基于遗传小波神经网络的海杂波抑制算法研究及应用

论文摘要

海杂波是指雷达发射信号照射海洋表面反向散射的回波,海杂波的存在严重干扰了雷达对海洋表面目标检测和定位跟踪的性能,使得在低虚警概率和强海杂波背景条件下雷达识别目标的能力降低,甚至无法识别。因此如果能够在一定程度上降低或消除海杂波的干扰,将能够提高海防预警雷达的目标检测和定位跟踪性能。随着现代技术的发展,如何利用现代技术抑制海杂波,是当前海面目标检测及跟踪领域研究的重点和难点,是科研工作者一直关注的问题。本文给出基于梯度下降的小波神经网络（Wavelet Neural Network, WNN）算法,并对该算法进行两点改进,利用实测海杂波数据,结合相空间重构理论,采用自相关函数法、互信息法、G-P（Grassberger-Procaccia）方法及Cao方法确定时间延迟和嵌入维数,将得到的结果做为网络输入节点个数确定的依据。本文将遗传算法（Genetic Algorithm,GA）引入到改进的网络中,利用GA优化WNN的初始权值、阈值等,确定一个较好的搜索空间,快速寻找最优解或近似最优解。利用本文给出的基于GA-WNN方法学习海杂波内在动力学特性,获得带有海杂波内在动力学特性的预测方程。用IPIX（Intelligent Pixel-Processing）雷达实测数据进行仿真实验。通过对实验结果进行分析比较,验证了本文提出的两种算法能够较好地检测出海杂波背景下的弱小目标信号,实现海杂波对消和抑制的目的,具有较好的海杂波抑制效果。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究的背景及意义
• 1.2 国内外研究现状
• 1.3 本文主要研究内容及结构安排
• 第2章 海杂波的特性分析及抑制技术分析
• 2.1 海杂波的统计特性
• 2.1.1 海杂波的幅度特性
• 2.1.2 海杂波的相关特性
• 2.2 海杂波的混沌特性分析
• 2.2.1 混沌的概念
• 2.2.2 Lyapunov指数
• 2.2.3 相关维数
• 2.2.4 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 海杂波的抑制方法
• 2.4 本章小结
• 第3章 相空间重构理论
• 3.1 相空间重构理论
• 3.1.1 确定时间延迟τ的方法
• 3.1.2 确定嵌入维数m的方法
• 3.2 相空间重构方法
• 3.3 本章小结
• 第4章 小波神经网络在海杂波抑制研究中的应用
• 4.1 小波分析的基本理论
• 4.1.1 小波变换
• 4.1.2 小波变换的时频局部化特性
• 4.1.3 小波函数
• 4.2 小波神经网络
• 4.2.1 小波神经网络算法推导
• 4.2.2 小波神经网络算法的改进
• 4.3 基于小波神经网络的海杂波抑制
• 4.4 仿真实验
• 4.4.1 数据来源与处理
• 4.4.2 确定参数及网络结构
• 4.4.3 实验结果分析
• 4.5 本章小结
• 第5章 遗传小波神经网络在海杂波抑制上的应用
• 5.1 遗传算法概述
• 5.1.1 遗传算法的基本操作
• 5.1.2 遗传算法的编码
• 5.1.3 遗传算法的适应度及其调整
• 5.2 遗传算法对神经网络的优化
• 5.2.1 神经网络连接权的优化
• 5.2.2 神经网络结构的进化
• 5.2.3 神经网络学习规则的优化
• 5.3 基于遗传算法的小波神经网络优化方法
• 5.4 仿真实验
• 5.5 结果分析
• 5.6 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