论文部分内容阅读
海杂波中的噪声抑制及其微弱信号检测对海洋监测、国民经济和国家安全都有着举足轻重的作用。海洋环境复杂,微弱信号受到环境噪声干扰,常会湮没在强海杂波内。传统检测方法忽视海杂波内在运动规律,存在表征能力弱、检测精度低问题。研究海杂波特性,提出新型海杂波建模方法,提升微弱信号检测技术,以识别海面漂浮小目标,对提高对海探测雷达海面监控能力具有重要的理论意义和很好的应用价值。本文分析海杂波背景下的微弱信号特性,提出海杂波中环境噪声的精细化抑制方法,设计海面微弱信号HFER特征分类网络,研究杂波与信号的关联性差异的图像表示方法,将深度学习引入微弱信号检测中,建立海杂波变维检测模型和混沌预测模型,为海杂波背景下微弱信号的有效检测提供理论方法。具体研究内容如下:（1）针对海杂波中环境噪声对微弱信号检测的干扰问题,提出CEEMD与小波包多阈值处理结合的MTCEEMD噪声抑制方法。根据CEEMD分解后的IMF自相关函数及能量比例,划分高频IMF。按频率顺序排列高频IMF的小波包分解系数,根据频段特性选取合适阈值滤波,结合未处理的低频IMF重构消噪后的海杂波。利用Volterra自适应滤波器建立海杂波预测模型,实验证明去噪后的预测均方根误差下降了一个数量级。（2）为解决微弱信号与海杂波混叠的问题,提出HFER特征下的微弱信号检测方法。研究高频IMF能量比例的目标分布特性,将其视为特征设计基于XGBoost的微弱信号检测网络,利用SSA优化网络超参数组。对比BCD、RAA、TIE、SVM与多特征融合检测方法的检测概率,验证了HFER特征适用于海杂波背景下的微弱信号检测,不同海情检测率均达到90%以上。（3）为解决一维海杂波信息表征困难的问题,设计海杂波变维检测方法。研究海杂波与微弱信号各自关联性的图像表示方法,利用Alex Net网络对关联性图像进行杂波与信号的二分类。对比三种图像转换通道,通过MTCEEMD进行数据清洗,分析变步长参数对网络性能的影响。设置10-3虚警可控前提,与图联通密度法、Hurst指数算法、时频三特征检测方法进行实验对比,在保证训练时间与检测时间都较低的前提下,所提方法的检测率明显优于对比算法。（4）为实现微弱信号存在区间的精准定位,建立基于PSR-LSTM的混沌海杂波预测模型。研究海杂波的混沌特性,结合相空间重构理论与LSTM网络,利用嵌入窗宽度确定网络训练步长,确保每一组训练数据与海杂波的拓扑结构一致,提出预测误差频率域转换的检测方法。对比RBF神经网络、SVM、LS-SVM、GA-SVM与ELM方法,验证所提基于PSR-LSTM的混沌海杂波预测模型预测精度有大幅提升。分析海杂波运动规律,设计了去噪预处理层,提出了特征提取办法,建立了微弱信号图像化检测模型与混沌海杂波预测模型。解决了复杂海洋环境中传统方法易受到多种干扰和噪声的影响,与微弱信号特性匹配不精准、检测能力弱的问题,为对海雷达探测技术的改进与发展提供了有力支撑,具有较好的理论意义与实际价值。