一种基于多域多维特征结合的海面小目标检测方法

技术领域

本发明涉及一种基于多域多维特征结合的海面小目标检测方法，属于雷达信号处理领域。

背景技术

海面小目标受到雷达散射截面积(Radar Cross Section,RCS)小和海况复杂等影响，其信号十分微弱，容易在海杂波背景下被淹没，难以检测，导致检测率低。因此，如何找到合适的海杂波与目标信号的差异，是一项重要的研究课题。

目前有关海杂波背景下检测小目标的方法，主要分为两大类，第一类从统计模型的角度分析海杂波特性。在海杂波背景下，应用范围最广的统计模型为K分布模型，该模型考虑了雷达回浪数据的相关性，能够较好地拟合真实分布。但是海面会受到风、潮汐等多因素的影响，具有非常强烈的非平稳性，而海杂波的统计特性模型往往建立在海平面平稳的条件下，因此在海况复杂且信杂比低的情况下，统计模型的检测效果较差。第二类则是基于非线性的方法，直接从时空的角度分析海杂波的性质。而今年来，神经网络学习的方法也在海杂波目标检测中有了一定的发展。Haykin将海杂波视作一种混沌系统，提出了一种基于BP神经网络模型的海杂波中微弱目标检测方法；郭子薰等利用特征检测的方法，提出了一种可控虚警的改进K近邻的海面小目标检测方法；施赛楠提出了一种基于多域多维特征融合的海面小目标检测方法，能够从多域提取多维特征，对于IPIX数据能有较好的检测效果。

目前多域多维特征融合的海面小目标检测方法存在模型较为复杂，虚警不可控的问题。

发明内容

本发明提供了一种基于多域多维特征结合的海面小目标检测方法，解决了背景技术中披露的问题。

为了解决上述技术问题，本发明所采用的技术方案是：

一种基于多域多维特征结合的海面小目标检测方法：

获取海杂波与目标回波信号，并分为样本平衡的训练样本与检测样本；

将检测样本输入预先构建的基于堆栈式稀疏自编码器与GA-XGBoost算法的检测器，获得检测样本预测值ρ；

所述基于堆栈式稀疏自编码器与GA-XGBoost算法的检测器更新判决门限γ；

比较检测样本预测值ρ与判决门限γ，若检测样本预测值ρ大于判决门限γ则回波信号中含有目标，若测样本预测值ρ小于判决门限γ则回波信号中没有目标。

进一步地，所述检测样本输入预先构建的基于堆栈式稀疏自编码器与GA-XGBoost算法的检测器的构建过程为：

构建堆栈式稀疏自编码器，从训练样本中提取出能够表征信号的特征量，通过加入稀疏表示的限制条件，提取回波深层次特征；

构建XGBoost模型，对所提取的回波深层次特征进行评估分类，提取XGBoost模型中的超参数组，并利用自适应遗传优化算法对超参数组进行寻优，得到最优超参数组；

将最优超参数组结合堆栈式稀疏自编码器获得基于堆栈式稀疏自编码器与GA-XGBoost算法的检测器。

进一步地，构建堆栈式稀疏自编码器，从训练样本中提取出能够表征信号的特征量，通过加入稀疏表示的限制条件，提取回波深层次特征的过程为：

对海杂波与目标回波信号分别打上标签，有目标为1，无目标为0；

随机生成自编码器网络中的每一层权重W1、W2与偏置B1、B2，构建初始化自编码器网络；其中，网络公式如下：

h＝σ(W1·x+B1)

y＝σ(W2·h+B2)

其中，x为输入层，h为隐含层，y为输出层，训练过程中的损失函数为：

其中，m为输入层的单元个数，n

其中，ρ是稀疏性常数，ρi表示第i个神经元的平均激活度。利用两个构建的初始化堆栈式稀疏自编码器网络从时域和频域分别对待检测信号提取特征，在每一个堆栈稀疏自编码器中，将上一层隐含层作为下一层的输入层，最终分别输出64维特征；

将输出的时域64维特征与频域64维特征连接，结合成128维深层次特征。

进一步地，提取XGBoost模型中的超参数组，并利用自适应遗传优化算法对超参数组进行寻优，得到最优超参数组的过程为：

S31：对XGBoost模型中的超参数设置范围，并对超参数组进行二进制编码处理；

S32：计算超参数组的适应度值，适应度值选取为待检测信号经XGBoost模型的检测概率；

S33：使用选择算子、交叉算子、突变算子，对超参数进行遗传算法迭代更新；

其中，选择算子，通过轮盘赌方法，计算每个个体的适应度值构成轮盘比例进行随机选择；

交叉算子，设立阈值k，在基因的第k个位置进行交叉；

变异算子，根据突变概率选择基因突变位置，进行0-1转换，防止局部寻优；

S34：根据下述公式以更新交叉概率Pc与突变概率Pm的值，加快迭代速度：

其中，f为适应度值，favg、fmax分别为平均与最大适应度值，Pcmax、Pcmin、Pmmax、Pmmin分别为交叉概率与突变概率的上下限值，A为权重更新参数；

S35：判断适应度值是否收敛，如果适应度值收敛，当前迭代终止，输出最优超参数组；否则，返回S33、S34步骤，继续迭代。

进一步地，样本平衡的训练样本与检测样本的分配方法为：分别选取相等长度的海杂波数据与目标回波数据，进行重叠式数据选取，累计脉冲数为N＝1024，重叠度为P＝924。

进一步地，所述基于堆栈式稀疏自编码器与GA-XGBoost算法的检测器更新判决门限γ的方法为：

获取检测器评估分类的实际为海杂波数据的n组预测值，并按从大到小排列，记为ρ

选定虚警率P

计算判决门限γ，其计算公式为：

相应地，一种存储一个或多个程序的计算机可读存储介质：所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据上述方法中的任一方法。

相应地，一种计算设备，包括：

一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据上述的方法中的任一方法的指令。

本发明所达到的有益效果：与现有技术相比，本发明使用堆栈式稀疏自编码器自适应地提取海杂波与目标回波信号的深层次特征，提高了特征维数保证特征可行性。由于特征提取为完全的自适应过程，降低了模型的复杂度。同时针对单一域中海杂波与目标回波数据的特征区分度较低的问题，提出一种时频域特征结合的方法来提高特征的差异性，保证了检测器的稳定、高效检测性能。通过自适应遗传算法，加快了超参数组优化的收敛过程，同时一定程度地防止了超参数局部优化，有效提升了最终检测概率。实验结果表明，本发明提出的检测器对高海况数据有更好地检测效果，检测概率提高了27.6％，可以应对高海况下的海面小目标检测。

附图说明

图1为本发明检测流程示意图；

图2为判决门限更新过程示意图；

图3为三种不同域特征的检测性能对比图。

图4为10组数据在四种极化下本发明所提出检测器的检测性能图。

图5为10组数据在HH极化下四种检测器性能对比图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，本发明的一种基于多域多维特征结合的海面小目标检测方法，包括以下步骤：

S1：获取待检测信号并对待检测信号进行去噪预处理，待检测信号包括海杂波信号和海杂波与目标回波信号，分别对海杂波信号与目标回波信号打上“0”标签与“1”标签；

S2：构建两层堆栈式稀疏自编码器，从预处理后的待检测信号提取出能够表征信号的一系列特征量。通过加入稀疏表示的限制条件，提取回波深层次特征；

S3：构建XGBoost模型，对所提取特征进行评估分类，提取XGBoost网络中的超参数组，并利用自适应遗传优化算法对超参数组进行寻优，快速得到最优超参数组；

S4：根据选取的海杂波与目标回波数据，分为样本平衡的训练样本与检测样本，将训练样本通过上述步骤得到训练好的堆栈式稀疏自编码器网络与XGBoost网络最优超参数组，获得基于堆栈式稀疏自编码器与GA-XGBoost算法的检测器；

S5：将检测器中获取的一系列海杂波数据的预测值结合虚警率计算，更新判决门限γ，实现检测器虚警可控特性；

S6：将检测样本输入检测器中，获得检测样本预测值ρ，通过与判决门限γ对比，判断回波信号中是否有目标。

步骤S1中，将检测问题归为二元假设检验：

其中，c表示海杂波信号，s表示目标回波信号，H

步骤S2中，所述构建深层堆栈式稀疏自编码器，提取目标信号深层次特征的过程包括以下步骤：

S21：对待测信号中海杂波与目标回波信号分别打上标签，有目标为1，无目标为0；

S22：随机生成自编码器网络中的每一层权重与偏置W1、W2、B1、B2，构建初始化自编码器网络。其中，网络与公式如下：

h＝σ(W1·x+B1)

y＝σ(W2·h+B2)

S23：训练过程中的损失函数为

在损失函数中引入稀疏惩罚项KL(||)：

S24：利用两个构建的初始化堆栈式稀疏自编码器网络从时域和频域分别对待检测信号提取特征，在每一个堆栈稀疏自编码器中，将上一层隐含层作为下一层的输入层，最终分别输出64维特征；

S25：将输出的时域64维特征与频域64维特征连接，结合成128维深层次特征。

步骤S3中，所述提取XGBoost网络中的超参数组，并利用自适应遗传优化算法对超参数进行寻优的过程包括以下步骤：

S31：对XGBoost网络中的超参数设置范围，并对超参数组进行二进制编码处理；

S32：计算超参数组的适应度值，适应度值选取为待检测信号经XGBoost网络的检测概率；

S33：使用选择算子、交叉算子、突变算子，对超参数进行遗传算法迭代更新。三个算子如下：

(1)、选择算子。通过轮盘赌方法，计算每个个体的适应度值构成轮盘比例进行随机选择；

(2)、交叉算子。设立阈值k，在基因的第k个位置进行交叉；

(3)、变异算子。根据突变概率选择基因突变位置，进行0-1转换，防止局部寻优；

S34：根据下述公式以更新交叉概率a与突变概率b的值，加快迭代速度：

S35：判断适应度值是否收敛，如果适应度值收敛，当前迭代终止，输出最优超参数组；否则，返回S43、S44步骤，继续迭代。

步骤S4中，平衡海杂波数据与回波数据的方法为：分别选取相等长度的海杂波数据与目标回波数据，进行重叠式数据选取，累计脉冲数为N＝1024，重叠度为P＝924。

步骤S5中，虚警可控特性实现过程包括以下步骤：

S51：获取检测器评估分类的实际为海杂波数据的n组预测值，并按从大到小排列，记为ρ

S52：选定虚警率P

S53：计算判决门限γ，其计算公式为

S54：更新判决门限γ，满足虚警率条件，从而实现虚警可控。

步骤S6中，判断标准为：当ρ>γ时，判断为检测信号中有目标，属于H

本文所使用的数据来源于IPIX雷达目标数据库，由加拿大McMaster大学的Haykin教授在加拿大东海岸采集获取。实验采取了其中的10组数据，每组数据由14个相邻距离单元组成，每个距离单元包含131072个脉冲数，距离分辨率为30m，目标为用金属丝网包裹的聚苯乙烯泡沫塑料球，直径长约1m。根据数据发射和接收方式的不同得到四种极化方式，分别为HH，HV，VH，VV。

图2为判决门限更新过程图。共有1134个实际标签为“0”的总样本，初始化判决门限γ＝0.5，则包含9个虚警点。上调判决门限γ＝0.9688，只包含一个虚警点。在训练过程中实时更新判决门限，从而达到虚警可控。

图3为三种不同域特征的检测性能对比。时域特征的检测概率为56.60％，频域特征的检测概率为69.62％，时频域结合特征的检测概率为94.30％。可见时频域特征结合方法提取的高维特征的检测效果远高于单一域提取的高维特征的检测效果。

图4为10组数据在四种极化下本发明所提出检测器的检测性能图。其中各项参数：P

图5为10组数据在HH极化下四种检测器性能对比图。可以看出本发明提出的检测器的检测性能总体优于其他三种检测器。#17和#280高海况数据的检测概率相比其他检测器提升较大，分别提升了27.6％和57.7％。可见本发明提出的检测方法对高海况数据有更好的检测效果。

综上，本发明解决了高维特征分类器设计复杂的问题，有效解决了传统检测器对高海况数据检测性能差的问题，有效地提升了海面漂浮小目标检测概率。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行一种基于多域多维特征结合的海面小目标检测方法。

一种计算设备，包括一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行一种基于多域多维特征结合的海面小目标检测方法的指令。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。