检测技术

本文研究神经网络技术,重点阐述神经元结构模型,构造出神经网络模型并提出神经网络的学习方法,给出神经网络模型误差随时间的变化曲线;分析海杂波混沌特性并且着重阐述了混沌理论的特点,分析海杂波混沌识别技术,并给出虚假近邻率随嵌入维数的变化曲线;最后研究混沌海杂波背景下的信号检测方法,并给出混沌时间序列曲线。本文基于神经网络研究了混沌海杂波背景下的信号检测技术,这对我国船舶信号检测技术的发展有着积极的促进作用。

混沌海杂波背景下的微弱信号检测混合算法

基于经验模态分解理论,提出了一种基于粒子群算法的支持向量机预测方法.采用总体平均经验模式分解法将混沌信号分解为若干固有模态函数和趋势分量,将复杂的非线性信号转化为具有不同尺度特征的平稳分量.利用粒子群算法对支持向量机的惩罚系数和核函数进行优化,结合支持向量机建立混沌序列的单步预测模型.从预测误差中检测淹没在混沌背景中的微弱信号(包括瞬态信号和周期信号).对Lorenz系统和实测IPIX雷达数据进行仿真实验,结果表明,该方法能够有效地从混沌背景噪声中检测出微弱目标信号,Lorenz系统得到的均方根误差0.000000339(-102.8225 d B时)比传统支持向量机方法的均方根误差0.049(-54.60 d B时)降低了5个数量级,从海杂波中检测出具有谐波特性的微弱信号,表明预测模型具有更低的门限和误差.

基于海杂波混沌特性的目标检测

首先介绍海杂波的混沌特性。然后采用IPIX雷达海面回波中的水平极化雷达数据对BP神经网络进行训练 ,结果表明所设计的BP神经网络能够很好的模拟海杂波 ,单步预测误差较小。

基于海杂波混沌模型用神经网络预测器实现小目标检测

介绍了高分辨率雷达海杂波的混沌特性和混沌动态过程 ,阐述了根据神经网络函数逼近理论 ,选择径向基函数前馈网络实现杂波混沌过程的重建 ,并利用杂波回波设计神经网络智能预测器实现杂波混沌过程的准最佳预测 ,完成强杂波背景下掠海小目标的检测任务。

一种优化的微弱信号检测方法

针对混沌海杂波背景下的微弱信号检测问题,结合互补集成经验模态分解理论,提出了一种优化的核极限学习机微弱信号检测方法。采用互补集成经验模态分解法将混沌信号分解为一系列固有模态函数,通过核极限学习机对经相空间重构后的各模态函数分别建立预测模型,利用人工蜂群算法对核极限学习机的正则化系数和核参数进行优化,重构预测信号,从预测误差中检测出混沌海杂波背景中的微弱信号(瞬态信号与周期信号)。分别以Lorenz系统和IPIX雷达海杂波数据为例进行了仿真,并研究了不同强度的噪声对微弱信号检测的影响。结果表明:该方法可以有效地从混沌背景中检测出微弱目标信号,当系统不存在噪声时,Lorenz系统得到的均方根误差0. 000 000 12 (-118.959 1 dB)比传统极限学习机方法的均方根误差0.001 345 08(-80.154 7 dB)降低了4个数量级;若SNR≥0 dB,噪声对微弱目标信号检测的影响可以忽略;但当SNR<-7 dB,则无法检测出微弱信号。