一种海杂波背景下的微弱目标信号检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109669169A(43)申请公布日2019.04.23(21)申请号201811478952.9(22)申请日2018.12.05(71)申请人南京信息工程大学地址211500江苏省南京市六合区王桥路59号雨庭广场(72)发明人行鸿彦刘刚(74)专利代理机构南京苏高专利商标事务所(普通合伙)32204代理人柏尚春(51)Int.Cl.G01S7/41(2006.01)权利要求书4页说明书5页附图4页(54)发明名称一种海杂波背景下的微弱目标信号检测方法(57)摘要本发明公开了一种海杂波背景下的微弱目标信号检测方法，该方法通过对含有微弱目标的海杂波信号进行互补集成经验模态分解(CEEMD)，并对其分解结果分别建立人工蜂群算法优化后的基于核极限学习机(KELM)预测子模型，将各模型的预测结果重构求和，得到最终预测结果，从而计算预测误差并进行频谱分析和门限比较，最后判断在海杂波背景下是否存微弱的目标信号，具有高检测精度、高泛化能力和低检测时间的特点。CN109669169ACN109669169A权利要求书1/4页1.一种海杂波背景下的微弱目标信号检测方法，其特征在于，包括步骤：(1)对待检测海杂波信号x(n)进行CEEMD分解，得到m个IMF分量{c1(n),c2(n),...,cm(n)}和一个残差分量{r(n)}，其中，n表示采样点的时间序号，n＝1,2,...,N；(2)分别获得各IMF分量和残差分量的嵌入维数p及时间延迟τ，重构相空间，构建各分量最佳输入输出训练样本，并建立m+1个核极限学习机预测子模型；(3)利用人工蜂群算法对构建的各个核极限学习机预测子模型中的正则化系数与核参数分别进行优化，使正则化系数与核参数达到全局最优；(4)将求得的各子模型的最优参数{{C1,best,σ1,best},{C2,best,σ2,best},…,{Cm,best,σm,best},{Cm+1,best,σm+1,best}}分别代入各核极限学习机预测子模型中进行预测，并将各子模型的预测结果重构求和，得到最终预测结果，其中，Cm,best和σm,best分别为第m个预测子模型的最优正则化系数与核参数；(5)计算预测误差，并对预测误差进行门限比较和频谱分析，判断是否存在微弱目标信号。2.根据权利要求1所述的一种海杂波背景下的微弱目标信号检测方法，其特征在于：步骤(1)中，所述的互补集成经验模态分解包括步骤：(1.1)向待检测的海杂波信号x(n)中依次加入正负成对的k组白噪声序列hi(n)，得到k组加噪后的信号对{x2i-1(n),x2i(n)}如下公式(1)所示，(1.2)采用EMD分解法对加噪信号对{x2i-1(n),x2i(n)}进行分解，得到x2i-1(n)的分解结果为{c2i-1,1(n),c2i-1,2(n),...,c2i-1,m(n),r2i-1(n)}，x2i(n)的分解结果为{c2i,1(n),c2i,2(n),...,c2i,m(n),r2i(n)}；对这k组加噪信号分解结果求和取平均作为最终分解结果{c1(n),c2(n),...,cm(n),r(n)}如下公式(2)所示，其中，cj(n)为第j阶IMF分量，r(n)为残差分量，m为IMF分量总数，n为采样点的时间序号，n＝1,2,...N，j＝1,2,......,m；3.根据权利要求1所述的一种海杂波背景下的微弱目标信号检测方法，其特征在于：所述步骤(2)包括：(2.1)将残差分量r(n)用cm+1(n)进行代替，则{c1(n),c2(n),...,cm(n),r(n)}可写成{c1(n),c2(n),...,cm(n),cm+1(n)}，分别对各阶IMF分量和残差分量{c1(n),c2(n),...,cm(n),cm+1(n)}进行相空间重构，并建立对应的核极限学习预测子模型n＝1,2,...N；根据Takens定理对cj(n)进行相空间重构，选择归一化的时间延迟τ＝1，嵌入维D是利用Cao法确定的嵌入维p的2倍，即D≥2m，得到相空间xj(n)，如下公式(3)：Txj(n)＝{cj(n),cj(n-1),...,cj(n-D+1)}，n＝D,...,N-1(3)其中，T表示矩阵转置，yj(n)＝cj(n)，n＝D+1,...N，并构成最佳输入输出训练样本{xj2CN109669169A权利要求书2/4页(n),yj(n+1)}，n＝D,...,N-1，j＝1,2,......,m+1；(2.2)利用核极限学习机构建预测子模型的方法如下：最佳输入输出训练样本{xj(n),yj(n+1)}，n＝D,...,N-1，并按照公式(4)求解核极限学习机的隐含层和输出层的权值矩阵β：其中，