课题建议书张宇0818.docx

课题建议书张宇0818.docx

《课题建议书张宇0818.docx》由会员分享，可在线阅读，更多相关《课题建议书张宇0818.docx（8页珍藏版）》请在冰豆网上搜索。

课题建议书张宇0818

目　　录

目　　录1

一、国内外现状2

（一）传统恒虚警检测方法2

（二）基于混沌神经网络和分型的方法3

（三）基于时频分析、小波变换和SAR图像处理方法3

二、研究目标、研究内容与技术指标7

（一）研究目标7

（二）研究内容7

（三）关键技术7

（四）技术指标7

三、拟采取得研究方法及途径8

（一）总体方案8

（二）技术途径8

（三）创新点8

四、研究进度、成果形式及应用方向8

（一）研究进度8

（二）项目成果8

（三）应用方向9

五、经费预算9

（一）按研究内容分解经费9

（二）按年度分解经费9

1、国内外现状

海面的小目标检测在军事领域具有十分重要的作用。

近年来，随着军事科学技术的迅猛发展，如掠海飞行的巡航导弹或小飞机，在海浪中航行的小艇，处于潜望状态航行的潜艇、隐身飞机和鱼等武器的发展与进步，使沿海区域的国防安全得不到充分的保障，因此在军防建设上海面小目标检测具有十分广阔的发展前景[1]在民事领域中，海面小目标检测也具有重要意义，它的应用主要有以下几方面:

（1）海面漂浮物对船只航行造成威胁（如小型冰山），准确识别目标有利于降低导航难度；

（2）在环境保护及清除污染方面，用来监测海面油污位置；（3）也用应用于海面目标搜救等[2-5]。

而随着高分辨力雷达的发展，对海面小目标的检测与识别成为可能。

然而，当对海雷达执行任务时，经常面临海杂波的影响，造成目标检测能力下降。

海杂波通常是指海洋表面的雷达后向散射回波，其严重干扰了雷达对海面目标的检测性能，一方面是因为海杂波所描述得外界因素如浪高、浪涌在不同的风速、地震波对海洋动态特性的影响，从而造成复杂的海面回波；另一方面则是因为海杂波容易就成为影响检测准确性的元素，尤其是在海面状况比较恶劣时，小目标的回波极易被海杂波遮蔽，目标的有效雷达截面（RCS）相对于海面的RCS非常微弱，目标的雷达回波通常淹没在混沌的海杂波内，不易被识别，微弱目标的时域探测方法难以检测出该类目标。

造成目标的丢失。

因此海杂波的存在直接影响了雷达对海面目标的检测性能，导致虚警概率上升，使雷达不能有效准确地检测到小目标。

到目前为止强海杂波背景下的弱小目标检测问题现在仍旧是国内外没有解决的难题。

由于海杂波的物理形成机理以及统计特性会严重影响恒虚警检测器的性能，海杂波的频谱特性会影响到MTI以及多普勒滤波器组的设计。

找到雷达目标回波与海杂波特性的差异就显得尤为重要，开展对海杂波的深入研究，可以有效地评估杂波对雷达的影响，有助于雷达杂波抑制算法的设计和雷达系统的改进，提高海面小目标检测率。

而消除海杂波的影响并提高海面小目标检测率有两个方向：

一是硬件，提高雷达性能参数；另一方面则是软件，在雷达回波处理上提出更有效的计算方法以便区分海杂波与目标回波。

然而现今雷达性能已然获得极大的提高，进一步也无法将小目标与海杂波分辨出来；而利用算法分析和后期进一步信号处理能更有效地抑制海杂波的影响。

目前，海杂波中目标检测算法主要包括：

传统恒虚警检测方法；基于混沌、神经网络、分形的方法；基于时频分析、小波变换、SAR图像处理方法；以及目前广泛应用的基于匹配滤波的检测算法等。

（一）传统恒虚警检测方法

传统的方法是基于统计假设,即假设海杂波服从瑞利分布、对数正态分布、K分布、复合高斯分布等来研究海杂波特性,而对海杂波背景下的小目标检测,也是基于假设海杂波服从这些分布而采用恒虚警率（CFAR）方法检测,通过计算并指定预期恒虚警率，来设置门限，从而过滤海杂波信号。

但是实践表明，由于前述所假定的这些分布并不能很好地描述海杂波的内在物理特性，因此基于这些统计分布的CFAR方法也不能很好地检测出海杂波背景下的小目标[6]，尤其是信杂比（SCR）较低的情况下，检测效果会变的更差。

实际上，有关研究表明海杂波是非线性非平稳的[7,8]，因此应该寻找更好的方法来检测出嵌入在海杂波中的弱小目标。

（2）基于混沌神经网络和分形的方法

20世纪90年代初，SimonHaykin发现海杂波具有混沌特性（ChaoticCharacteristic），而混沌的一个重要性质:

具有短时预测性[9]，海杂波混沌特性的发现为海面小目标检测技术的研究提供了一条新的途径[10-11]。

与常规检测器不同，基于混沌理论的检测器是利用神经网络的预测误差来检测淹没在海杂波背景中的目标。

Henessey[12]运用RBF神经网络来检测小目标,其基本思想是：

用RBF神经网络重构海杂波时间序列，基于海杂波混沌特征的短时预测性对海杂波进行短时预测，而由于小目标与海杂波的回波幅值不同，所以海杂波与小目标的回波幅值的均方误差值大小可以衡量是否有小目标存在。

当有小目标存在时,由于目标的回波与基于RBF神经网络预测的海杂波的回波幅值不同，导致均方误差比没有小目标存在时要大很多,即可以检测到小目标。

该算法的缺点是：

（1）当有海尖峰信号（回波幅值较大）存在时,小目标检测往往也会出现误检测；

（2）海杂波是否具有混沌特性现在还存在理论争议[13-14]，主要是因为缺乏有效噪声条件下混沌判定分析手段以及如何去噪才能使海杂波的内在性质不受影响。

RBF神经网络以及支持向量机凭借其良好的非线性预测能力，都可以作为非线性预测器实现对海杂波时间序列的有效预测。

混沌理论、神经网络以及支持向量机等技术在海面小目标检测中得到了广泛的应用。

一方面，通过对雷达回波混沌特征量（关联维、Lypunov指数、Kolmogorov嫡）的变化分析来判别是否有目标存在；另一方面，由于混沌时间序列具有短期可预测的特点，当具有混沌特性的海杂波中加入目标同波时，回波的预测误差将增大。

国内外众多学者利用海杂波的混沌特性实现海面目标检测[15-24]。

H.Leung等人[25-26]提出基于径向基函数（RBF,Radial-basis-function）神经网络的非线性预测方法，它让杂波样本训练出尽可能准确的神经网络，利用预测误差实现目标检测，该方法对神经网络的训练精度要求很高，利用了杂波样本的所有特征，过多的特征不仅会带来运算量的增加，而且对性能的改善也不明显，只有与目标特征有差异的杂波特征才能提高检测性能。

国内部分学者从学习矢量量化（LVQ,learningvectorquantization）[27]、支持向量机[28]以及RBF[29]上着手研究海面目标检测问题。

Hu等人[30]已经证明了海杂波具有分形行为，为此一系列分形检测算法相继提出，包括分形检测、多维分形分析、两维分形检测、趋势波动分析（DFA,detrended?

uctuationanalysis）、以及这些算法的联合检测[31]-[33]。

尽管基于分形的检测器都具有很好的检测性能，但是它们都是只关注接收信号的幅度信息，忽略了接收信号的相位信息。

相干雷达的相位信息也为雷达检测提供了有用的知识。

（三）基于时频分析、小波变换和SAR图像处理方法

现代雷达系统中采用采用高距离分辨率信号具有很多优越性，线性调频信号（LFM）是雷达系统中较常采用的高距离分辨信号，它通过在脉冲发射期间内频率的连续线性变化来取得大的信号带宽[85]。

LFM雷达的目标回波信号也近似为LFM信号，因此仅仅只在时域或者频域内对其进行检测的话检测性能很难有大的提高。

时频联合的分析方法近些年来已经成为分析很多信号的有力工具，尤其是对于频谱时变的非平稳信号，比如雷达信号。

时-频分析的任务是要描述信号的频谱含量怎样在时间上变化，研究并了解时变频谱在数学和物理上是一个怎样的概念。

其最终目的是要建立一种分布，以便能在时间和频率上同时表示信号的能量或者强度。

近年来研究者们提出了许多基于时频分析的目标检测方法，例如分数阶Fourier变换（FRFT），Wigner-Hough变换（WHT），联合时频分析等方法。

这些算法基本都是通过估计chirp信号的参数，从源头上滤除杂波信号，再利用变换域提取强杂波信号的参数复制出原始杂波信号，然后从输入中去除，如此循环处理，直到弱目标信号显现出来。

不过这些算法需要一些先验信息。

Yasotharan在文献[34]中利用海杂波的先验信息去除杂波自项和交叉项，最后达到显现目标的目的。

LJubisa等在文献[35]中采用WD分布以及特征值分解对海杂波进行了分析处理最终在海杂波中检测出海面上空加速的弱小目标。

小波变换因为具有良好的时频局部化特性，在频域或者时域具有“变焦”分析的优点，因此也有研究者将其应用到了海杂波环境下的目标检测中[36]。

还有些作者将小波变换应用于海面SAR图像中，通过图像处理的方法实现目标检测[37,38]。

国内方面，徐小可利用空间分形来对有目标和无目标的海面情况进行分析，从而对海面小目标进行检测[39]。

吴诚飞等人提出了一种直接将盒维数作为特征对海杂波背景下的海面小目标进行检测的方法。

高远通过对海杂波的混沌动态特性进行分析，研究了基于多重分形理论的海面小目标检测方法[40]。

王福友等提出了基于时空混沌的海杂波背景下的目标检测，提出将海杂波建模由原来的时域扩展到时空域建模，使用径向基耦合映像格子方法对海杂波进行分析，并检测海面的弱小目标[41,42。

行鸿彦和金天力提出了一种基于对偶约束最小二乘支持向量机的混沌海杂波背景中的微弱信号检测方法[43]。

[参考文献]

[1]TonissenSM,EvansRJ.Performanceofdynamicprogrammingtechniquesfortrack-before-detect[J].IEEETransactionsonAerospaceandElectronicSystems,1996,32:

1440~1451

[2]CARLOTTOMJ．DetectionandAnalysisofChangeinRemotelySensedImagerywithApplicationtoWideAreaSurveillance[J]．IEEETrans．ImageProcessing，1997，6

（1）:

189-202．

[3]BRUSCHS，LEHNERS，FRITZT，etal．ShipSurveil-lancewithTerraSAR－X[J]．IEEETrans．Geosci．AndRemoteSens.，2011，49（3）:

1092-1103．

[4]BLOSTEINSD，HUANGTS．DetectingSmall，MovingObjectsinImageSequencesUsingSequentialHypothesisTesting[J]．IEEETrans．SignalProcessing，1991，39（7）:

1611-1629．

[5]BLOSTEINSD，HUANGTS．DetectingSmall，MovingObjectsinImageSequencesUsingSequentialHypothesisTesting[J]．IEEETrans．SignalProcessing，1991，39（7）:

1611-1629

[6]吴晗平,掠海红外动态点目标图像仿真系统[J].光学精密工程,2007,15（8）:

1275-1279.

[7]CHENYing,LUOPengfei.TargetDetectioninSeaClutterBasedonRBFNeuralNetwork[J].RadarScienceandTechnology,2005,3（5）:

271-275.

[8]GuedesSC,ChernevaZ,AntaoEM.SteepnessandAsymmetryoftheLargestWavesinStormSeaStates[J].OceanEngineering,2004,31（8-9）:

1147-1167

[9]TANWen,WANGYao-nan,ZHOUShao-wu,etal.PredictionoftheChaoticTimeSeriesUsingNeuro-FuzzyNetworks[J].ActaPhysicaSinica,2003,52（4）:

795-801.

[10]SimonHaykin.Chaoticcharacterizationofseaclutter:

Newexperimentalresultsandnovelapplications.ConferenceRecordoftheTwenty-NinthAsilomarConferenceonSignals,SystemsandComputers,1996,2:

1076-1080P.

[11]S.HaykinMcMasterUniv.,Hamilton,CanadaR.Bakker;B.W.CurrieUncoveringnonlineardynamics:

thecasestudyofseaclutter[J].ProceedingsoftheIEEE,2002,90（5）.860-881

[12]HennesseyG,LeungH,DrosopoulosA,etal.SeaClutterModelingUsingaRadial-Basis-FunctionNeuralNetwork[J].IEEEJournalofOceanicEngineering,2001,26（6）:

534-542.

[13]UnsworthCP,CowperMR,MclaughlinS,etal.Re-ExaminingtheNatureofRadarSeaClutter[J].IEEProcofRadarSonarandNavigation,2002,149（3）:

105-114

[14]McdonaldM,DaminiA.LimitationsofNonlinearChaoticDynamicsinPredictingSeaClutterReturns[J].IEEProcofRadarSonarandNavigation,2004,151

（2）:

105-113

[15]黄晓斌,马晓岩,万建伟.对数正态分布海杂波背景下的雷达混沌检测方法，航天电子对抗,2004,6:

45-47.

[16]马晓岩,黄晓斌,张贤达.海杂波中基于混沌预测的目标检测方法改进.电子学报,2003,6,31（6）:

907-910.

[17]沈颖,刘国岁.混沌在雷达信息处理中的应用前景.南京理工大学学报,1999,8,23（4）:

378-381.

[18]邹士迁,石岩,原功伟.基于海杂波混沌模型用神经网络预测器实现小目标检测.舰船电子对抗,2004,10,27（5）:

24-26.

[19]刘剑,赵艳丽,罗鹏飞.基于海杂波混沌特性的目标检测.现代雷达,2004,2,26

（2）:

56-60.

[20]徐伟,唐霜天,周希辰.基于海杂波混沌特性的微弱目标信号检测.雷达与对抗,2007,2:

27-30.

[21]徐伟,唐霜天,周希辰.基于海杂波混沌特性的微弱目标信号检测.雷达与对抗,2007,2:

27-30.

[22]H.Leung,S.Haykin.Istherearadarclutterattractor?

Appl.Phys.Lett.,1990,June,56（6）:

593-595.

[23]H.Leung,T.Lo.Chaoticradarsignalprocessingoverthesea.IEEEJour.ofOceanicEng.,1993,July,18（3）:

287-295.

[24]S.Haykin.Radarclutterattractor:

implicationsforphysics,signalprocessingandcontrol.IEEProc.Radar,SonarNavig.,1999,August,146（4）:

177-188.

[25]G.Hennessey,H.Leung,A.Drospoulos,et.al..Seacluttermodelingusingaradial-basis-functionneuralnetwork.IEEEJour.ofOceanicEng.,2001,July,26（3）:

358-372.

[26]H.Leung,N.Daubash,N.Xie.DetectionofsmallobjectsinclutterusingaGA-RBFneuralnetwork.IEEETrans.Aerosp.Electron.Syst.,2002,January,38

（1）:

98-118,.

[27]鹏岁阳,罗鹏飞LVQ神经网络用于海上小目标检测.雷达与对抗,2006,2:

28-32.

[28]王宏强,姜斌,黎湘,等.基于改进支持向量机的海面目标检测方法.信号处理,2007,8,23（4）:

598-602.

[29]陈瑛,罗鹏飞.海杂波背景下基于RBF神经网络的目标检测.雷达科学与技术,2005,10,3（5）:

271-275.

[30]J.Hu,J.B.Gao,F.L.Posner,et.al..Targetdetectionwithinseaclutter:

Acomparativestudybyfractalscalinganalyses.WorldScientific,2006,14（3）:

187-204.

[31]J.Hu,W.W.TungandJ.B.Gao.Detectionoflowobservabletargetswithinseaclutterbystructurefunctionbasedmultifractalanalysis.IEEETrans.AntennasPropag.,2006,January,54

（1）:

136-143.

[32]X.K.Xu.Lowobservabletargetsdetectionbyjointfractalpropertiesofseaclutter:

anexperimentalstudyofIPIXOHGRdatasets.IEEETrans.AntennasPropag.,2010,April,58（4）:

1425-1429.

[33]T.Lo,H.Leung,J.Litva,et.al..Fractalcharacterizationofsea-scatteredsignalsanddetectionofsea-surfacetargets.Proc.Inst.Elect.Eng.,F,1990,140:

243-250.

[34]A.Yasotharan,T.Thayaparan,Time-Frequencymethodfordetectinganacceleratingtargetinseaclutter[J],IEEETrans.Aerosp.Electron.Syst.,2006.42（4）:

1289-1310.

[35]LJubisaStankovic,ThayananthanThayaparan,MilosDakovic,SignaldecompositionbyusingtheS-mehtodwithapplicationtotheanalysisofHFradarsignalsinsea-clutter[J],IEEETRANSACTIONSONSIGNALPROCESSING,2006.54（11）:

4332-4342.

[36]F.Jangal,S.Saillant,M.Helier,Waveletcontributiontoremotesensingoftheseaandtargetdetectionforahigh-frequencysurfacewaveradar[J],IEEEGeoscienceandRemoteSensingLetters,2008.5（3）:

552-556.

[37]李晓玮,基于小波分解的K分布SAR图像舰船检测[J],测试技术学报,2007.21（4）:

350-354.

[38]罗强,罗莉,任庆利,一种基于小波变换的卫星SAR海洋图像舰船目标检测方法[J],兵工学报,2002.23（4）:

500-503.

[39]许小可．基于非线性分析的海杂波处理与目标检测[D]．大连海事大学博士学位论文．2008.

[40]高远．海杂波特性分析与基于多重分形理论的目标检测方法研究[D]．电子科技大学硕士学位论文．2009．

[41]王福友，卢志忠，袁赣南．基于时空混沌的海杂波背景下小目标检测[J]．仪器仪表学报．2009，30（6）:

1180-1185．

[42]王福友．海杂波混沌分形特性分析、建模及小目标检测[D]．哈尔滨工程大学博士学位论文．2009．

[43]行鸿彦，金天力．基于对偶约束最小二乘支持向量机的混沌海杂波背景中的微弱信号检测[J]．物理学报．2010，59

（1）:

140-145.

二、研究目标、研究内容与技术指标

（一）研究目标

本项目旨在构建一款多波段海面小目标检测试验平台，包括前端天线接收和后端信号处理系统，能够工作于P（230-1000MHz）、L（1-2GHz）、S（2-4GHz）、X（8-12.5GHz）、Ku（12.5-18GHz）五个频段，完成该海上平台的小规模集成，并最终实现海杂波的抑制和其背景下小目标的检测。

（二）研究内容

根据本项目所需研究内容主要为两点：

1、针对海杂波的处理。

由于海杂波会对海上小目标的检测产生严重干扰，因此解决海杂波的抑制或消除问题显得尤为重要。

本项目拟采用基于混沌神经网络和分形的方法，对所收集的目标信号混合海杂波信号进行分析处理，最大限度地减小海杂波的影响。

2、

（三）关键技术

正文

（四）技术指标

正文

三、拟采取得研究方法及途径

（一）总体方案

正文

（二）技术途径

正文

（三）创新点

（1）为减小检测平台的体积，增强其集成度和移动性，拟将工作于五个波段的各款天线进行组合，集成到同一组件，按照各天线性