海杂波背景下小目标检测的分形方法

针对海杂波背景下小目标检测对海情依赖性强的问题, 本文采用分数布朗运动模型对实测海杂波建模, 结合多重分形去势波动分析法确定分形参数, 分析了海杂波的单尺度、多重分形特性. 在单尺度分形的基础上, 利用表征海杂波分形特征的分数维和Hurst指数构建了分形差量, 提出了基于分形差量的小目标检测方法;在多重分形基础上, 比较了两种海杂波的高尺度多重分形特性. 结果表明, 当尺度q > 10时, 纯海杂波的多重分形参数H(q) < 0, 而存在小目标的H(q) > 0, 此差异性为高尺度分形参数的海杂波背景小目标检测提供了判定依据. 所研究的两种方法均能实现不同海情下的小目标检测.     

海杂波FRFT域的分形特征分析及小目标检测方法

针对海杂波背景下海情对小目标检测的严重影响, 本文研究了实测海杂波在分数阶Fourier变换(FRFT)域的分形特征, 分别提出了单、高尺度下的分形检测方法. 由数学定义推得, FRFT 在不同阶数和尺度情况下, 不具有一致的自相似特性, 采用多重分形趋势波动分析法确定分形参数H(q), 分析了海杂波在不同海情、距离和极化条件下的分形特征. 在单尺度基础上结合FRFT的变阶优势, 提出了阶数自适应的小目标检测方法; 高尺度条件下, 比较了不同因素对海杂波FRFT域多重分形参数的影响. 结果表明:海杂波FRFT域可用变换阶数的方法检测到湮没在复杂海情中的小信号, 检测门限多数提高200%以上, 比采用时域信号提高26.3%. H(q) 在负高尺度上具有明显的多重分形特征差异, H(q)-q曲线满足反正切分布, 纯海杂波与含目标数据的拟合幅值比分别大于1.8(HH)和1.4(VV), 为海杂波背景小目标检测提供了判定依据.     

分数布朗运动和反常扩散

本文评述了分数布朗运动和反常扩散现象及描写它们的几种数学方式。报告了我们在弹道扩散的产生条件、起源和长时间效应方面的工作。     

基于小波leaders的海杂波时变奇异谱分布分析

海杂波的奇异谱分析不仅能从理论上揭示海洋表面的动力学机理,同时也是对海探测雷达的关键技术之一.本文提出基于小波leaders的海杂波时变奇异谱分析方法,将时间信息引入海杂波的奇异谱分析之中,从而实现动态的解析描述海杂波随时间变化的奇异谱特性.在理论上,通过信号自身加窗,将时间信息引入传统的奇异谱(或称多重分形谱),实现了对海杂波时变奇异谱分布分析;在算法上,充分利用了小波leaders技术对于多种奇异性的提取能力(包括chirp奇异性和cusp奇异性),通过对时变奇异性指数和时变尺度函数的Legendre变换,实现对海杂波时变奇异谱分布的计算;在应用部分,采用经典的多重分形模型——随机小波序列(RWC)以及三级海态条件下连续波多普勒体制雷达海杂波进行仿真分析,实验结果表明:1)基于小波leaders的奇异谱分布能跟踪海杂波的时变尺度特性,有效展示其时变奇异性谱分布;2)算法具有较好的负矩特性和统计收敛性.该方法能为复杂非线性系统及随机多重分形信号分析提供参考.     

基于不同散射机制特征的海杂波时变多普勒谱模型

海杂波的多普勒谱建模对采用多普勒处理技术的雷达进行有效的海杂波抑制和目标检测具有重要的意义.本文分别考虑Bragg,白冠和破碎波三种散射机制对应的多普勒谱分量的特征,对三种谱分量的频移和展宽进行分离,并引入附加速度频移量,提出了基于不同散射机制特征的雷达海杂波时变多普勒谱模型.该模型假设谱强度为受观测时间区间影响的随机变量,能够同时适用于平均多普勒谱与短时多普勒谱建模.通过分别对黄海海域实测的岸基P,S波段海杂波平均多普勒谱与短时多普勒谱建模测试,结果表明该模型相对传统模型的建模精度更高,尤其体现在短时谱的观测时间较长和平均谱形式较为复杂的情况下,建模误差显著减小.     

分数布朗运动和反常扩散

本文评述了分数布朗运动和反常扩散现象及描写它们的几种数学方式。报告了我们在弹道扩散的产生条件、起源和长时间效应方面的工作。     

海杂波背景下的目标检测新方法

提出了一种基于分形布朗运动模型的S波段雷达海杂波分形维数提取方法.分析了基于记忆库混沌时间序列预测方法，引入一种改进核函数的支持向量机分类器.在此基础上，提出了一种新的海杂波背景下目标检测方法.应用S波段雷达实测海杂波数据，计算得到了该信号的分形维数与Lyapunov指数，验证了S波段雷达海杂波的混沌分形特性.仿真实验结果验证了该方法具有较强的检测能力和抗杂波性能. 关键词： 分形布朗运动 分形维数 记忆库预测方法 支持向量机分类器     

基于海杂波散射特性的微弱信号检测方法

从研究海杂波的电磁散射特性出发,利用随机微分理论对海杂波的物理特性进行了系统地分析.首先建立了海杂波电磁散射所满足的随机微分方程,然后利用Itô公式得到了海杂波散射信号幅度和相位的扩散过程模型,最后利用海杂波散射信号的规律给出了微弱信号检测的相关处理方法. 关键词： 随机微分方程 海杂波 散射 微弱信号     

大气波导条件下雷达海杂波功率仿真

考虑近海面大气折射率垂直梯度的变化, 采用曲面波频谱估计方法(CWSE)计算掠射角, 并结合修正的GIT海表反射率模型和雷达距离方程对大气波导条件下雷达海杂波功率进行仿真, 最后通过数值实验及与实测数据比较, 验证了CWSE方法的可行性. 关键词： 大气波导 雷达海杂波 曲面波频谱估计     

Pricing currency options in the mixed fractional Brownian motion

This paper deals with the problem of pricing European currency options in the mixed fractional Brownian environment. Both the pricing formula and the mixed fractional partial differential equation for European call currency options are obtained. Some Greeks and the estimator of volatility are also provided. Empirical studies and simulation results confirm the theoretical findings and show that the mixed fractional Brownian pricing model is a reasonable one.     

On the relation between the fractional Brownian motion and the fractional derivatives

The definition and simulation of fractional Brownian motion are considered from the point of view of a set of coherent fractional derivative definitions. To do it, two sets of fractional derivatives are considered: (a) the forward and backward and (b) the central derivatives, together with two representations: generalised difference and integral. It is shown that for these derivatives the corresponding autocorrelation functions have the same representations. The obtained results are used to define a fractional noise and, from it, the fractional Brownian motion. This is studied. The simulation problem is also considered.     

混沌海杂波背景下的微弱信号检测混合算法

基于经验模态分解理论, 提出了一种基于粒子群算法的支持向量机预测方法. 采用总体平均经验模式分解法将混沌信号分解为若干固有模态函数和趋势分量, 将复杂的非线性信号转化为具有不同尺度特征的平稳分量. 利用粒子群算法对支持向量机的惩罚系数和核函数进行优化, 结合支持向量机建立混沌序列的单步预测模型. 从预测误差中检测淹没在混沌背景中的微弱信号(包括瞬态信号和周期信号). 对Lorenz系统和实测IPIX雷达数据进行仿真实验, 结果表明, 该方法能够有效地从混沌背景噪声中检测出微弱目标信号, Lorenz系统得到的均方根误差0.000000339 (-102.8225 dB时)比传统支持向量机方法的均方根误差0.049 (-54.60 dB时)降低了5个数量级, 从海杂波中检测出具有谐波特性的微弱信号, 表明预测模型具有更低的门限和误差.     

Phase transition for absorbed Brownian motion with drift

We study one-dimensional Brownian motion with constant drift toward the origin and initial distribution concentrated in the strictly positive real line. We say that at the first time the process hits the origin, it is absorbed. We study the asymptotic behavior, ast, ofm _t , the conditional distribution at time zero of the process conditioned on survival up to timet and on the process having a fixed value at timet. We find that there is a phase transition in the decay rate of the initial condition. For fast decay rate (subcritical case)m _t is localized, in the critical casem _t is located around , and for slow rates (supercritical case)m _t is located aroundt. The critical rate is given by the decay of the minimal quasistationary distribution of this process. We also study in each case the asymptotic distribution of the process, scaled by , conditioned as before. We prove that in the subcritical case this distribution is a Brownian excursion. In the critical case it is a Brownian bridge attaining 0 for the first time at time 1, with some initial distribution. In the supercritical case, after centering around the expected value—which is of the order oft—we show that this process converges to a Brownian bridge arriving at 0 at time 1 and with a Gaussian initial distribution.     

Pricing model for equity warrants in a mixed fractional Brownian environment and its algorithm

This paper deals with the problem of pricing equity warrants in a mixed fractional Brownian environment. Based on the quasi-conditional expectation and the Fourier transform, we present the pricing model for equity warrants. Moreover, a hybrid intelligent algorithm, which is based on the Genetic Algorithm, is employed to solve the nonlinear optimization problem. The performance of our model and the proposed algorithm have been illustrated with some numerical examples.     

Generalized Brownian motion and elasticity

We introduce a family of stochastic processes which are a natural extension of Brownian motion to a tensor form. This allows us to solve a Dirichlet problem of linear elasticity obeying Lamé's equation, [1–(d– 1)]²V(x)+ [·V(x)]=0.