利用对照表估计多分辨率海杂波模型类型和参数的方法

摘要

本发明公开一种利用对照表估计多分辨率海杂波模型类型和参数的方法，其实现步骤是：估计从雷达接收机获得的高分辨率海杂波幅度序列的模型类型和参数；构建海杂波幅度分布模型的“初始形状参数‑分辨率转换倍数‑模型类型和形状参数”对照表；计算分辨率转换倍数，利用对照表查找目标分辨率的海杂波幅度序列的模型类型和形状参数。本发明解决了现有技术中参数估计精度和模型类型估计准确率易受海杂波数据中的异常值影响，以及模型类型估计速度慢的问题，本发明提高了异常值下估计参数的精确性和实时性。

说明书

技术领域

本发明属于信息处理技术领域，更进一步涉及雷达信号处理技术领域中的一种利用对照表估计多分辨率海杂波模型类型和参数的方法，本发明可用于对海面目标的多分辨率海杂波的模型类型和参数进行估计。

背景技术

为了检测海上目标，必须深入研究海杂波，对海杂波特性进行精确的分析描述。海杂波幅度分布是海杂波的一个重要统计特性，近年来，有关各种既定海杂波幅度模型下的研究已颇具规模，每种海杂波模型均有对应的目标检测算法，为使这些算法达到有效实现的效果，首先要估计海杂波的模型类型，这是目标检测前不可或缺的预处理步骤。在海杂波幅度分布模型中，形状参数和尺度参数是反映海杂波特性的重要指标参数，尺度参数表征海杂波的功率，形状参数可表征海杂波的非高斯特性，也是后续海面目标检测所需的重要特性参数。

海面目标的多分辨分层检测技术，是将海面目标根据一定的尺寸标准进行划分，对于不同尺寸大小的海面目标(航母、舰船、浮标、潜望镜等)用一组多分辨(诸如3m、9m、15m等)的波束序列进行遍历扫描，实现较大分辨单元检测海面大目标、较小分辨单元检测海面小目标的动态分层检测，避免了小目标丢失、大目标不完整等问题。在进行海面目标的多分辨分层检测前，多分辨率海杂波数据幅度分布的模型类型和参数。

Xu S W,Wang L,Shui P L等人在其发表的论文“Iterative maximum likelihoodand zlogz estimation of parameters of compound-Gaussian clutter with inverseGamma texture”(2018IEEE ICSPCC,Qingdao,China,2018:1-6)中公开了一种利用迭代最大似然估计海杂波幅度模型参数的方法。该方法首先通过矩估计方法求得参数的迭代初始值，再利用对数似然函数的参数偏导方程组通过迭代的方式得到参数估计值。该方法不仅可以保证与最大似然估计法近似的估计精度，且大大降低最大似然估计法的计算量。但是，该方法仍然存在的不足之处是，参数估计值的精度易受海杂波数据中的异常值影响。

石小帆在其发表的学位论文“海杂波关键特性参数的预测方法研究”(西安电子科技大学，硕士论文，2020)中提出了一种估计利用K-S距离估计海杂波模型类型的方法。该方法利用参数估计值拟合得到累积分布函数，进而计算各模型的K-S距离，确定K-S距离最小的海杂波幅度模型为海杂波数据的最优模型类型。该方法存在的不足之处是，模型类型估计准确率易受海杂波数据中的异常值影响，且估计多分辨海杂波数据的模型类型时，需要分别对不同分辨率的海杂波数据进行计算以估计模型类型，计算量大，估计速度慢，难以满足工程应用中数据实时处理的需要。

发明内容

本发明的目的是针对上述现有技术的不足，提出一种利用对照表预测多分辨率海杂波模型类型和参数的方法，用于解决参数估计值的精度易受海杂波数据中的异常值影响，以及多分辨率海杂波模型类型估计准确率易受海杂波数据中的异常值影响，且计算量大、估计速度慢，难以满足工程应用中数据实时处理的需要的问题。

实现本发明目的的思路是：本发明构建广义Pareto分布强度模型和IGCG幅度分布模型的“初始形状参数-分辨率转换倍数-模型类型和形状参数”对照表，获得无明显异常值的高分辨率海杂波数据，按照分辨率转换方法，得到多分辨率海杂波数据集，数据集中的每一组海杂波数据取模，并将模值按升序排列，得到分辨率转换后的低分辨率的海杂波幅度序列进而估计其参数，可以减少低分辨率海杂波数据中的异常值对参数估计性能的影响，以此减小参数估计的误差，解决参数估计值的精度易受海杂波数据中的异常值影响的问题。由于尺度参数易从海杂波平均功率中获得，本发明估计参数的重点在形状参数。根据高分辨率海杂波数据的模型类型和初始形状参数，以及分辨率转换倍数，通过查表获得目标分辨率的海杂波数据的模型类型和形状参数，克服现有技术估计模型类型时估计准确率易受海杂波数据中的异常值影响，且计算量大、估计速度慢的问题，实现实时估计多分辨海杂波数据的模型类型和参数，满足工程应用中数据实时处理的需求。

为实现上述发明目的，本发明的技术方案包括如下：

步骤1，获得海杂波幅度序列：

雷达接收机接收雷达发射机连续发射脉冲信号的高分辨率海面回波数据，在高分辨率回波数据中随机选取至少10000个海杂波数据，对所选取的杂波数据取模后将模值按升序排列，得到海杂波幅度序列r；

步骤2，估计海杂波幅度序列的模型类型和参数：

步骤2.1，构造广义Pareto分布强度模型的幅度概率密度函数；

步骤2.2，构造IGCG幅度分布模型的幅度概率密度函数；

步骤2.3，对广义Pareto分布强度模型的幅度概率密度函数中的海杂波幅度序列r进行积分，生成标准累积分布函数；

步骤2.4，对IGCG幅度分布模型的幅度概率密度函数中的海杂波幅度序列r进行积分，生成标准累积分布函数；

步骤2.5，生成海杂波幅度序列的经验累积分布函数；

步骤2.6，计算广义Pareto分布强度模型和IGCG幅度分布模型的K-S距离；

步骤2.7，计算广义Pareto分布强度模型和IGCG幅度分布模型的对数K-S距离；

步骤2.8，将广义Pareto分布强度模型和IGCG幅度分布模型中的最小K-S距离或最小对数K-S距离对应的海杂波幅度模型估计为海杂波幅度序列的模型类型；如果海杂波幅度序列的模型类型为广义Pareto分布强度模型，则海杂波幅度序列的形状参数为

步骤3，构建广义Pareto分布强度模型的“初始形状参数-分辨率转换倍数-模型类型和形状参数”对照表：

步骤3.1，在(1.0,10.0]区间内每间隔0.5取长度为0.5的一个值，将1.05作为序列的初始值，组成一组形状参数序列，共19各元素；

步骤3.2，从形状参数序列中依次选取一个元素作为初始形状参数，设初始尺度参数为1，初始雷达分辨率为R

步骤3.3，两组海杂波数据复数叠加便可得到2倍分辨率2R

步骤3.4，将19个数据集中的每一组海杂波数据取模，并将模值按升序排列，得到分辨率转换后的海杂波幅度序列r

步骤3.5，采用与步骤2相同的方法，估计分辨率转换后的海杂波幅度序列r

步骤3.6，将19个初始形状参数以及其对应的分辨率转换后的海杂波幅度序列的模型类型和形状参数的估计结果，组成广义Pareto分布强度模型的“初始形状参数-分辨率转换倍数-模型类型和形状参数”对照表；

步骤4，构建IGCG幅度分布模型的“初始形状参数-分辨率转换倍数-模型类型和形状参数”对照表：

步骤4.1，在[1.0,10.0]区间内每间隔0.5取长度为0.5的一个值，组成一组形状参数序列，共19各元素；

步骤4.2，从形状参数序列中依次选取一个元素作为初始形状参数，设初始尺度参数为1，初始雷达分辨率为R

步骤4.3，两组海杂波数据复数叠加便可得到2倍分辨率时的海杂波数据为c

步骤4.4，将19个数据集中的每一组海杂波数据取模，并将模值按升序排列，得到分辨率转换后的海杂波幅度序列r

步骤4.5，采用与步骤2相同的方法，估计分辨率转换后的海杂波幅度序列r

步骤4.6，将19个初始形状参数以及其对应的分辨率转换后的海杂波幅度序列的模型类型和形状参数的估计结果，组成IGCG幅度分布模型的“初始形状参数-分辨率转换倍数-模型类型和形状参数”对照表；

本发明与现有技术相比具有以下优点：

第一，由于本发明按照分辨率转换方法，得到多分辨率海杂波数据集，克服了现有技术存在的参数估计值的精度易受海杂波数据中的异常值影响的缺点，使得本发明对估计含异常值的海杂波数据的参数估计误差更小，提高了估计参数的精确性。

第二，由于本发明构建“初始形状参数-分辨率转换倍数-模型类型和形状参数”对照表，通过查表获得目标分辨率的海杂波数据的模型类型和参数，克服了现有技术估计模型类型时准确率易受海杂波数据中的异常值影响，且计算量大、估计速度慢的缺陷，使得本发明可以实时估计多分辨海杂波数据的模型类型和参数，满足工程应用中数据实时处理的需求。

附图说明

图1为本发明的实现流程图；

图2为本发明的仿真图。

具体实施方式

下面结合附图和实施例，对本发明作进一步的描述。

参照附图1和实施例，对本发明的实现步骤做进一步的描述。

步骤1，获得海杂波幅度序列。

雷达接收机接收雷达发射机连续发射脉冲信号的高分辨率海面回波数据，在高分辨率回波数据中随机选取10000个海杂波数据，对所选取的杂波数据取模并按升序排列，得到海杂波幅度序列r。

步骤2，估计海杂波幅度序列的模型类型和参数。

步骤2.1，构造广义Pareto分布强度模型的幅度概率密度函数如下：

其中，

步骤2.2，构造IGCG幅度分布模型的幅度概率密度函数如下：

其中，

步骤2.3，对广义Pareto分布强度模型的幅度概率密度函数

其中，

步骤2.4，对IGCG幅度分布模型的幅度概率密度函数

其中，

步骤2.5，海杂波幅度序列的单个元素的频数为1，频数除以海杂波幅度序列的长度得到元素的频率，按海杂波幅度序列顺序逐个累加元素的频率得到海杂波幅度序列的经验累积分布函数。

步骤2.6，按照下式，计算海杂波幅度序列的经验累积分布函数与标准累积分布函数的K-S距离：

其中，

步骤2.7，按照下式，计算海杂波幅度序列的经验累积分布函数与标准累积分布函数的对数K-S距离：

其中，

步骤2.8，将广义Pareto分布强度模型和IGCG幅度分布模型中的最小K-S距离或最小对数K-S距离对应的海杂波幅度模型估计为海杂波幅度序列的模型类型；如果海杂波幅度序列的模型类型为广义Pareto分布强度模型，则海杂波幅度序列的形状参数为

步骤3，构建广义Pareto分布强度模型的“初始形状参数-分辨率转换倍数-模型类型和形状参数”对照表。

步骤3.1，在(1.0,10.0]区间内每间隔0.5取长度为0.5的一个值，将1.05作为序列的初始值，组成一组形状参数序列，共19各元素；

步骤3.2，从形状参数序列中依次选取一个元素作为初始形状参数，设初始尺度参数为1，初始雷达分辨率为R

步骤3.3，两组海杂波数据复数叠加便可得到2倍分辨率2R

步骤3.4，将19个数据集中的每一组海杂波数据取模，并将模值按升序排列，得到分辨率转换后的海杂波幅度序列r

步骤3.5，采用与步骤2相同的方法，估计分辨率转换后的海杂波幅度序列r

步骤3.6，将19个初始形状参数以及其对应的分辨率转换后的海杂波幅度序列的模型类型和形状参数的估计结果，组成广义Pareto分布强度模型的“初始形状参数-分辨率转换倍数-模型类型和形状参数”对照表；

步骤4，构建IGCG幅度分布模型的“初始形状参数-分辨率转换倍数-模型类型和形状参数”对照表。

步骤4.1，在[1.0,10.0]区间内每间隔0.5取长度为0.5的一个值，组成一组形状参数序列，共19各元素；

步骤4.2，从形状参数序列中依次选取一个元素作为初始形状参数，设初始尺度参数为1，初始雷达分辨率为R

步骤4.3，两组海杂波数据复数叠加便可得到2倍分辨率时的海杂波数据为c

步骤4.4，将19个数据集中的每一组海杂波数据取模，并将模值按升序排列，得到分辨率转换后的海杂波幅度序列r

步骤4.5，采用与步骤2相同的方法，估计分辨率转换后的海杂波幅度序列r

步骤4.6，将19个初始形状参数以及其对应的分辨率转换后的海杂波幅度序列的模型类型和形状参数的估计结果，组成IGCG幅度分布模型的“初始形状参数-分辨率转换倍数-模型类型和形状参数”对照表；

步骤5，计算分辨率转换倍数。

计算分辨率转换倍数x＝[R/R

步骤6，利用对照表查找目标分辨率的海杂波幅度序列的模型类型和形状参数。

步骤6.1，海杂波幅度序列的模型类型确定为广义Pareto分布强度模型时，初始形状参数ν

步骤6.2，海杂波幅度序列的模型类型确定为IGCG幅度分布模型时，初始形状参数ν

本发明的效果可通过以下仿真进一步说明：

1.仿真条件：

本发明的仿真实验的硬件平台为：处理器为Intel(R)Core(TM)i7-4790 CPU，主频为3.60GHz，内存16GB。

本发明的仿真实验的软件平台为：64位Windows7操作系统，MATLAB R2014b。

2.仿真内容及其结果分析：

本发明仿真实验采用本发明与两个现有技术(K-S距离模型类型估计法、迭代最大似然参数估计法)分别估计多分辨海杂波的模型类型和形状参数。依据复合高斯模型的理论，仿真生成50组服从广义Pareto分布强度模型的杂波数据，每组样本量为10000，杂波数据是由50个距离单元和10000个脉冲构成的矩阵。初始新尺度参数取值为1，初始形状参数为ν

在仿真实验中，采用的两个现有技术是指：

K-S距离模型类型估计法是指，石小帆在其发表的学位论文“海杂波关键特性参数的预测方法研究”(西安电子科技大学，硕士论文，2020)中提出了一种估计利用K-S距离估计海杂波模型类型的方法。

迭代最大似然参数估计法是指，Xu S W,Wang L,Shui P L等人在其发表的论文“Iterative maximum likelihood and zlogz estimation of parameters of compound-Gaussian clutter with inverse Gamma texture”(2018IEEE ICSPCC,Qingdao,China,2018:1-6)中公开了一种利用迭代最大似然估计海杂波幅度模型参数的方法。

图2(a)为模型类型估计准确率曲线，其中，横坐标表示初始形状参数值，纵坐标表示模型估计准确率。图2(a)中以虚线表示K-S距离模型类型估计法的模型类型估计准确率曲线，以实线表示本发明的模型类型估计准确率曲线。

图2(b)为形状参数估计的相对误差曲线，其中，横坐标表示分辨单元面积变化倍数，纵坐标表示相对误差。图2(b)中以虚线表示迭代最大似然参数估计法的相对误差曲线，以实线表示本发明的相对误差曲线。

由图2(a)可以看出，由50个距离单元和10000个脉冲构成的矩阵海杂波数据，在含有200个异常样本的情况下，依据初始形状参数用2种方法进行模型类型的估计，K-S距离模型类型估计法的模型类型估计准确率较低，而本发明对应的模型类型估计准确率更高。

由图2(b)可以看出，由50个距离单元和10000个脉冲构成的矩阵海杂波数据，在含有200个异常样本的情况下，初始形状参数为2.5时，用2种方法进行形状参数的估计，迭代最大似然参数估计法估计的形状参数误差较大，而本发明对应的形状参数估计误差较小，抗异常样本能力更强。