论文部分内容阅读
海杂波是经雷达发射信号照射后从海洋表面反向散射的回波,它的存在严重干扰了雷达对海面目标的检测和定位跟踪性能,使得雷达在强海杂波背景和低虚警概率条件下发现目标的能力大大受限,甚至无法识别目标.因此如果能够在一定程度上消除或减少海杂波的干扰,将有可能提高海防预警雷达的目标检测性能.目前,海杂波抑制技术,包括海杂波建模和强海杂波背景下的海面目标检测技术,是当前海面目标检测领域研究的重点和难点,对雷达系统设计、雷达信号处理和海面目标检测都有重要的现实意义.本文采用小波神经网络WNN(Wavelet Neural Network)方法学习海杂波的内在动力学特性,运用训练好的小波神经网络对海杂波进行预测和对消,取得了较好的杂波抑制效果.本论文的主要研究内容是：基于相空间重构理论,分别运用相关维数确定法中的G-P(Grassberger-Procaccia)算法和自相关函数法确定嵌入维数m和嵌入延迟τ,从而得到了海杂波在重构相空间中非线性系统状态转移方程的一个样本.通过建立WNN和误差反向传播网络,即BP(Back Propagation)网络两种预测模型,获得了带有海杂波内在动力学特性的预测方程.采用实测IPIX(Intelligent Pixel-Processing)雷达数据进行网络参数训练,将训练好的网络用来做单步预测.当理想值与网络实际输出值之间的误差达到指定精度要求时,该误差成为小幅度信号,使得幅度较强的海杂波转换成为幅度较弱的随机噪声信号,能较好地检测出海杂波背景下的弱小目标信号,实现了海杂波对消和抑制的目的.为比较各网络模型对海杂波的对消性能,定义了平均补偿率,计算了各网络模型在三种范数下的平均补偿率.仿真实验结果表明,WNN的平均补偿率大于BP网络,即WNN的抑制性能优于BP网络.