[發(fā)明專利]一種基于多域多維特征結(jié)合的海面小目標(biāo)檢測方法

在審

• 申請?zhí)枺?/td>: 202310072229.5
• 申請日: 2023-02-07
• 公開（公告）號: CN116047458A
• 公開（公告）日: 2023-05-02
• 發(fā)明（設(shè)計）人: 行鴻彥;趙迪
• 申請（專利權(quán)）人: 南京信息工程大學(xué)
• 主分類號: G01S7/41
• 分類號: G01S7/41
• 代理公司: 南京縱橫知識產(chǎn)權(quán)代理有限公司 32224
• 代理人: 董成

1.一種基于多域多維特征結(jié)合的海面小目標(biāo)檢測方法，其特征在于：

獲取海雜波與目標(biāo)回波信號，并分為樣本平衡的訓(xùn)練樣本與檢測樣本；

將檢測樣本輸入預(yù)先構(gòu)建的基于堆棧式稀疏自編碼器與GA-XGBoost算法的檢測器，獲得檢測樣本預(yù)測值ρ；

所述基于堆棧式稀疏自編碼器與GA-XGBoost算法的檢測器更新判決門限γ；

比較檢測樣本預(yù)測值ρ與判決門限γ，若檢測樣本預(yù)測值ρ大于判決門限γ則回波信號中含有目標(biāo)，若測樣本預(yù)測值ρ小于判決門限γ則回波信號中沒有目標(biāo)。

2.根據(jù)權(quán)利要求1所述的一種基于多域多維特征結(jié)合的海面小目標(biāo)檢測方法，其特征在于：所述檢測樣本輸入預(yù)先構(gòu)建的基于堆棧式稀疏自編碼器與GA-XGBoost算法的檢測器的構(gòu)建過程為：

構(gòu)建堆棧式稀疏自編碼器，從訓(xùn)練樣本中提取出能夠表征信號的特征量，通過加入稀疏表示的限制條件，提取回波深層次特征；

構(gòu)建XGBoost模型，對所提取的回波深層次特征進(jìn)行評估分類，提取XGBoost模型中的超參數(shù)組，并利用自適應(yīng)遺傳優(yōu)化算法對超參數(shù)組進(jìn)行尋優(yōu)，得到最優(yōu)超參數(shù)組；

將最優(yōu)超參數(shù)組結(jié)合堆棧式稀疏自編碼器獲得基于堆棧式稀疏自編碼器與GA-XGBoost算法的檢測器。

3.根據(jù)權(quán)利要求2所述的一種基于多域多維特征結(jié)合的海面小目標(biāo)檢測方法，其特征在于：構(gòu)建堆棧式稀疏自編碼器，從訓(xùn)練樣本中提取出能夠表征信號的特征量，通過加入稀疏表示的限制條件，提取回波深層次特征的過程為：

對海雜波與目標(biāo)回波信號分別打上標(biāo)簽，有目標(biāo)為1，無目標(biāo)為0；

隨機生成自編碼器網(wǎng)絡(luò)中的每一層權(quán)重W1、W2與偏置B1、B2，構(gòu)建初始化自編碼器網(wǎng)絡(luò)；其中，網(wǎng)絡(luò)公式如下：

h＝σ(W1·x+B1)

y＝σ(W2·h+B2)

其中，x為輸入層，h為隱含層，y為輸出層，訓(xùn)練過程中的損失函數(shù)為：

其中，m為輸入層的單元個數(shù)，n_l為堆棧自編碼器網(wǎng)絡(luò)總共的層數(shù)，s_l為第一層的神經(jīng)單元數(shù)，λ為權(quán)重衰減參數(shù)；損失函數(shù)的第一項為實際值與網(wǎng)絡(luò)輸出的最小均方差之和，||·||為l₂范式；損失函數(shù)第二項為正則化項，作用在于減小權(quán)重幅值以防止過擬合，具體表示為編碼、解碼權(quán)重矩陣每一項系數(shù)的平方和；在損失函數(shù)中引入稀疏懲罰項KL(ρ||ρi)：

其中，ρ是稀疏性常數(shù)，ρi表示第i個神經(jīng)元的平均激活度；利用兩個構(gòu)建的初始化堆棧式稀疏自編碼器網(wǎng)絡(luò)從時域和頻域分別對待檢測信號提取特征，在每一個堆棧稀疏自編碼器中，將上一層隱含層作為下一層的輸入層，最終分別輸出64維特征；

將輸出的時域64維特征與頻域64維特征連接，結(jié)合成128維深層次特征。

4.根據(jù)權(quán)利要求2所述的一種基于多域多維特征結(jié)合的海面小目標(biāo)檢測方法，其特征在于：提取XGBoost模型中的超參數(shù)組，并利用自適應(yīng)遺傳優(yōu)化算法對超參數(shù)組進(jìn)行尋優(yōu)，得到最優(yōu)超參數(shù)組的過程為：

S31：對XGBoost模型中的超參數(shù)設(shè)置范圍，并對超參數(shù)組進(jìn)行二進(jìn)制編碼處理；

S32：計算超參數(shù)組的適應(yīng)度值，適應(yīng)度值選取為待檢測信號經(jīng)XGBoost模型的檢測概率；

S33：使用選擇算子、交叉算子、突變算子，對超參數(shù)進(jìn)行遺傳算法迭代更新；

其中，選擇算子，通過輪盤賭方法，計算每個個體的適應(yīng)度值構(gòu)成輪盤比例進(jìn)行隨機選擇；

交叉算子，設(shè)立閾值k，在基因的第k個位置進(jìn)行交叉；

變異算子，根據(jù)突變概率選擇基因突變位置，進(jìn)行0-1轉(zhuǎn)換，防止局部尋優(yōu)；

S34：根據(jù)下述公式以更新交叉概率Pc與突變概率Pm的值，加快迭代速度：

其中，f為適應(yīng)度值，favg、fmax分別為平均與最大適應(yīng)度值，Pcmax、Pcmin、Pmmax、Pmmin分別為交叉概率與突變概率的上下限值，A為權(quán)重更新參數(shù)；

S35：判斷適應(yīng)度值是否收斂，如果適應(yīng)度值收斂，當(dāng)前迭代終止，輸出最優(yōu)超參數(shù)組；否則，返回S33、S34步驟，繼續(xù)迭代。