本发明属于电磁散射信号分析，尤其涉及一种海杂波幅度分布类型及参数的联合预测方法。
背景技术：
1、海用雷达探测目标时不可避免地会受到海面散射回波即海杂波的影响。海洋环境和气象动态变化的深刻影响，展现出了非高斯分布及非平稳性的复杂特征，这些特性构成了雷达系统精准探测目标的重大障碍。因此，深入理解和掌握海杂波的特性，成为了提升雷达在富含海杂波背景下目标检测效能的必要前提。其中，海杂波幅度分布的分析与建模被公认为是核心特性之一，直接关联到能否有效区分目标信号与背景杂波，进而影响到雷达系统的整体效能。
2、影响基于海杂波幅度分布的海面目标检测准确率的两个关键因素是幅度分布类型及参数估计算法。早期，由于雷达分辨率相对较低，一个接收单元内包含众多散射体，海杂波幅度被假设遵循一个参数的瑞利分布。瑞利分布适用于描述当散射体数量非常大且各散射体贡献相互独立时的场景。随着雷达分辨率的提升，又提出了多参数的对数正态分布、k分布、pareto分布、kk分布等。在参数估计方法中，常用的最大似然估计提供一致且有效的参数估计，但求解过程可能较为复杂，尤其是在处理复杂的分布模型时。矩估计计算简单，但易受异常值影响。此外，还有二分位点估计以及基于智能进化算法的参数估计等。但是在不同海况下，最合适的海杂波幅度分布模型各不相同，单一的分布模型已难以全面覆盖海洋环境的复杂多样性，且不同估计方法在估计不同幅度分布的参数时精确度也不同。因此，亟需一种在动态变化的海洋环境中准确预测海杂波的幅度分布类型及其参数的方法。
技术实现思路
1、为了克服上述现有技术的不足，本发明提供一种海杂波幅度分布类型及参数的联合预测方法，使用pareto分布、log-normal分布、weibull分布、k分布这四种分布作为预测的基础框架，通过多样化的分布类型全面且细致地刻画各种海况，从而在复杂多变的海域环境中实现对海杂波幅度特性的有效预测，解决了单一分布模型难以覆盖复杂海况的问题，可应用于海杂波幅度分布类型及参数的预测，能够提升海用雷达目标检测的性能。
2、为实现上述目的，本发明采用如下技术方案：
3、一种海杂波幅度分布类型及参数的联合预测方法，具体包括如下步骤：
4、s1、构建数据集：收集x波段海杂波数据，并剔除船只、浮标得到纯净海杂波数据，通过特征工程从纯净海杂波数据中提取长序列特征和统计特征，通过最大似然估计算法分别对pareto分布、log-normal分布、weibull分布、k分布的参数进行估计，并通过etic检验标准选择拟合最好的分布类型，并将该分布类型以及对应参数作为实测海杂波数据的标签进行标注得到数据集，数据集划分为训练集、验证集和测试集，其中训练集和验证集用于构建幅度分布类型及参数联合预测模型(mt1dcnn联合预测模型)，测试集用于检验模型预测性能；
5、s2、搭建幅度分布类型及参数联合预测模型：构建的幅度分布类型及参数联合预测模型(mt1dcnn联合预测模型)包括输入层、共享特征提取层(一维卷积层)、任务私有层(全连接层)和输出层，其中共享特征提取层采用一维卷积层，任务私有层包括分类任务私有层和回归任务私有层，均采用全连接层，一维卷积层、分类任务私用层和回归任务私有层均包含隐含层，全连接层均由多个神经元组成，层内神经元无连接，层间神经元自前向后单向连接，分类任务的结果传递到回归任务的输入，相邻两层隐含层的激活函数选择修正线性单元，分类任务私有层中的最后一个隐含层与输出层之间的激活函数使用softmax激活函数，回归任务私有层则使用linear激活函数，一维卷积层以3个长序列特征为输入，经过卷积后输出1个高级特征，该高级特征再与10个统计特征相结合，作为分类任务私有层的输入，回归任务私有层则额外增加分类任务的输出结果为输入；
6、s3、训练幅度分布类型及参数联合预测模型：基于步骤s1的数据集，使用训练集和验证集，训练幅度分布类型及参数联合预测模型，其中分类任务的损失函数为交叉熵损失，回归任务的损失函数为平均绝对误差(mae)，利用随机梯度下降算法训练模型中的参数，得到训练好的幅度分布类型及参数联合预测模型；
7、s4、测试模型并优化网络结构：基于步骤s1的数据集，使用测试集，优化步骤s3训练好的幅度分布类型及参数联合预测模型中深度神经网络的共享层层数、独立层层数、卷积核大小以及各隐含层对应的神经网络个数，使幅度分布类型及参数联合预测模型测试集的各项指标达到最优，其中分类任务的指标包括准确率、精确率、召回率和f1分数，回归任务的指标包括mae、均方根误差(rmse)、r2值。
8、作为本发明的进一步技术方案，步骤s1所述x波段海杂波数据包括hh极化、vv极化的t1、t2脉冲数据，所述长序列特征包括直方图、概率密度函数(pdf)、互补累积分布函数(ccdf)，统计特征包括最小值、最大值、方差、标准差、峰态系数、偏态系数、25分位点、50分位点、75分位点和90分位点。
9、作为本发明的进一步技术方案，步骤s2中所述修正线性单元(relu)在特征值比较大时，梯度为1。
10、作为本发明的进一步技术方案，步骤s4得到的最优模型为：一维卷积层包含5个隐含层，卷积核大小分别为11、11、7、7、1，通道数分别为256、128、64、32、1，平均池化卷积核的大小为3；分类任务私有层和回归任务私有层则有2个隐含层，每个隐含层神经元个数为128。
11、与现有技术相比，本发明的有益效果是：
12、本发明使用实测海杂波数据，结合长短序列特征，利用mt1dcnn模型进行幅度分布类型和参数的联合预测，经过优化和调参后，hh极化分类任务的f1分数达到97.4％，回归任务的rmse为0.746，vv极化的f1分数为96.74％，rmse为1.071，实现了幅度分布类型及参数精准和可靠预测，为雷达系统的设计和优化提供了重要的技术支持。
1.一种海杂波幅度分布类型及参数的联合预测方法，其特征在于，具体包括如下步骤：
2.根据权利要求1所述海杂波幅度分布类型及参数的联合预测方法，其特征在于，步骤s1所述x波段海杂波数据包括hh极化、vv极化的t1、t2脉冲数据，所述长序列特征包括直方图、概率密度函数、互补累积分布函数，统计特征包括最小值、最大值、方差、标准差、峰态系数、偏态系数、25分位点、50分位点、75分位点和90分位点。
3.根据权利要求2所述海杂波幅度分布类型及参数的联合预测方法，其特征在于，步骤s2中所述修正线性单元在特征值比较大时，梯度为1。
4.根据权利要求3所述海杂波幅度分布类型及参数的联合预测方法，其特征在于，步骤s4得到的最优模型为：一维卷积层包含5个隐含层，卷积核大小分别为11、11、7、7、1，通道数分别为256、128、64、32、1，平均池化卷积核的大小为3；分类任务私有层和回归任务私有层则有2个隐含层，每个隐含层神经元个数为128。