海雜波背景下的小目標檢測不僅在民用方面有著很高的研究價值,可以提升商船出海的安全系數(shù),而且在軍事方面還可以提升海警船的海面監(jiān)察能力,增強祖國的國防力量。因此,去除尖峰虛警,提升海雜波背景中微弱目標信號檢測和提取能力是信號處理方面的研究熱點,得到了海內(nèi)外學者的高度關注。本文對海雜波背景下的微弱信號檢測模型進行了深入的研究,為提升系統(tǒng)模型整體的檢測能力和預測精度,提出了基于蜂群算法的支持向量機預測方法;為削弱噪聲在海雜波中的影響,提出了基于改進的總體平均經(jīng)驗模態(tài)分解（MEEMD）的海雜波去噪方法。具體研究的內(nèi)容如下:針對傳統(tǒng)檢測方法對混沌背景下微弱信號檢測能力不足的問題,本文利用混沌信號的時間延遲和嵌入維實現(xiàn)相空間重構,采用蜂群算法對支持向量機的懲罰系數(shù)和核函數(shù)參數(shù)進行優(yōu)化,提出了基于蜂群算法優(yōu)化支持向量機的微弱信號檢測方法。該方法通過支持向量機建立混沌序列的單步預測模型,從預測誤差中檢測淹沒在混沌背景中的微弱信號（包括瞬態(tài)信號和周期信號）。以Lorenz系統(tǒng)和雷達實測得到的海雜波數(shù)據(jù)作為混沌背景噪聲進行驗證研究,仿真實驗結果表明,所提方法能有效地抑制噪聲對混沌背景信號的影響并檢測出混沌背... 

【文章來源】：南京信息工程大學江蘇省

【文章頁數(shù)】：61 頁

【學位級別】：碩士

【部分圖文】：

圖２．１?Ｌｏｒｅｎｚ系統(tǒng)圖形??９??

這次實驗首先選取不存在海面小目標信號的海面雷達探測數(shù)據(jù)。取其前面１０００個??數(shù)據(jù)用于系統(tǒng)模型訓練，后面的１０００個數(shù)據(jù)則用于系統(tǒng)模型預測，同時用它們實行相??空間重構并建立基于ＡＢＣ－ＳＶＭ的時間序列的單步預測模型。實驗仿真結果如圖３．６（ａ）??所示。接著用含有目標的海面雷達探測數(shù)據(jù)開展研究，同樣取其前面１０００個數(shù)據(jù)用于??系統(tǒng)模型訓練，后面的１０００個數(shù)據(jù)則用于系統(tǒng)模型預測，ＡＢＣ算法優(yōu)化ＳＶＭ后的最??優(yōu)參數(shù)為?０６．４０８１，ｃｒ?＝０．０８８９５，得到的?ＭＳＥ?為?０．００００６６６４９７，與文獻［５１］的?ＭＳＥ?值??０．０１３７相比是減少了三個數(shù)量級。圖３．６?（ｂ）呈現(xiàn)的誤差幅值包含著鮮明的諧波特性，??對預測誤差進行頻譜分析獲得圖３．６?（ｃ）的誤差頻譜圖。從圖３．６?（ｃ）能夠看出，歸一??化頻率在０．０１６附近出現(xiàn)鮮明的峰值，這表明該預測模型可以檢測到混沌背景噪聲中包??含的微弱信號，并且對海面雷達探測數(shù)據(jù)中的海面小目標信號擁有著敏銳的警覺性。??２８??

?點，各用１０００點用來訓練和預測，并用它們實行相空間重構與單步預測，仿真實驗結??果如下面圖４．３所示。預測結果的均方根誤差（Ｍｅａｎ?Ｓｑｕａｒｅｄ?Ｅｒｒｏｒ，?ＲＭＳＥ）為０．０１２２，從??圖４．３（ａ）中可以看出第４００－５００點之間處真實值與預測值出現(xiàn)較大誤差，說明該處信號??異常。圖４．３（ｂ）中同樣在４００－５００處出現(xiàn)誤差尖峰值，說明該處存在被海平面噪聲掩蓋??的微弱目標信號。??０－３?：?Ｃ?１?ｉ?ｉ?：?Ｃ?Ｃ?＾?ｉ．?：??Ｍ＊?與實值??預測值Ｉ??－０．３?＾?－??－°－４［—１００?２＾）?３００?４００?５００?６＾０?７００?８００?９００?１〇Ｌ??樣本點ｎ??（ａ）海雜波的真實值和預測值??０．１２?；?■?：？?：?ｕ?ｃ?ｃ?ｃ?ｚ?ｃ?：??０．１?－?－??＾?０．０８?－?－??①??＾?０．０６?－?－??馨??＿?０．０４?－?－??０?１００?２００?３００?４００?５００?６００?７００?８００?９００?１０００??樣本點ｎ??（ｂ）單步預測誤差??圖４．３去噪前的檢測結果??（ｂ）?ＭＥＥＭＤ算法去噪分析??這里采用ＭＥＥＭＤ算法分解處理該實地測量的原始數(shù)據(jù)，并進行去噪研究。首先，??對原始海雜波數(shù)據(jù)采用ＣＥＥＭＤ算法展開分解，從而將信號分解成各個ＩＭＦ分量。仿真??結果如圖４．４所示，初始數(shù)據(jù)已被分解成１０個ＩＭＦ分量以及１個余量。??３７??

【參考文獻】：
期刊論文
[1]基于集成經(jīng)驗模態(tài)分解的海雜波去噪[J]. 行鴻彥,朱清清.  電子學報. 2016(01)
[2]混沌背景中微弱信號檢測的回聲狀態(tài)網(wǎng)絡方法[J]. 鄭紅利,行鴻彥,徐偉.  信號處理. 2015(03)
[3]基于多參數(shù)組合優(yōu)化的微弱信號檢測方法[J]. 行鴻彥,鄭紅利,徐偉.  探測與控制學報. 2015(01)
[4]混沌海雜波背景下的微弱信號檢測混合算法[J]. 行鴻彥,張強,徐偉.  物理學報. 2015(04)
[5]基于交叉算子的改進人工蜂群算法[J]. 王偉,龍文.  蘭州理工大學學報. 2015(01)
[6]人工蜂群算法研究綜述[J]. 秦全德,程適,李麗,史玉回.  智能系統(tǒng)學報. 2014(02)
[7]微弱信號檢測方法的現(xiàn)狀分析[J]. 夏均忠,劉遠宏,冷永剛,葛紀桃.  噪聲與振動控制. 2011(03)
[8]自適應迭代最小二乘支持向量機回歸算法[J]. 楊濱,楊曉偉,黃嵐,梁艷春,周春光,吳春國.  電子學報. 2010(07)
[9]基于對偶約束最小二乘支持向量機的混沌海雜波背景中的微弱信號檢測[J]. 行鴻彥,金天力.  物理學報. 2010(01)
[10]微弱信號檢測技術[J]. 章克來,朱海明.  航空電子技術. 2009(02)



本文編號：3600998