海杂波混沌分形特性分析、建模及小目标检测

摘要

海杂波(海表面回波)，即来自雷达发射脉冲照射局部海面的后向散射回波。为了深入揭示海杂波的内在物理特性和规律，在实测IPIX雷达海杂波数据基础上对海杂波进行混沌分形特性分析、建模，同时为了解决传统舰载和岸基雷达难以检测出海杂波背景下小目标的现状，在本文研究出的海杂波的内在物理特性和统计规律基础上对海杂波背景下小目标进行检测。论文主要研究工作如下：
　　 1.在实测海杂波数据基础上，运用关联维、Lyapunov指数、Kolmogorov熵三个指标判断出海杂波的时间序列的混沌特性。针对海杂波的电磁散射是一种时空现象，提出研究海杂波的时空混沌特性更能揭示海杂波的本质，基于实测数据对海杂波的时空混沌进行定性分析，运用关联长度和借助耦合映像格子(CML，Coupled Map Lattice)模型计算最大Lyapunov指数判断出海杂波具有时空混沌特性。
　　 2.对海杂波分形特性进行较深入地研究。基于小波分析对海杂波的Hurst指数进行了计算，得出距离单元含有小目标和只含有海杂波的Hurst指数具有明差异的结论。考虑到海杂波的多奇异性和非线性非平稳的特点，提出基于小波模极大值(WTMM，Wavelet Transform Modulus Maxima)和多分形消趋势波动分析(MFDFA，Multifractal Detrended Fluctuation Analysis)两种方法对海杂波进行多重分形特性进行分析，分别计算了多重分形指标：尺度指数τ(q)，广义Hurst指数h(q)，奇异谱f(α)三个指标，得出单一距离单元的海杂波时间序列具有多重分形特性。为了进一步分析一组数据多个距离单元的海杂波分形特性，提出一种时间-距离单元-幅度图法对其进行分析，得出一组数据的多个距离单元的海杂波数据也具有分形特性，尤其是数据中含有小目标更佳表现多重分形特性，这进一步说明海杂波和小目标的分形特性不同。
　　 3.针对海杂波是一种时空现象和海杂波非线性非平稳的特点，提出一种基于最小二乘支持向量机-耦合映像格子(LSSVM-CML，Least SquaresSupport Vector Machines-Coupled Map Lattice)的海杂波时空预测方法，实验表明该方法的预测效果优于基于加权一阶局域法、归一化RBF神经网络、Volterra预测器、LSSVM算法的海杂波时间序列非线性预测效果。
　　 4.为了解决传统雷达恒虚警率(CFAR,Constant False Alarm Rate)方法不能有效地检测出海杂波背景下小目标的现状，在海杂波的时空混沌特性、多重分形特性、时频分析和统计规律基础上提出4种新的小目标检测方法：LSSVM-CML方法、广义分形维偏差法、时间-Doppler法、局部幅值统计法，实验结果表明这4种方法是有效的，可在对小目标及海洋环境没有先验知识条件下较准确地检测出小目标。
　　 5.针对实测数据存在的雷达测量噪声和来自于粗糙海面的动态噪声，这些噪声会影响海杂波内在特性分析，因此论文采用均值、中值、小波阈值法、经验模式分解(EMD，Empirical Mode Decomposition)算法分别对海杂波信号进行去噪，重点研究了基于小波阈值法和EMD算法的海杂波信号进行去噪。实验结果表明db2小波双曲线阈值函数HeurSure阈值模式和EMD算法去噪效果较好，由于EMD算法去噪是全数据驱动的，因此去噪效果最优。

目录

文摘

英文文摘

声明

第1章绪论

1.1课题研究的目的和意义

1.2课题国内外研究现状

1.2.1海杂波的混沌动态特性研究现状

1.2.2海杂波的分形特性研究现状

1.2.3海杂波背景下小目标检测研究现状

1.3论文的主要研究内容

第2章海杂波的混沌特性分析与建模

2.1实验数据说明

2.2海杂波时间序列的混沌特性分析与建模

2.2.1相空间重构

2.2.2关联维

2.2.3 Lyapunov指数

2.2.4 Kolmogorov熵

2.3海杂波时空混沌特性分析与建模

2.3.1海杂波时空混沌描述

2.3.2关联长度

2.3.2耦合映像格子

2.4本章小结

第3章海杂波的分形特性分析与建模

3.1几种常用分形维的计算方法

3.1.1相似维数

3.1.2容量维数

3.1.3合维数

3.1.4信息维数

3.1.5广义维数

3.2海杂波分数布朗运动模型

3.2.1分数布朗运动

3.3.2 Hurst指数计算

3.3海杂波多重分形特性分析

3.3.1基于WTMM的海杂波多重分形分析

3.3.2基于MFDFA的海杂波多重分形分析

3.4基于时空域的海杂波分形特性的分析

3.5本章小结

第4章海杂波的短时非线性预测

4.1预测效果评价指标

4.2海杂波时间序列的短时预测

4.2.1基于加权一阶局域法的海杂波时间序列预测

4.2.2基于归一化RBF神经网络的海杂波时间序列预测

4.2.3基于Volterra预测器的海杂波时间序列预测

4.2.4基于LSSVM的海杂波时间序列预测

4.3基于LSSVM-CML的海杂波时空预测

4.3.1 LSSVM-CML算法

4.3.2预测结果

4.4各种方法预测效果的分析与讨论

4.5本章小结

第5章海杂波背景下小目标检测

5.1基于LSSVM-CML算法的小目标检测

5.1.1 RBF算法检测小目标

5.1.2 LSSVM-CML算法检测小目标

5.1.3检测实验结果分析

5.2基于广义分形维偏差的小目标检测

5.2.1广义分形维偏差法检测小目标

5.2.2检测实验结果分析

5.3基于时间-Doppler分析法的小目标检测

5.3.1时间-Doppler分析法

5.3.2时间-Doppler分析法检测小目标

5.3.3检测实验结果分析

5.4基于局部幅值统计法的小目标检测

5.4.1最大幅值法

5.4.2幅值标准偏差法

5.4.3检测实验结果分析

5.5本章小结

第6章海杂波的噪声去除

6.1海杂波的噪声来源和常用去噪算法分析

6.1.1噪声来源

6.1.2常用去噪算法分析

6.1.3去噪效果的衡量标准

6.2海杂波信号的小波去噪

6.2.1小波阈值去噪及改进

6.2.2基于小波算法的海杂波信号去噪

6.3海杂波信号的EMD算法去噪

6.3.1 EMD算法

6.3.2噪声判断准则

6.3.3基于EMD算法的海杂波噪声滤除

6.4各种方法去噪效果分析

6.5本章小结

结论

参考文献

攻读博士学位期间发表的论文和取得的科研成果

致谢

附录 专有名词解释和英文缩写