基于RBF神经网络的海杂波抑制算法研究

论文摘要

海杂波通常是指海洋表面的雷达后向散射回波,是舰载雷达和海浪监测设备的主要杂波源,它的存在严重干扰了雷达对海面目标的检测性能。海杂波抑制技术是当前研究的重点和难点。如何加强算法对海杂波的抑制,一直受到广大科技工作者的关注。本文给出了改进径向基（Radial Basis Function,简称RBF）神经网络梯度训练算法的方法。利用实际测得的海杂波数据,结合相空间重构理论,并分别通过互信息法,Cao方法和C-C方法进行仿真实验,得到合理的嵌入维数和嵌入延迟,将得到的结果做为网络输入节点个数确定的依据。本文将支持向量机（Suppor Vector Machine,简称SVM）算法和神经网络算法相结合,应用于海杂波抑制。用IPIX（Intelligent Pixel-Processing）雷达的实测数据进行仿真实验,通过对实验结果进行的理论分析和比较,结果表明本文提出的两种算法都具有很好的海杂波抑制能力。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究的背景和意义
• 1.2 国内外研究现状
• 1.3 本文主要研究工作及内容安排
• 第2章 海杂波混沌特性与抑制技术分析
• 2.1 海杂波简介
• 2.2 海杂波的混沌特性
• 2.2.1 混沌的概念
• 2.2.2 Lyapunov指数
• 2.2.3 相空间
• 2.2.4 相关维数
• 2.2.5 Kolmogorov熵
• 2.3 海杂波抑制技术分析
• 2.3.1 海杂波的抑制模型
• 2.3.2 海杂波抑制方法
• 2.4 本文所用雷达实测海杂波数据说明
• 2.5 本章小结
• 第3章 基于相空间重构理论的网络参数选取
• 3.1 相空间重构
• 3.2 嵌入参数估计
• 3.2.1 独立确定时间序列的嵌入延迟
• 3.2.2 独立确定时间序列的嵌入维数
• 3.3 同时确定时间序列嵌入窗宽的确定
• 3.4 仿真实验及分析
• 3.5 本章小结
• 第4章 RBF神经网络模型及其学习算法
• 4.1 支持向量机算法
• 4.1.1 回归
• 4.1.2 线性支持向量机回归
• 4.1.3 非线性支持向量回归
• 4.2 神经网络简介
• 4.2.1 神经网络研究进展
• 4.2.2 神经网络研究内容
• 4.2.3 神经网络的学习方式
• 4.3 RBF神经网络
• 4.3.1 RBF神经网络结构
• 4.3.2 RBF神经网络原理
• 4.3.3 常用的RBF神经网络学习算法
• 4.4 改进的RBF神经网络梯度算法
• 4.5 本章小结
• 第5章 RBF神经网络的海杂波抑制及仿真
• 5.1 基于SVM的RBF神经网络结构优化
• 5.2 基于SVM的RBF神经网络结构优化算法
• 5.3 基于RBF神经网络的海杂波抑制
• 5.3.1 神经网络学习预测方程
• 5.3.2 海杂波预测和对消
• 5.4 仿真实验
• 5.4.1 数据来源与处理
• 5.4.2 仿真实验比较
• 5.4.3 实验结果分析
• 5.5 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢