一种海杂波背景下的微弱目标信号检测方法技术

本发明专利技术公开了一种海杂波背景下的微弱目标信号检测方法，该方法通过对含有微弱目标的海杂波信号进行互补集成经验模态分解(CEEMD)，并对其分解结果分别建立人工蜂群算法优化后的基于核极限学习机(KELM)预测子模型，将各模型的预测结果重构求和，得到最终预测结果，从而计算预测误差并进行频谱分析和门限比较，最后判断在海杂波背景下是否存微弱的目标信号，具有高检测精度、高泛化能力和低检测时间的特点。

A Method of Weak Target Signal Detection in Sea Clutter Background

The invention discloses a detection method of weak target signal in sea clutter background. The method carries out complementary integrated empirical mode decomposition (CEEMD) for sea clutter signal with weak target, establishes prediction sub-models based on KeLM optimized by artificial bee colony algorithm, reconstructs and sums the prediction results of each model, and obtains final prediction. As a result, the prediction error is calculated and the spectrum analysis and threshold comparison are carried out. Finally, the weak target signal is judged in the background of sea clutter, which has the characteristics of high detection accuracy, high generalization ability and low detection time.

【技术实现步骤摘要】
一种海杂波背景下的微弱目标信号检测方法
本专利技术涉及一种信号检测方法，尤其涉及一种海杂波背景下的微弱目标信号检测方法。
技术介绍
海杂波一般是指海面在雷达照射下形成的后向散射回波，其产生主要受海风、海浪和潮汐等不同因素的影响。在传统的处理过程中，海杂波通常被当作不必要的噪声而滤除，但随着其内部机理研究的发展，海杂波的混沌特性已被证实。基于此，利用海杂波的混沌特性分析海面状况，实现对海平面、低空小目标的探测就具有重要的理论意义和实用价值。然而当目标信号过于微弱时，海杂波中大量的尖峰干扰会造成严重的虚警，因此，海杂波背景下的微弱目标信号检测一直是信号处理领域的研究热点和难点之一。目前，常用的海杂波背景下的微弱目标信号检测方法主要是基于时域分析方法的海杂波小目标检测和基于传统机器学习算法(神经网络或支持向量机)的小目标检测。1993年，Lo等通过对比含目标海杂波所在区域与纯净海杂波区域的分形指数差异实现了单一尺度下的微弱目标检测(OceanicEngineering,IEEEJournalof,1993,18(3):287-295)。1995年，Haykin和Li基于海杂波混沌背景的先验知识，利用BP神经网络构建了海杂波非线性检测模型，并从预测误差中检测出了微弱目标信号(ProceedingsofIEEE,1995,83(6):95)。2010年，关键和刘宁波等将海杂波多重分形特性与SVM相结合，利用海杂波和目标之间特征的差异性检测出了微弱目标信号(《物理学报》2012年第61卷第19期)。2012年，冷永刚等研究了二维Duffing振子在绝热近似条件下的随机共振特性，并根据这些特性实现了噪声环境下的微弱目标信号检测(《物理学报》2012年第61卷第23期)。但目前这类基于时域分形理论或传统机器学习的检测方法并不能完全反映海杂波内在物理特性，建立的模型往往存在精度低、泛化性差等问题，每次检测时需对不同海情的海杂波进行重复训练，会耗费大量的训练时间，难以达到实时检测的要求。
技术实现思路
专利技术目的：本专利技术的目的是提供一种检测海杂波背景下的微弱信号的方法，使用该方法可以解决现有技术中因忽视海杂波背景信号的内在特性而存在的检测精度低、泛化性差、训练检测时间长和不满足实时性检测等问题。技术方案：本专利技术所述的一种海杂波背景下的微弱目标信号检测方法，包括步骤：(1)对待检测海杂波信号x(n)进行互补集成经验模态(CEEMD)分解，得到m个IMF分量{c1(n),c2(n),...,cm(n)}和一个残差分量{r(n)}，n＝1,2,...,N；(2)分别获得各IMF分量和残差分量的嵌入维数p和时间延迟τ，重构相空间，构建各分量最佳输入输出训练样本，并建立有限个核极限学习机预测子模型；(3)利用人工蜂群算法对构建的各个核极限学习机预测子模型中的正则化系数与核参数分别进行优化，使之达到全局最优；(4)将利用蜂群算法求得的最优参数{{C1,best,σ1,best},{C2,best,σ2,best},…,{Cm,best,σm,best},{Cm+1,best,σm+1,best}}分别代入各核极限学习机(KELM)预测子模型中进行预测，并将各子模型的预测结果重构求和，得到最终预测结果；(5)计算预测误差，并对预测误差进行门限比较和频谱分析，判断是否存在微弱目标信号。有益效果：本专利技术所述的检测方法结合了互补集成经验模态分解理论、混沌海杂波序列局部可预测的特点和人工蜂群算法的寻优特性，能够在保障海杂波内在物理特性的基础上，高效地检测出微弱目标信号，与传统的检测方法相比有着更高的检测精度、泛化能力以及更低的检测时间。附图说明图1是本专利技术的一种海杂波背景下的微弱目标信号检测方法的流程图；图2是对照组296#海杂波数据的预测结果；图3是对照组296#海杂波数据的预测结果；图4是对照组296#海杂波数据预测误差的频谱分析；图5是实验组17#海杂波数据的预测结果；图6是实验组17#海杂波数据的预测结果；图7是实验组17#海杂波数据预测误差的频谱分析。具体实施方式下面结合附图和实施例对本专利技术的技术方案作进一步的说明。如图1所示，本专利技术提供了一种海杂波背景下的微弱目标信号检测方法，该方法包括如下步骤：(1.1)向序列长度为N的待检测海杂波信号x(n)中依次加入正负成对的k组白噪声序列hi(n),得到k组加噪后的信号对{x2i-1(n),x2i(n)}，n＝1,2,...,N；(1.2)采用EMD分解法对这k组加噪信号对{x2i-1(n),x2i(n)}进行分解，x2i-1(n)的分解结果为{c2i-1,1(n),c2i-1,2(n),...,c2i-1,m(n),r2i-1(n)}，x2i(n)的分解结果为{c2i,1(n),c2i,2(n),...,c2i,m(n),r2i(n)}；其中，m为IMF分量总数，n为采样点的时间序号，n＝1,2,...,N；(1.3)对k组加噪信号分解结果求和取平均作为最终分解结果{c1(n),c2(n),...,cm(n),r(n)}，其中，cj(n)为第j阶IMF分量，r(n)为残差分量，m为IMF分量总数，n＝1,2,...N，j＝1,2,......,m，如下公式(2)所示；(2)将残差分量r(n)用cm+1(n)进行代替，则{c1(n),c2(n),...,cm(n),r(n)}可写成{c1(n),c2(n),...,cm(n),cm+1(n)}，分别获得各阶IMF分量和残差分量{c1(n),c2(n),...,cm(n),cm+1(n)}的嵌入维数p和时间延迟τ，重构相空间，构建各分量最佳输入输出样本，并建立有限个核极限学习机预测子模型。核极限学习机理论上能实现任意函数的模拟，具有泛化能力强、稳定性高和预测时间短等优点：(2.1)对各分量{c1(n),c2(n),...,cm(n),cm+1(n)}分别进行相空间重构，并建立对应的核极限学习预测子模型，n＝1,2,...N；根据Takens定理对cj(n)进行相空间重构，选择归一化的时间延迟τ＝1，嵌入维D是利用Cao法确定的嵌入维p的2倍，即D≥2m，得到相空间xj(n)如下公式(3)；xj(n)＝{cj(n),cj(n-1),...,cj(n-D+1)}T，n＝D,...,N-1(3)其中，T表示矩阵转置，yj(n)＝cj(n)，n＝D+1,...N，并构成最佳输入输出训练样本{xj(n),yj(n+1)}，n＝D,...,N-1，j＝1,2,......,m+1。(2.2)利用核极限学习机构建预测子模型的方法如下：最佳输入输出训练样本{xj(n),yj(n+1)}，n＝D,...,N-1，并按照公式(4)求解核极限学习机的隐含层和输出层的权值矩阵β：其中，I为对角矩阵，C为正则化系数，核函数K(xj(n),xj(n1))＝exp(-||xj(n),xj(n1)||2/σ2)，||·,·||为欧式范数，σ为核参数，n＝D,...,N-1，n1＝D,...,N-1，j＝1,2,......,m+1；cj(n)对应核极限学习机KELM预测子模型的输出公式为：(3)利用人工蜂群算法对构建的各核极限学习机预测子模型中的正则化系数与核参数分别进本文档来自技高网...

【技术保护点】
1.一种海杂波背景下的微弱目标信号检测方法，其特征在于，包括步骤：(1)对待检测海杂波信号x(n)进行CEEMD分解，得到m个IMF分量{c1(n),c2(n),...,cm(n)}和一个残差分量{r(n)}，其中，n表示采样点的时间序号，n＝1,2,...,N；(2)分别获得各IMF分量和残差分量的嵌入维数p及时间延迟τ，重构相空间，构建各分量最佳输入输出训练样本，并建立m+1个核极限学习机预测子模型；(3)利用人工蜂群算法对构建的各个核极限学习机预测子模型中的正则化系数与核参数分别进行优化，使正则化系数与核参数达到全局最优；(4)将求得的各子模型的最优参数{{C1,best,σ1,best},{C2,best,σ2,best},…,{Cm,best,σm,best},{Cm+1,best,σm+1,best}}分别代入各核极限学习机预测子模型中进行预测，并将各子模型的预测结果重构求和，得到最终预测结果，其中，Cm,best和σm,best分别为第m个预测子模型的最优正则化系数与核参数；(5)计算预测误差，并对预测误差进行门限比较和频谱分析，判断是否存在微弱目标信号。

【技术特征摘要】
1.一种海杂波背景下的微弱目标信号检测方法，其特征在于，包括步骤：(1)对待检测海杂波信号x(n)进行CEEMD分解，得到m个IMF分量{c1(n),c2(n),...,cm(n)}和一个残差分量{r(n)}，其中，n表示采样点的时间序号，n＝1,2,...,N；(2)分别获得各IMF分量和残差分量的嵌入维数p及时间延迟τ，重构相空间，构建各分量最佳输入输出训练样本，并建立m+1个核极限学习机预测子模型；(3)利用人工蜂群算法对构建的各个核极限学习机预测子模型中的正则化系数与核参数分别进行优化，使正则化系数与核参数达到全局最优；(4)将求得的各子模型的最优参数{{C1,best,σ1,best},{C2,best,σ2,best},…,{Cm,best,σm,best},{Cm+1,best,σm+1,best}}分别代入各核极限学习机预测子模型中进行预测，并将各子模型的预测结果重构求和，得到最终预测结果，其中，Cm,best和σm,best分别为第m个预测子模型的最优正则化系数与核参数；(5)计算预测误差，并对预测误差进行门限比较和频谱分析，判断是否存在微弱目标信号。2.根据权利要求1所述的一种海杂波背景下的微弱目标信号检测方法，其特征在于：步骤(1)中，所述的互补集成经验模态分解包括步骤：(1.1)向待检测的海杂波信号x(n)中依次加入正负成对的k组白噪声序列hi(n)，得到k组加噪后的信号对{x2i-1(n),x2i(n)}如下公式(1)所示，(1.2)采用EMD分解法对加噪信号对{x2i-1(n),x2i(n)}进行分解，得到x2i-1(n)的分解结果为{c2i-1,1(n),c2i-1,2(n),...,c2i-1,m(n),r2i-1(n)}，x2i(n)的分解结果为{c2i,1(n),c2i,2(n),...,c2i,m(n),r2i(n)}；对这k组加噪信号分解结果求和取平均作为最终分解结果{c1(n),c2(n),...,cm(n),r(n)}如下公式(2)所示，其中，cj(n)为第j阶IMF分量，r(n)为残差分量，m为IMF分量总数，n为采样点的时间序号，n＝1,2,...N，j＝1,2,......,m；3.根据权利要求1所述的一种海杂波背景下的微弱目标信号检测方法，其特征在于：所述步骤(2)包括：(2.1)将残差分量r(n)用cm+1(n)进行代替，则{c1(n),c2(n),...,cm(n),r(n)}可写成{c1(n),c2(n),...,cm(n),cm+1(n)}，分别对各阶IMF分量和残差分量{c1(n),c2(n),...,cm(n),cm+1(n)}进行相空间重构，并建立对应的核极限学习预测子模型n＝1,2,...N；根据Takens定理对cj(n)进行相空间重构，选择归一化的时间延迟τ＝1，嵌入维D是利用Cao法确定的嵌入维p的2倍，即D≥2m，得到相空间xj(n)，如下公式(3)：xj(n)＝{cj(n),cj(n-1),...,cj(n-D+1)}T，n＝D,...,N-1(3)其中，T表示矩阵转置，yj(n)＝cj(n)，n＝D+1,...N，并构成最佳输入输出训练样本{xj(n),yj(n+1)}，n＝D,...,N-1，j＝1,2,......,m+1；(2.2)利用核极限学习机构建预测子模型的方法如下：最佳输入输出训练样本{xj(n),yj(n+1)}，n＝D,...,N-1，并按照公式(4)求解核极限学习机的隐含层和输出层的权值矩阵β：其中，I为对角矩阵，C为正则化系数，核函数为K(xj(n),xj(n1))＝exp(-||xj(n),xj(n1)||2/σ2)，||·,·||为欧式范数，σ为核参数，n＝D,...,N-1，n1＝D,...,N-1，j＝1,2,......,m+1；cj(n)对应核极限学习机...

【专利技术属性】
技术研发人员：行鸿彦，刘刚，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏,32