论文部分内容阅读
无论是在军事上还是民用上,雷达对海面目标的检测都具有重要的意义。然而,海洋环境的复杂性以及海面目标的多样性给海面目标检测造成了一定的困难。机器学习是近年来的研究热点,随着相关理论的不断发展,其应用领域越来越广泛,并已运用于雷达信号处理中。本文先是从经典的机器学习算法出发,通过不同的特征提取方式分别讨论了支持向量机算法(Support Vector Machine, SVM)、K近邻算法算法(k-Nearest Neighbor, KNN)对IPIX雷达和岸防雷达的有效性,并指出岸防雷达信号中的干扰问题。考虑到前期特征组合的多样性,论文进一步引入深度学习中的堆栈自编码器(Stacked AutoEncoder, SAE),可针对IPIX雷达进行一维海杂波序列预测,并从二维信号处理角度设计了针对岸防雷达的SAE检测算法,对海杂波进行二维K分布仿真,从仿真数据和实测数据两方面证明所设计算法的可行性和有效性。
论文完成的主要工作如下:
(1) 介绍了IPIX雷达的数据结构以及某研究所提供的岸防雷达数据,并根据各自的特点进行不同维度的特征提取。结合经典的机器学习算法,深入研究了一种基于SVM的海面目标检测算法以及一种基于KNN的海面目标检测算法,通过交叉验证的方式寻找最优参数,实现数据的非线性可分性,并就结果对两种算法进行对比与分析。
(2) 从混沌角度分析了IPIX雷达数据的时间延迟和嵌入维数,证明其具有短时可预测性。提出了一种基于SAE的一维海面目标预测算法,输出层仅一个神经单元,用之前时刻的幅值作为特征,以无监督预训练和有监督微调的方式来预测下一时刻的幅值,最后以均方差为依据对测试样本集进行类别判断,该方法能有效地识别出目标和海杂波序列。
(3) 针对岸防雷达多普勒信息匮乏的问题,从幅度上对海杂波进行二维K分布仿真,并在回波中添加了不同SCR的海面运动目标,进一步提出一种基于SAE的海面目标检测方法,将输出层设计为分类器,通过待测单元与二维图像一一映射的方式从二维信号处理角度进行分类检测,研究结果表明设计的基于SAE的海面目标检测算法的性能要优于传统CA-CFAR检测算法。
论文完成的主要工作如下:
(1) 介绍了IPIX雷达的数据结构以及某研究所提供的岸防雷达数据,并根据各自的特点进行不同维度的特征提取。结合经典的机器学习算法,深入研究了一种基于SVM的海面目标检测算法以及一种基于KNN的海面目标检测算法,通过交叉验证的方式寻找最优参数,实现数据的非线性可分性,并就结果对两种算法进行对比与分析。
(2) 从混沌角度分析了IPIX雷达数据的时间延迟和嵌入维数,证明其具有短时可预测性。提出了一种基于SAE的一维海面目标预测算法,输出层仅一个神经单元,用之前时刻的幅值作为特征,以无监督预训练和有监督微调的方式来预测下一时刻的幅值,最后以均方差为依据对测试样本集进行类别判断,该方法能有效地识别出目标和海杂波序列。
(3) 针对岸防雷达多普勒信息匮乏的问题,从幅度上对海杂波进行二维K分布仿真,并在回波中添加了不同SCR的海面运动目标,进一步提出一种基于SAE的海面目标检测方法,将输出层设计为分类器,通过待测单元与二维图像一一映射的方式从二维信号处理角度进行分类检测,研究结果表明设计的基于SAE的海面目标检测算法的性能要优于传统CA-CFAR检测算法。