基于RBF神经网络的海杂波抑制算法研究

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。

目录

文摘

英文文摘

声明

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