[發(fā)明專利]基于小波降噪的LS-SVM海面小目標(biāo)檢測的方法

有效

• 申請?zhí)枺?/td>: 201110309450.5
• 申請日: 2011-10-13
• 公開（公告）號: CN102540159A
• 公開（公告）日: 2012-07-04
• 發(fā)明（設(shè)計(jì)）人: 馬惠珠;李瑩
• 申請（專利權(quán)）人: 哈爾濱工程大學(xué)
• 主分類號: G01S7/41
• 分類號: G01S7/41
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術(shù)領(lǐng)域

本發(fā)明涉及的是一種雷達(dá)信號處理技術(shù)領(lǐng)域的目標(biāo)檢測方法。

背景技術(shù)

雷達(dá)的海表面目標(biāo)檢測(特別是海表面的小目標(biāo)檢測)技術(shù)，在民用中均占有非常重要的地位。在各種檢測方法中，對目標(biāo)所在背景環(huán)境中的噪聲處理十分重要，這直接影響目標(biāo)檢測的性能。正確描述海雜波運(yùn)動的困難性，使海雜波中的小目標(biāo)檢測成為雷達(dá)信號處理中最復(fù)雜的問題之一。

與本發(fā)明相關(guān)的報(bào)道有：1、“基于最小二乘支持向量回歸的混沌時(shí)間序列預(yù)測研究”(《海軍航空工程學(xué)院》2009年第24卷第3期)，介紹了支持向量機(jī)的核心理論以及最小二乘支持向量機(jī)回歸的原理，最后利用最小二乘支持向量機(jī)對混沌時(shí)間序列進(jìn)行了預(yù)測。2、“高頻地波雷達(dá)海雜波神經(jīng)網(wǎng)絡(luò)選擇集成預(yù)測”(《系統(tǒng)工程與電子技術(shù)》2009年第31卷第12期)，提出了一種新的海雜波神經(jīng)網(wǎng)絡(luò)預(yù)測方法，該方法在重構(gòu)的相空間中估計(jì)所有神經(jīng)網(wǎng)絡(luò)在預(yù)測樣本鄰域內(nèi)的預(yù)測性能和錯(cuò)誤關(guān)聯(lián)，進(jìn)行神經(jīng)網(wǎng)絡(luò)的自適應(yīng)選擇和動態(tài)集成，實(shí)現(xiàn)了海雜波的神經(jīng)網(wǎng)絡(luò)的動態(tài)集成。3、“一種改進(jìn)的自適應(yīng)GA-SVM參數(shù)選擇研究”(《電子科技》2010年第23卷第5期)，將改進(jìn)的自適應(yīng)遺傳算法與支持向量機(jī)相結(jié)合，設(shè)計(jì)了一種自動優(yōu)選支持向量機(jī)模型參數(shù)的方法。該方法根據(jù)適應(yīng)度值自動調(diào)整交叉概率和變異概率，減少了遺傳算法的收斂時(shí)間并且提高了遺傳算法的精度。4、“Radar?sea?clutter?modelling?and?simulation-Recent?progress?and?futurechallenges”(IEEE，IET?Seminar?Digest?2008)，主要根據(jù)經(jīng)驗(yàn)觀察，綜述了當(dāng)前海雜波建模的發(fā)展，以及涵蓋的統(tǒng)計(jì)模型，并對模擬海表面的電磁散射進(jìn)行了建模。

雖然已有很多關(guān)于海面小目標(biāo)檢測的研究，但是都沒能從系統(tǒng)上完整的給出海雜波背景下小目標(biāo)檢測的方法，這使得其更具有實(shí)際工程意義。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供在強(qiáng)海雜波干擾背景下、適用于實(shí)際應(yīng)用的基于小波降噪的LS-SVM海面小目標(biāo)檢測的方法。

本發(fā)明的目的是這樣實(shí)現(xiàn)的：

本發(fā)明基于小波降噪的LS-SVM海面小目標(biāo)檢測的方法，其特征是：

(1)選取一段原始海雜波數(shù)據(jù)x₀，首先利用小波分解方法進(jìn)行去噪，再通過GP法或者Wolf法對其進(jìn)行混沌性判斷，判定其為混沌序列后提取嵌入維數(shù)n及時(shí)間延遲τ；

(2)另取一段原始海雜波數(shù)據(jù)x₁，進(jìn)行小波分解去噪，濾除海雜波噪聲，并作歸一化處理；

(3)利用粒子群算法搜索支持向量機(jī)回歸的最佳參數(shù)c和g：首先初始化種群及速度，再根據(jù)適應(yīng)度函數(shù)值不斷更新粒子的速度，設(shè)置最大迭代次數(shù)iter_max為終止條件，如已達(dá)到，輸出最優(yōu)解并結(jié)束；若尚未達(dá)到，則更新速度和個(gè)體繼續(xù)搜索，直至搜索到最優(yōu)解并輸出；

(4)通過用步驟(1)和步驟(3)得出的結(jié)果，以最小二乘支持向量機(jī)即LS-SVM為工具，訓(xùn)練步驟(2)得到的數(shù)據(jù)，以達(dá)到重現(xiàn)海雜波混沌模型的目的；

(5)再取一組海雜波數(shù)據(jù)x₂，對其做步驟(2)的預(yù)處理，再通過相空間重構(gòu)方法，應(yīng)用步驟(4)得到的海雜波模型對數(shù)據(jù)x₂進(jìn)行預(yù)測，得到其相應(yīng)的短期預(yù)測數(shù)據(jù)；

(6)將步驟(5)得到的短期預(yù)測數(shù)據(jù)與只經(jīng)過預(yù)處理的數(shù)據(jù)值做差取絕對值，得到絕對誤差，用粒子群優(yōu)化過的LS-SVM進(jìn)行分類，二元信息分類等價(jià)于門限判定，最終實(shí)現(xiàn)強(qiáng)海雜波背景下的小目標(biāo)的檢測。

本發(fā)明的優(yōu)勢在于：

1、一種基于小波分解的信號去噪算法。在強(qiáng)海雜波噪聲背景下，尤其是海尖峰噪聲嚴(yán)重影響檢測性能時(shí)，海雜波噪聲的去除是成功檢測海面小目標(biāo)的首要關(guān)鍵。而線性濾波器對非平穩(wěn)信號濾波效果往往不佳。這里通過采用小波分解的方法實(shí)現(xiàn)海雜波的去噪，有效地分離了海雜波與海雜波噪聲，尤其是容易造成虛警的海尖峰噪聲，大大降低了虛警概率，從而改善了檢測性能。

2、采用LS-SVM對海雜波進(jìn)行建模和預(yù)測，它能夠簡化計(jì)算復(fù)雜度，在保留支持向量機(jī)優(yōu)點(diǎn)的同時(shí)使計(jì)算量大大減少，從而減少了預(yù)測時(shí)間。PSO是一種基于群體智能的演化計(jì)算技術(shù)，它是一種全局尋優(yōu)算法，它的搜索更新過程是跟隨當(dāng)前最優(yōu)解的過程，與其他全局搜索算法相比，大多數(shù)情況下，所有粒子能夠更快的收斂于最優(yōu)解。應(yīng)用PSO對LS-SVM的懲罰參數(shù)c和核函數(shù)參數(shù)g進(jìn)行尋優(yōu)，優(yōu)化LS-SVM，可以更好的達(dá)到海雜波建模預(yù)測的目的。