一种用于船用导航雷达的弱小目标检测方法

摘要

本发明公开了一种用于船用导航雷达的弱小目标检测方法，具体包括训练过程和检测过程，训练过程包括海杂波数据相空间重构和灰色神经网络训练，检测过程具体为海杂波目标检测。本发明的方法基于海杂波的回波内在特性和目标的内在特性不同，利用不含目标的海杂波数据训练灰色神经网络，在纯海杂波情况下总误差均方根值或对消误差趋近零；含有目标的总误差均方根值和对消误差就会很大，因而可以进行弱小目标检测的。本发明的方法相对传统的恒虚警目标检测法，可以在强海杂波背景下检测出弱小目标；相比RBF神经网络进行检测的方法，训练速度相对较快，需要的样本数据信息较少，在海杂波背景下有良好的检测弱小目标的性能。

主权项

1.一种用于船用导航雷达的弱小目标检测方法，其特征在于，包括训练过程和检测过程，具体的，所述训练过程包括如下步骤：利用海杂波训练数据进行海杂波相空间的重构，具体包括如下分步骤：S11：计算嵌入维数m；S12：计算延迟时间τ；S13：根据延迟时间τ和嵌入维数m，把海杂波训练数据从时间序列构造成奇异吸引子轨迹向量X_j=(x_j,x_j+τ,…,x_j+(m-1)τ),j=1,…，n，其中，x_j表示海杂波训练数据中第j个采样点的海杂波数据，n根据海杂波训练数据总的数目和嵌入维数m得到；利用重构得到的奇异吸引子轨迹向量对灰色神经网络进行训练，所述灰色神经网络具体包括如下参数，输入参数序号t；网络输入参数y₂(t),…,y_n(t)；网络权值w₁₁,w₂₁,w₂₂,…,w_2n,w₃₁,w₃₂,…,w_3n；网络预测值y₁；灰色神经网络的四层：第一层LA、第二层LB、第三层LC、第四层LD，具体包括如下分步骤：S21.根据灰色神经网络特征初始化网络结构；S22.根据网络结构调节权值w₁₁,w₂₁,w₂₂,…,w_2n,w₃₁,w₃₂,…,w_3n；S23.对每一个输入序列(t,S_t)，t=1,2,3,…,n,计算每层输出：LA层：a=w₁₁t；LB层：$b=f\left(w_{11}t\right)=\frac{1}{1+e^{-w_{11}t}};$LC层：c₁=bw₂₁，c₂=y₂(t)bw₂₂，c₃=y₃(t)bw₂₃,…,c_n=y_n(t)bw_2n，y₂(t)，…，y_n(t)与S_t,t=2,3,…,n一一对应；LD层：d=w₃₁c₁+w₃₂c₂+…+w_3nc_n-θ，θ表示第四层LD网络的预测阈值；S24.计算网络预测输出与期望输出的误差，并根据误差调整权值和阈值：LD层误差：δ=d-y₁；LC层误差：${\delta }_1=\delta *(1+e^{-w_{11}t}),{\delta }_2=\delta *(1+e^{-w_{11}t}),···,{\delta }_n=\delta *(1+e^{-w_{11}t});$LB层误差：${\delta }_{n+1}=\frac{1}{1+e^{-w_{11}t}}*(1-1+e^{-w_{11}t})*(w_{21}{\delta }_1+w_{22}{\delta }_2+···+w_{2n}{\delta }_n);$调整LB到LC的权值，w₂₁=-y₁(0),w₂₂=w₂₂-μ₁δ₂b,…,w_2n=w_2n-μ_n-1δ_nb，μ_i表示第二层与第三层的第i+1个节点之间权值调节系数；调整LA层到LB层的权值：w₁₁=w₁₁+atδ_n+1；调整阈值：$\theta =(1+e^{-w_{11}t})(\frac{w_{22}}{2}{y}_2\left(t\right)+\frac{w_{23}}{2}{y}_3\left(t\right)+···+\frac{w_{2n}}{2}{y}_n\left(t\right)-y_1\left(0\right));$S25.判断LD层误差δ是否大于预设的期望误差值，若大于，则返回S23，继续训练，否则训练结束；所述检测过程具体包括如下步骤：将待检测海杂波数据输入到已经训练好的灰色神经网络中，得到第四层的输出，即是预测值计算对消误差或总误差均方根；对消误差计算公式如下：其中，x_n表示待检测海杂波数据的实际值；总误差均方根计算公式如下：若对消误差或总误差均方根趋近零，则表示待检测海杂波数据不含弱小目标；否则，则表示待检测海杂波数据含有弱小目标。