[發(fā)明專利]基于K均值聚類與SVM的海雜波弱目標(biāo)分類方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202110204039.5
• 申請日: 2021-02-24
• 公開（公告）號: CN112906579B
• 公開（公告）日: 2022-08-02
• 發(fā)明（設(shè)計(jì)）人: 時(shí)艷玲;劉子鵬;李君豪;姚婷婷
• 申請（專利權(quán)）人: 南京郵電大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06F17/16
• 代理公司: 南京縱橫知識產(chǎn)權(quán)代理有限公司 32224
• 代理人: 邵斌

1.一種海雜波弱目標(biāo)分類方法，其特征是，包括：

對雷達(dá)回波數(shù)據(jù)進(jìn)行多角度特征提取，構(gòu)建特征矩陣，并進(jìn)行歸一化處理，得到海雜波特征樣本；

將海雜波特征樣本輸入構(gòu)建的海雜波弱目標(biāo)分類器中，獲得分類后的各項(xiàng)指標(biāo)；

其中，所述海雜波弱目標(biāo)分類器的構(gòu)建及訓(xùn)練方法，包括：

設(shè)定訓(xùn)練集和測試集；從海雜波特征樣本和目標(biāo)樣本中各隨機(jī)選取一半作為訓(xùn)練集，剩下的一半作為測試集；

將訓(xùn)練集中的海雜波特征樣本進(jìn)行K均值聚類，聚類的簇?cái)?shù)為K，獲得各個樣本簇{C_k},k＝1,…,K，簇的中心t_k，k＝1,…,K；將聚類后的海雜波特征樣本與目標(biāo)樣本{T}進(jìn)行一一組合得到多個訓(xùn)練集Train1＝{C₁,T},Train2＝{C₂,T},…,TrainK＝{C_K,T},并設(shè)置訓(xùn)練集的標(biāo)簽；

利用訓(xùn)練集中樣本簇的中心t_k作為初始聚類中心對測試集中的雜波樣本進(jìn)行K均值聚類；其余參數(shù)不變，得到各簇{C′_k},k＝1,…,K；聚類后的雜波樣本集與目標(biāo)樣本集{T'}進(jìn)行組合得到測試集Test1＝{C′₁,T'},Test2＝{C′₂,T'},…,TestK＝{C′_K,T'}，并設(shè)置測試集的標(biāo)簽；

對訓(xùn)練集采用SVM進(jìn)行訓(xùn)練，獲得海雜波弱目標(biāo)分類器訓(xùn)練模型{Model1},{Model2},…,{ModelK}；其中，Model1，Model2，…，ModelK表示訓(xùn)練所得的K個模型；將g作非線性映射φ：Rⁿ→H,H為高維特征空間，則有：

g→φ(g)＝(φ(g₁),φ(g₂),…,φ(g_M))^T (14)

則可以得到最優(yōu)分類函數(shù)為：

其中，g_m,m＝1,2,…,M為輸入樣本，y_m∈{+1，-1}為兩類數(shù)據(jù)的類別值，α_m＞0為拉格朗日系數(shù)，b為超平面截距。

2.根據(jù)權(quán)利要求1所述的海雜波弱目標(biāo)分類方法，其特征是，所述多角度特征提取，包括極化特征角度均值歸一化散射功率特征提取、時(shí)域角度相對平均幅度特征提取以及快速傅里葉變換域非廣延熵特征提取。

3.根據(jù)權(quán)利要求2所述的海雜波弱目標(biāo)分類方法，其特征是，所述極化特征角度均值歸一化散射功率特征提取，通過以下公式獲得：

其中，表示待檢測單元，表示均值歸一化散射功率，反映了極化散射矩陣中球體散射的比例，反映了極化散射矩陣中雙平面散射的比例，反映了極化散射矩陣中螺旋散射的比例，表示相對球體散射功率，表示相對雙平面散射功率，表示相對螺旋散射功率。

4.根據(jù)權(quán)利要求2所述的海雜波弱目標(biāo)分類方法，其特征是，所述時(shí)域角度相對平均幅度特征提取，通過以下公式獲得：

其中，為回波時(shí)間序列，c＝{HH,VV,HV,VH}，c{1}＝{HH}，c{2}＝{VV}，c{3}＝{HV}，c{4}＝{VH}，為四種極化方式，RAA_c表示相對平均幅度，表示待檢測單元周圍的回波強(qiáng)度，i＝1,2,...,I，I是參考單元的總數(shù)。

5.根據(jù)權(quán)利要求2所述的海雜波弱目標(biāo)分類方法，其特征是，所述快速傅里葉變換域非廣延熵特征提取，通過以下公式獲得：

其中，表示非廣延熵，γ表示頻域，表示待檢測單元的多普勒譜概率密度函數(shù)，非廣延參數(shù)q是基于多普勒譜的非廣延熵的階數(shù)。

6.一種海雜波弱目標(biāo)分類系統(tǒng)，其特征是，包括：

第一模塊，用于對雷達(dá)回波數(shù)據(jù)進(jìn)行多角度特征提取，構(gòu)建特征矩陣，并進(jìn)行歸一化處理，得到海雜波特征樣本；

第二模塊，用于將海雜波特征樣本輸入構(gòu)建的海雜波弱目標(biāo)分類器中，獲得分類后的各項(xiàng)指標(biāo)；

其中，所述海雜波弱目標(biāo)分類器的構(gòu)建及訓(xùn)練方法，包括：

設(shè)定訓(xùn)練集和測試集；從海雜波特征樣本和目標(biāo)樣本中各隨機(jī)選取一半作為訓(xùn)練集，剩下的一半作為測試集；

將訓(xùn)練集中的海雜波特征樣本進(jìn)行K均值聚類，聚類的簇?cái)?shù)為K，獲得各個樣本簇{C_k},k＝1,…,K，簇的中心t_k，k＝1,…,K；將聚類后的海雜波特征樣本與目標(biāo)樣本{T}進(jìn)行一一組合得到多個訓(xùn)練集Train1＝{C₁,T},Train2＝{C₂,T},…,TrainK＝{C_K,T},并設(shè)置訓(xùn)練集的標(biāo)簽；

利用訓(xùn)練集中樣本簇的中心t_k作為初始聚類中心對測試集中的雜波樣本進(jìn)行K均值聚類；其余參數(shù)不變，得到各簇{C′_k},k＝1,…,K；聚類后的雜波樣本集與目標(biāo)樣本集{T'}進(jìn)行組合得到測試集Test1＝{C′₁,T'},Test2＝{C′₂,T'},…,TestK＝{C′_K,T'}，并設(shè)置測試集的標(biāo)簽；

對訓(xùn)練集采用SVM進(jìn)行訓(xùn)練，獲得海雜波弱目標(biāo)分類器訓(xùn)練模型{Model1},{Model2},…,{ModelK}；其中，Model1，Model2，…，ModelK表示訓(xùn)練所得的K個模型；將g作非線性映射φ：Rⁿ→H,H為高維特征空間，則有：

g→φ(g)＝(φ(g₁),φ(g₂),…,φ(g_M))^T (14)

則可以得到最優(yōu)分類函數(shù)為：

其中，g_m,m＝1,2,…,M為輸入樣本，y_m∈{+1，-1}為兩類數(shù)據(jù)的類別值，α_m＞0為拉格朗日系數(shù)，b為超平面截距。