海雜波背景下小目標信號檢測的深度學習方法.pdf

1、中國水域占有面積十分寬闊，海岸線較長。在復雜海情下，快速識別定位目標，對檢測漂浮在海面上如浮標、溢油等小目標信號，保證航行安全等具有重要意義。本文首先討論了在混沌背景下的微弱信號檢測，模擬實際情況，在混沌觀測序列中加入噪聲信號進行分析，因為海雜波具有混沌特性，本文提出兩種海雜波背景下小目標信號檢測模型，分別為海雜波背景下小目標信號檢測的深度信念網(wǎng)絡方法及棧式自編碼神經(jīng)網(wǎng)絡方法。
　　噪聲信號可以破壞混沌信號的混沌特性，使得輸出預測

2、誤差較大。本文提出了一種強混沌背景下微弱信號檢測的深度信念網(wǎng)絡方法。該方法先將數(shù)據(jù)對受限玻爾茨曼機進行逐層非監(jiān)督貪婪訓練，使每層受限玻爾茨曼機調整到合適的初始值;然后通過自底向上組合受限玻爾茨曼機，構建深度信念網(wǎng)絡初步模型，接著利用誤差反向算法對整個網(wǎng)絡的參數(shù)進行調優(yōu)，構建深度信念網(wǎng)絡檢測模型:最后利用該模型檢測湮沒在強混沌背景噪聲中的瞬態(tài)信號、周期信號。以Lorenz系統(tǒng)作為混沌背景進行仿真實驗，在強混沌背景下，該方法能夠檢測到更低幅

3、值的微弱信號，且有很好的預測精度;能夠有效的抑制混沌背景中的噪聲信號，具有較好的抗噪聲性能。
　　本文提出一種在強混沌背景下微弱信號檢測的棧式自編碼神經(jīng)網(wǎng)絡方法。該方法首先對網(wǎng)絡進行預訓練，采用無監(jiān)督貪婪訓練自編碼器獲取最優(yōu)值。在無監(jiān)督的預訓練完成之后，網(wǎng)絡參數(shù)僅僅是各層獨立訓練時的最優(yōu)值，進行網(wǎng)絡調優(yōu)，即將預處理后的數(shù)據(jù)再次輸入網(wǎng)絡，利用BP算法訓練整體網(wǎng)絡參數(shù)以獲得網(wǎng)絡全局最優(yōu)解，構建棧式自編碼神經(jīng)網(wǎng)絡檢測模型;同樣的，利用該

4、模型檢測瞬態(tài)信號、周期信號，檢測結果與深度信念網(wǎng)絡檢測模型進行比較分析，結果表明在隱含層數(shù)逐漸增多情況下，針對微弱信號檢測，棧式自編碼神經(jīng)網(wǎng)絡檢測模型所輸出的均方根誤差相差不大，即相比較深度信念網(wǎng)絡檢測模型，棧式自編碼神經(jīng)網(wǎng)絡具有較好的穩(wěn)定性，且該模型也能有效的抑制噪聲信號。最后將深度信念網(wǎng)絡和棧式自編碼神經(jīng)網(wǎng)絡方法與傳統(tǒng)神經(jīng)網(wǎng)絡方法相比較，結果表明，兩種方法都能較好檢測出混沌背景下的微弱信號。
　　結合海雜波的混沌特性及深度學習

5、相關理論，提出了海雜波背景下小目標檢測的深度信念網(wǎng)絡方法以及棧式自編碼神經(jīng)網(wǎng)絡方法。深度信念網(wǎng)絡方法和棧式自編碼神經(jīng)網(wǎng)絡方法能夠以無監(jiān)督預訓練方法優(yōu)化網(wǎng)絡權值的初始值，相較于傳統(tǒng)神經(jīng)網(wǎng)絡隨機初始值初始化網(wǎng)絡權值的方法，不易陷入局部最優(yōu)。本章首先分析了海雜波的混沌特性及相關研究情況，接著利用該兩種方法構建海雜波背景下的小目標信號檢測模型。最后以加拿大McMaster實測的IPIX雷達數(shù)據(jù)進行仿真實驗，利用均方根誤差評價性能。仿真結果表明，