(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211189259.6 (22)申请日 2022.09.28 (71)申请人 南京信息 工程大学 地址 210044 江苏省南京市江北新区宁六 路219号 (72)发明人 施赛楠　高季娟　王杰　陈军　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 专利代理师 柏尚春 (51)Int.Cl. G06F 17/18(2006.01) G06F 17/16(2006.01) G06K 9/62(2022.01) (54)发明名称 一种基于GBDT模型的K分布杂波参数估计方 法 (57)摘要 本发明公开了一种基于GBDT模 型的K分布杂 波参数估计方法， 包括以下步骤： (1)获取海杂波 序列； (2)提取特征； (3)构建特征向量； (4)估计 形状参数； (5)估计尺度参数； (6)计算KSD值。 本 发明通过GBDT模型进行自主学习估计形状参数 且利用依赖于形状参数的特定分位点估计尺度 参数， 集成了矩估计的估计精度高和分位点估计 的抗异常样 本的优势， 从而实现了参数估计的准 确性以及 在复杂杂波环境下的稳健 性。 权利要求书3页 说明书6页 附图3页 CN 115510395 A 2022.12.23 CN 115510395 A 1.一种基于GBDT模型的K分布杂波参数估计方法， 其特 征在于， 包括以下步骤： (1)获取海杂波序列： 假设雷达接收到N个海杂波序列， 记为{z1,z2,…,zN}， 对海杂波序 列取模， 获得海杂波幅度 序列{r1,r2,…,rN}； (2)提取特征： 根据步骤(1)中的海杂波幅度序列， 计算第l阶的样本矩ml； 提取4个矩比 值， 构成矩特征ξM； 将海杂波幅度序列从小 到大排序， 计算第p阶 的样本分位点rp； 提取9个分 位点比值， 构成分位 点特征ξP； (3)构建特征向量： 联合步骤(2)中的矩特征和分位点特征， 构 建13维度的特征向量ξ＝ [ ξM, ξP]T， T表示转置； (4)估计形状参数： 首先， 建立GBDT模型， 仿真产生不 同形状参数下的K分布杂波， 按照 步骤(2)和(3)获取大量的特征向量， 建立训练数据集Ω； 然后将训练数据集Ω作为GBDT模 型的输入， 进行迭代学习， 获得GBDT的最优参数模型； 最后， 将步骤(3)中的特征向量ξ作为 输入， 进入具有最优参数的GBDT模型中， 输出 形状参数的估计值 (5)估计尺度参数： 根据K分布的累积概率密度函数F(r； v,b)， 令 带入F(r； v,b) 中获得一个依赖于形状参数的特定分位点； 根据步骤(4)中形状参数的估计值 确定尺度 参数的估计值 (6)计算KSD值： 结合海杂波 幅度序列和获得的参数估计值， 计算Kolmogorov ‑Smirnov 距离， 即KS D， 衡量参数估计的精准度。 2.根据权利要求1所述的一种基于GBDT模型的K分布杂波参数估计方法， 其特征在于， 所述步骤(1)具体为： (1.1)假设雷达接收到N个海杂波序列， 记为{z1,z2,…,zN}， 并将该序列建模为复合高 斯模型； (1.2)根据海杂波序列， 计算海杂波幅度序列{|z1|,|z2|,…,|zN|}， 其中|  |表示取复 数的模； 根据复合高斯模型， 海杂波幅度 序列服从K分布， 其 概率密度函数为： 其中， r表示海杂波幅度变量， v是形状参数， b是尺度参数， Γ( ·)为伽马函数， Kv(·)为 v阶第二类修 正贝塞尔函数。 3.根据权利要求1所述的一种基于GBDT模型的K分布杂波参数估计方法， 其特征在于， 所述步骤(2)具体为： (2.1)根据步骤(1)中的海杂波幅度 序列， 计算第l阶的样本矩ml： 当海杂波序列样本数目N趋向于无穷时， 样本矩趋向于理论矩； 然后， 提取4个矩比值， 构成矩特 征ξM： 其中， m0.5， m1， m2， m3， m4分别表示0.5阶矩， 1阶矩， 2阶矩， 3阶矩， 4阶矩； (2.2)将步骤(1)中的海杂波幅度序列从小到大排序， 重新记为{r1,r2,…,rN}， 计算第p权　利　要　求　书 1/3 页 2 CN 115510395 A 2个样本分位 点rp： rp＝r[N×p]， p∈[0,1] 其中， []表 示取整数； 当N趋向于无穷时， 样本 分位点趋向于理论分位点； 然后， 提取9个 分位点比值， 构成分位 点特征ξP： 由此证明， 矩比值和分位 点比值都独立于尺度参数， 只与形状参数有关。 4.根据权利要求1所述的一种基于GBDT模型的K分布杂波参数估计方法， 其特征在于， 所述步骤(3)具体为： 根据步骤(2)中提取的特 征， 联合矩特 征和分位 点特征， 构建一个13维度的特 征向量： ξ ＝[ ξM, ξP]T 其中， T表示 转置。 5.根据权利要求1所述的一种基于GBDT模型的K分布杂波参数估计方法， 其特征在于， 所述步骤(4)具体为： (4.1)设置决策树的数目M＝500， 每棵决策树的深度D＝7， 将所有决策树级联， 搭建 GBDT的模型； (4.2)仿真产生不 同形状参数下的K分布杂波序列； 设置形状参数v从0.1步长遍历0.1 到20的取值范围； 对于给定的vj值， 产生相应服从K分布的N＝10000个序列， 并按照步骤(3) 计算特征向量， 得到1个样本， 记为{ξj， vj}； 考虑到小形状参数下杂波非高斯强， 当v≤1.5 时， 每个形状参数产生8000个样 本； 当v>1.6时， 每个形状参数产生150个样 本； 最后， 将所有 的样本组成训练数据集Ω＝{ { ξj， vj}， j＝1,2, …,147750}； (4.3)将步骤(4.2)中的训练集Ω作为输入， 对步骤(4.1)搭建的GBDT模型进行训练学 习， 迭代更新后获得GBDT的最优参数fM； (4.4)将步骤(3)中的特征向量ξ作为输入， 进入具有最优参数的GBDT模型中， 输出形状 参数的估计值 其中， fM为步骤(4.3)中获得的GBDT的最优参数。 6.根据权利要求1所述的一种基于GBDT模型的K分布杂波参数估计方法， 其特征在于， 所述步骤(5)具体为： (5.1)根据步骤(1.2)中K分布的概 率密度函数， 计算K分布累积概 率密度函数： (5.2)令 带入F(r； v,b)中获得一个依赖 于形状参数的特定分位 点： (5.3)将步骤(4.4)的形状参数估计值 带入到θ(v)中， 得到特定的分位点； 因此， 确定 尺度参数估计值 为：权　利　要　求　书 2/3 页 3 CN 115510395 A 3