登录

  • 登录
  • 忘记密码?点击找回

注册

  • 获取手机验证码 60
  • 注册

找回密码

  • 获取手机验证码60
  • 找回
毕业论文网 > 开题报告 > 电子信息类 > 电子信息工程 > 正文

基于极限学习机的微弱信号检测开题报告

 2022-01-16 08:01  

全文总字数:4856字

1. 研究目的与意义及国内外研究现状

如何检测海面小目标信号对海面雷达来说是一个重要难题。

我国水域占有面积十分宽阔,其中海岸线就长达一万八千多公里,内海与边海大概占有470多万平方公里,海面雷达、岸基雷达等一些监测雷达主要是在这广表无垠的海面上进行作业,因此更加需要我们在复杂海情下,快速识别并定位目标,从而保障国土安全。

检测在海杂波背景下如浮标、溢油等小目标信号,也能够有效保证航行安全,避免不必要的损失与威胁,这对我国国防领域及民用领域都十分重要。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

2. 研究的基本内容

结合深度学习相关方法,首先提出在强混沌背景下微弱信号检测的深度信念网络与栈式自编码神经网络方法,即在混沌背景中模拟实际情况,分别加入高斯白噪声与高斯色噪声,以此作为强混沌背景信号。

从而验证构建的检测模型的可行性。

进而,结合海杂波内在特性提出海杂波背景下小目标检测的深度信念网络及栈式自编码神经网络检测方法。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

3. 实施方案、进度安排及预期效果

本文针对混沌背景下的微弱信号检测的问题,提出了基于机器学习的微弱信号检测方法,利用相空间重构法结合极限学习机建模对混沌背景下的微弱信号进行检测。利用仿真实验研究了经典Lorenz混沌背景下的微弱瞬态信号和周期信号的检测,最后利用实测海杂波数据进行微弱信号检测。

仿真实验设计为经典Lorenz混沌系统背景下的微弱信号检测,微弱小信号分别采用瞬时信号和周期信号进行仿真。仿真结果证明,该方法可用于混沌背景下的微弱信号检测,且由于海杂波具有混沌特性,故可将此算法应用于海杂波背景下的微弱信号检测。传统的前馈神经网络(BP)有学习速度较慢,易陷入局部最优解的缺陷,支持向量机仅在小样本条件下效率较高。本文采用基于极限学习机(Extreme Learning Machine,EML)的混沌时间序列预测模型,比传统的神经网络方法更具优势,减少学习时间和提高信噪比。

4. 参考文献

[1]行鸿彦,朱清清,徐伟.一种混沌海杂波背景下的微弱信号检测方法[j].物理学报,2014,63(10):45-51.

[2]张建,关键,刘宁波,宋杰.基于emd和盒维数的固定微弱目标检测[j].信号处理,2010,26(04):492-496.

[3]王福友,刘刚,袁赣南.基于小波阈值算法的海杂波信号降噪[j].海洋测绘,2010,30(04):19-22.

剩余内容已隐藏,您需要先支付 10元 才能查看该篇文章全部内容!立即支付

企业微信

Copyright © 2010-2022 毕业论文网 站点地图