基于支持向量回归和分位数的雷达海杂波形状参数估计方法

本发明涉及雷达信号处理，具体涉及基于支持向量回归和分位数的雷达海杂波形状参数估计方法。

背景技术：

1、对于海面上的雷达来说，海面对雷达的后向散射回波中不可避免地包含其他物体的散射信号，即海杂波。雷达主要是通过向空间发射特定信号，接受并处理目标回波信号实现，传输过程中产生的各种干扰会降低雷达的检测性能。为了提高雷达的检测性能和模型的拟合准确度，提出了一些非高斯模型，如：对数正态分布、韦布尔分布、k分布等，应用最广泛的分布是k分布。在这些双参数模型中主要包含形状参数和尺度参数，形状参数决定着雷达目标检测的性能，所以研究雷达海杂波形状参数的估计方法有重要意义。

2、为了研究雷达海杂波形状参数的估计方法，传统的海杂波形状参数估计方法有二四阶矩估计方法、一二三阶矩估计方法、对数矩估计方法、极大似然估计方法、三分位点参数估计方法等，但是这些方法计算复杂，极大似然估计方法和矩估计方法的参数估计精度会在存在异常样本时有所下降；三分位点参数估计方法是通过制作一个逆形状参数和样本分位点比值一一对应的表格，来实现对形状参数的估计，这种估计方法依赖于查表，计算代价也会随着表格规模的增大而逐渐变大。

3、在前期申请的“基于神经网络和样本分位数比值的k分布海杂波形状参数估计方法”的发明专利，申请号为202210475804.1。该专利的方法虽然通过神经网络模型的强拟合能力解决了雷达海杂波幅度分布的形状参数估计，但是仍然存在如下缺点：1、难以快速确定最优的模型拓扑结构，例如网络模型的层数和每层的神经元个数；2、该模型优化训练过程麻烦，训练时间长，而且在训练过程中很容易陷入到局部极小值，导致无法收敛到全局最优点；3、神经网络模型的黑盒性导致通过训练得到的模型权重参数的物理意义不明确。为了解决该些问题，本发明提出了基于支持向量回归和分位数的雷达海杂波形状参数估计方法。

技术实现思路

1、本发明克服了现有技术的不足，提供了基于支持向量回归和分位数的雷达海杂波形状参数估计方法，该方法构建的是支持向量回归模型，该模型具有结构明确，容易训练优化，模型参数具有明确的物理含义的特点。

2、本发明所解决的技术问题可以采用以下技术方案来实现：

3、基于支持向量回归和分位数的雷达海杂波形状参数估计方法，包括以下方法

4、s1：建立多个支持向量回归模型；

5、s2：设定若干个雷达海杂波形状参数已知v值及设定不同样本分位处α和β的仿真值，计算选定的第α和第β样本分位处雷达海杂波模型的累积概率分布函数对应的幅度值rα和rβ比值的对数得到若干个对数公式如下：

6、

7、s3：以若干个对数作为输入，每个对数对应的海杂波形状参数已知v值作为输出对多个支持向量回归模型进行分别训练，选取一个最优支持向量回归模型；

8、s4：获取真实的雷达海杂波数据，计算得到s2中选取的第α和第β样本分位处在真实雷达海杂波数据中的所对应的若干个真实雷达海杂波幅度值和比值的对数公式如下：

9、

10、s5：将s4中计算得到的若干个真实雷达海杂波幅度值比值的对数输入到s3中最优支持向量回归模型中，得到若干个估计的海杂波形状参数值

11、s6：将s5中得到的若干个估计的海杂波形状参数值应用于分析雷达海杂波的非高斯性；

12、当估计的形状参数值越大，说明雷达探测区域内海杂波的非高斯性越严重。

13、进一步地，所述的s1中建立多个支持向量回归模型还包括以下方法：

14、采用计算机语言系统，先设定固定参数类型和设定选取的核函数类型，再建立支持向量回归模型；

15、然后给不同类型的固定参数输入多组固定参数值，形成多个支持向量回归模型。

16、进一步地，所述的固定参数类型包括惩罚系数c、参数gamma和参数ε，所述核函数类型包括线性核函数linear、多项式核函数polynomial、径向基函数rbf、sigmoid核函数。

17、进一步地，所述的参数ε的默认值为0.1，建立支持向量回归模型时输入的多组惩罚系数c、参数gamma和参数ε值均分别大于零，所述设定选取的核函数类型为径向基函数rbf。

18、进一步地，所述的雷达海杂波模型包括对数正态分布模型、韦布尔分布模型、k分布模型、广义pareto分布模型，所述s2中雷达海杂波模型为k分布模型，所述k分布模型中的累积概率分布函数为

19、

20、其中，r表示海杂波幅度，v表示k分布的形状参数，μ表示k分布的尺度参数，γ(·)表示伽玛函数，k(·)表示第二类修正的贝塞尔函数。

21、进一步地，所述的s2中若干个雷达海杂波形状参数已知v值为大于零的实数，不同样本分位处的α和β的仿真值取值范围为0<α,β<100。

22、进一步地，所述的s3中选取一个最优支持向量回归模型还包括以下方法：

23、当多个支持向量回归模型全部分别训练结束后，再次将若干个对数输入训练后的多个支持向量回归模型内，让多个支持向量回归模型自动输出每个对数所对应的海杂波形状参数预测值；

24、计算每个支持向量回归模型所输出的海杂波形状参数预测值与s2中海杂波形状参数已知v值之间的相对均方根误差，此时相对均方根误差最小的值所对应的支持向量回归模型为最优模型。

25、进一步地，当相对均方根误差的值小于2×10-3的时候，说明误差小，此时的相对均方根误差最小的值所对应的支持向量回归模型为最优模型。

26、进一步地，所述的采用计算机语言系统为python语言系统。

27、进一步地，所述的样本分位处α和β的仿真值中样本分位处β的仿真值为设定的数值，所述样本分位处α的仿真值为：

28、α＝-0.22(β/100)2+0.42(β/100)-0.03。

29、本发明的有益效果是：

30、与现有技术相比，本发明通过建立的支持向量回归模型，然后给回归模型输入两个样本分位数比值的对数进行训练，得到雷达海杂波形状参数的估计值，降低了雷达海杂波形状参数估计误差，实验得知支持向量回归模型训练和预测的时间短，从而使整个过程周期短，且容易确定最优模型，本发明的模型参数的物理意义明确，具有可以快速优化训练和预测的优势。

技术特征：

1.基于支持向量回归和分位数的雷达海杂波形状参数估计方法，其特征是：包括以下方法

2.根据权利要求1所述的基于支持向量回归和分位数的雷达海杂波形状参数估计方法，其特征是：所述的s1中建立多个支持向量回归模型还包括以下方法：

3.根据权利要求2所述的基于支持向量回归和分位数的雷达海杂波形状参数估计方法，其特征是：所述的固定参数类型包括惩罚系数c、参数gamma和参数ε，所述核函数类型包括线性核函数linear、多项式核函数polynomial、径向基函数rbf、sigmoid核函数。

4.根据权利要求3所述的基于支持向量回归和分位数的雷达海杂波形状参数估计方法，其特征是：所述的参数ε的默认值为0.1，建立支持向量回归模型时输入的多组惩罚系数c、参数gamma和参数ε值均分别大于零，所述设定选取的核函数类型为径向基函数rbf。

5.根据权利要求1所述的基于支持向量回归和分位数的雷达海杂波形状参数估计方法，其特征是：所述的雷达海杂波模型包括对数正态分布模型、韦布尔分布模型、k分布模型、广义pareto分布模型，所述s2中雷达海杂波模型为k分布模型，所述k分布模型中的累积概率分布函数为

6.根据权利要求1所述的基于支持向量回归和分位数的雷达海杂波形状参数估计方法，其特征是：所述的s2中若干个雷达海杂波形状参数已知v值为大于零的实数，不同样本分位处的α和β的仿真值取值范围为0<α,β<100。

7.根据权利要求1所述的基于支持向量回归和分位数的雷达海杂波形状参数估计方法，其特征是：所述的s3中选取一个最优支持向量回归模型还包括以下方法：

8.根据权利要求7所述的基于支持向量回归和分位数的雷达海杂波形状参数估计方法，其特征是：当相对均方根误差的值小于2×10-3的时候，说明误差小，此时的相对均方根误差最小的值所对应的支持向量回归模型为最优模型。

9.根据权利要求2所述的基于支持向量回归和分位数的雷达海杂波形状参数估计方法，其特征是：所述的采用计算机语言系统为python语言系统。

10.根据权利要求1所述的基于支持向量回归和分位数的雷达海杂波形状参数估计方法，其特征是：所述的样本分位处α和β的仿真值中样本分位处β的仿真值为设定的数值，所述样本分位处α的仿真值为：

技术总结
本发明涉及雷达信号处理技术领域，具体涉及基于支持向量回归和分位数的雷达海杂波形状参数估计方法，通过建立的支持向量回归模型，然后给回归模型输入两个样本分位数比值的对数进行训练，得到雷达海杂波形状参数的估计值，降低了雷达海杂波形状参数估计误差，实验得知支持向量回归模型训练和预测的时间短，从而使整个过程周期短，且容易确定最优模型，本发明的模型参数的物理意义明确，具有可以快速优化训练和预测的优势。

技术研发人员：薛健,孙孟玲
受保护的技术使用者：西安邮电大学
技术研发日：
技术公布日：2024/1/16