[發明專利]一種基于多域多維特征結合的海面小目標檢測方法

在審

• 申請號: 202310072229.5
• 申請日: 2023-02-07
• 公開（公告）號: CN116047458A
• 公開（公告）日: 2023-05-02
• 發明（設計）人: 行鴻彥;趙迪
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G01S7/41
• 分類號: G01S7/41
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 董成

本發明公開了一種基于多域多維特征結合的海面小目標檢測方法，本發明使用堆棧式稀疏自編碼器自適應地提取海雜波與目標回波信號的深層次特征，提高了特征維數保證特征可行性。由于特征提取為完全的自適應過程，降低了模型的復雜度。同時針對單一域中海雜波與目標回波數據的特征區分度較低的問題，提出一種時頻域特征結合的方法來提高特征的差異性，保證了檢測器的穩定、高效檢測性能。通過自適應遺傳算法，加快了超參數組優化的收斂過程，同時一定程度地防止了超參數局部優化，有效提升了最終檢測概率。實驗結果表明，本發明提出的檢測器對高海況數據有更好地檢測效果，檢測概率提高了27.6％，可以應對高海況下的海面小目標檢測。

技術領域

本發明涉及一種基于多域多維特征結合的海面小目標檢測方法，屬于雷達信號處理領域。

背景技術

海面小目標受到雷達散射截面積(Radar?Cross?Section,RCS)小和海況復雜等影響，其信號十分微弱，容易在海雜波背景下被淹沒，難以檢測，導致檢測率低。因此，如何找到合適的海雜波與目標信號的差異，是一項重要的研究課題。

目前有關海雜波背景下檢測小目標的方法，主要分為兩大類，第一類從統計模型的角度分析海雜波特性。在海雜波背景下，應用范圍最廣的統計模型為K分布模型，該模型考慮了雷達回浪數據的相關性，能夠較好地擬合真實分布。但是海面會受到風、潮汐等多因素的影響，具有非常強烈的非平穩性，而海雜波的統計特性模型往往建立在海平面平穩的條件下，因此在海況復雜且信雜比低的情況下，統計模型的檢測效果較差。第二類則是基于非線性的方法，直接從時空的角度分析海雜波的性質。而今年來，神經網絡學習的方法也在海雜波目標檢測中有了一定的發展。Haykin將海雜波視作一種混沌系統，提出了一種基于BP神經網絡模型的海雜波中微弱目標檢測方法；郭子薰等利用特征檢測的方法，提出了一種可控虛警的改進K近鄰的海面小目標檢測方法；施賽楠提出了一種基于多域多維特征融合的海面小目標檢測方法，能夠從多域提取多維特征，對于IPIX數據能有較好的檢測效果。

目前多域多維特征融合的海面小目標檢測方法存在模型較為復雜，虛警不可控的問題。

發明內容

本發明提供了一種基于多域多維特征結合的海面小目標檢測方法，解決了背景技術中披露的問題。

為了解決上述技術問題，本發明所采用的技術方案是：

一種基于多域多維特征結合的海面小目標檢測方法：

獲取海雜波與目標回波信號，并分為樣本平衡的訓練樣本與檢測樣本；

將檢測樣本輸入預先構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；

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

進一步地，所述檢測樣本輸入預先構建的基于堆棧式稀疏自編碼器與GA-XGBoost算法的檢測器的構建過程為：

構建堆棧式稀疏自編碼器，從訓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；

構建XGBoost模型，對所提取的回波深層次特征進行評估分類，提取XGBoost模型中的超參數組，并利用自適應遺傳優化算法對超參數組進行尋優，得到最優超參數組；

將最優超參數組結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。

進一步地，構建堆棧式稀疏自編碼器，從訓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：