基于堆栈自编码器的海面目标检测方法技术

本发明专利技术公开了一种基于堆栈自编码器的海面目标检测方法，包括以下步骤：步骤1，对海面回波数据进行预处理，得到二维图像，并将其按方位向时间分为训练集和测试集；步骤2，基于堆栈自编码器进行海面目标检测，所述堆栈自编码器由输入层，2个由自编码器构成的隐含层，logistic分类器依次连接组成，海面目标检测包括以下三个步骤：逐层无监督预训练、有监督微调以及测试集的测试；步骤3，利用测试集对步骤2训练好的网络模型进行性能测试。本发明专利技术能够有效抑制虚警，提高检测率，在低SNR的情况下相较于传统的CA‑CFAR检测具有更好的检测性能。

Sea surface target detection method based on stack self encoder

【技术实现步骤摘要】
基于堆栈自编码器的海面目标检测方法
本专利技术涉及一种结合深度学习的雷达信号处理算法，具体是涉及一种基于堆栈自编码器(SAE)的海面目标检测方法，属于雷达目标检测

技术介绍
海面目标的检测与分类在军事和民用等领域有广泛应用，雷达是海上目标探测和监视的重要手段，但受复杂海洋环境产生的海杂波以及海面目标类型多样化的影响，可靠和稳健的海面目标检测和分类始终是需要研究的关键技术之一。当前海杂波统计特性的研究领域中的重点是对复合K分布进行参数估计以及进行仿真，详见文献“赵海云,胡学成.时空二维相关K分布雷达海杂波建模与仿真[J].中国电子科学研究院学报,2008,3(5):515-519”。传统的平均恒虚警检测(CA-CFAR)基于高斯分布模型进行参数估计从而计算检测门限，详见文献“RichardsMA.雷达信号处理基础[J].2008”。其要求较高的目标与背景对比度，但是实际杂波海尖峰较多，导致检测性能下降，同时容易因临近目标进入参考单元而造成检测困难。文献“蔡克珏.低信杂比条件下海面弱目标检测[D].华中科技大学,2019.”指出雷达回波信杂比低于5dB时，常用的基于雷达回波幅度分布的检测器的检测概率不高于50％，难以满足实际应用的需求。因此，迫切需要一种更有效的海面目标检测方法。近年来，深度学习理论在模式识别领域掀起了一股研究热潮，相关的理论和研究成果不断涌现。雷达领域同样可以通过深度学习算法实现对信号的相应的信息处理。在海面目标检测中，目标呈现小团不规则的点状，机器学习的前期处理中很难提取及组合出合适的特征。深度网络模型隐含层的功能就是逐层对输入数据进行有效编码从而获得原始数据的高层特征表示。其中，堆栈自编码器(SAE)作为深度学习的网络之一，具有优异的特征表达能力。详见参考文献“汪荣贵,杨娟,薛丽霞.机器学习及其应用[M].机械工业出版社,2019”。目前堆栈自编码器在雷达领域的应用主要集中在SAR图像、ISAR图像(具有具体轮廓形状的物体)以及海面目标一维数据的检测，如文献“郭赛.基于深度学习的海面目标检测研究[D].中国科学技术大学,2018”。二维海面目标的检测未见公开报道。
技术实现思路
针对传统CA-CFAR检测对SNR的要求较高，且容易出现漏检的情况的问题，本专利技术的目的是提供一种基于堆栈自编码器的海面目标检测方法。为实现上述目的，本专利技术采用的技术方案为：一种基于堆栈自编码器的海面目标检测方法，包括以下步骤：步骤1，对海面回波数据进行预处理，得到二维图像，并将其按方位向时间分为训练集和测试集；步骤2，基于堆栈自编码器进行海面目标检测，所述堆栈自编码器由输入层，2个由自编码器构成的隐含层，logistic分类器依次连接组成，海面目标检测包括以下三个步骤：逐层无监督预训练、有监督微调以及测试集的测试；步骤3，利用测试集对步骤2训练好的网络模型进行性能测试，并将测试集的分类标签反映射为图像中心待检测单元的分类标签；计算出堆栈自编码器算法下的虚警概率pfa和检测概率pd。所述步骤1的具体步骤为：在已知合作目标的前提下，将目标标记为1，海杂波标记为0，得到每个单元所对应的标签；从图像域出发，采用滑窗模式将海面回波数据中每个单元拓展成二维图像，并将单元标签映射为对应拓展图像的标签，从而获得大量的二维图像及其对应标签，以方位向时间作为划分依据，其前半部分拓展的图像作为训练集，后半部分作为测试集。所述步骤2包括以下步骤：步骤2-1，逐层无监督训练：随机初始化模型参数，对于给定的m个训练集D:{(x(1),y(1)),…，(x(i),y(i)),…,(x(m),y(m))}，x为每个训练样本所有单元组成的向量，y为其对应的标签，上标(1)、(i)、(m)为样本计数，将D中数据集记为D1′＝{x(1),x(2),…,x(m)}；设第一个自编码器对于样本x(i)的输出为并记为一阶特征；f(·)取sigmoid函数为激活函数，W1、b1分别表示第一个自编码器的系数权重系数和偏置项，则根据D1′构造如下的代价函数：其中，||·||表示l2范式，λ表示超参数；采用梯度下降算法对代价函数进行优化，直至收敛：其中，α为学习效率，取值范围为(0,1]；将一阶特征作为第二个编码器的输入，重复上述步骤完成对第二个自编码器的训练，获取二阶特征步骤2-2，有监督微调：舍弃堆栈自编码器的“解码”层，用训练logistic分类器，将二阶特征作为分类器的输入，然后将训练集标签{y(1),y(2),…,y(m)}代入，使用随机梯度下降法并结合反向传播算法调整所有层的参数以最小化代价函数，为了防止虚警的发生，考虑在代价函数中加入正负样本权值[α,β]，其整体代价函数J(W,b)表示为：其整体代价函数J(W,b)表示为：其中，sl表示第l层的神经单元个数，hW,b(x)表示最后输出结果，表示第l层第i单元与第l+1层第j单元间的权重系数，nl表示整个模型的层数。所述步骤3中，由虚警概率pfa和检测概率pd分析得出性能，虚警概率pfa和检测概率pd的计算公式如下：有益效果：传统CA-CFAR检测对SNR的要求较高，且容易出现漏检的情况。结合近年来发展迅速的深度学习算法，本专利技术提出一种基于SAE算法的海面目标检测方法。它不需要提取特征，从图像域出发，采用滑窗模式将待测单元拓展成二维图像，利用SAE对已知训练集图像进行训练学习，寻求像素起伏边缘强度的内在变化关系，并根据这种关系对测试集进行分类判断，其敏感度要远高于传统CA-CFAR检测。通过仿真数据的处理结果证明了该方法的有效性和可行性。附图说明图1为海面目标检测流程图；图2为二维K分布海杂波仿真；图3为海杂波第150距离单元的幅度图和频谱图；图4为参考单元设置；图5为不同SNR的海面目标模型，其中，(a)SNR＝20dB的目标模型，(b)SNR＝10dB的目标模型，(c)SNR＝5dB的目标模型；图6为回波数据标签；图7为测试集的标签；图8为不同SNR下的SAE检测效果，其中，(a)SNR＝20dB，(b)SNR＝10dB，(c)SNR＝5dB；图9为SNR＝20dB下不同期望虚警下的CA-CFAR检测效果，其中，(a)期望虚警10-6，(b)期望虚警10-5，(c)期望虚警10-4；图10为SNR＝10dB下不同期望虚警下的CA-CFAR检测效果，其中，(a)期望虚警10-6，(b)期望虚警10-5，(c)期望虚警10-4；图11为SNR＝5dB下不同期望虚警下的CA-CFAR检测效果，其中，(a)期望虚警10-6，(b)期望虚警10-5，(c)期望虚警10-4。具体实施方式下面结合附图对本专利技术做更进一步的解释。为方便描述本专利技术的内容，首先做以下术语定义：定义1：自编码器本文档来自技高网...

【技术保护点】
1.一种基于堆栈自编码器的海面目标检测方法，其特征在于：包括以下步骤：/n步骤1，对海面回波数据进行预处理，得到二维图像，并将其按方位向时间分为训练集和测试集；/n步骤2，基于堆栈自编码器进行海面目标检测，所述堆栈自编码器由输入层，2个由自编码器构成的隐含层，logistic分类器依次连接组成，海面目标检测包括以下三个步骤：逐层无监督预训练、有监督微调以及测试集的测试；/n步骤3，利用测试集对步骤2训练好的网络模型进行性能测试，并将测试集的分类标签反映射为图像中心待检测单元的分类标签；计算出堆栈自编码器算法下的虚警概率p

【技术特征摘要】
1.一种基于堆栈自编码器的海面目标检测方法，其特征在于：包括以下步骤：
步骤1，对海面回波数据进行预处理，得到二维图像，并将其按方位向时间分为训练集和测试集；
步骤2，基于堆栈自编码器进行海面目标检测，所述堆栈自编码器由输入层，2个由自编码器构成的隐含层，logistic分类器依次连接组成，海面目标检测包括以下三个步骤：逐层无监督预训练、有监督微调以及测试集的测试；
步骤3，利用测试集对步骤2训练好的网络模型进行性能测试，并将测试集的分类标签反映射为图像中心待检测单元的分类标签；计算出堆栈自编码器算法下的虚警概率pfa和检测概率pd。


2.根据权利要求1所述的基于堆栈自编码器的海面目标检测方法，其特征在于：所述步骤1的具体步骤为：在已知合作目标的前提下，将目标标记为1，海杂波标记为0，得到每个单元所对应的标签；从图像域出发，采用滑窗模式将海面回波数据中每个单元拓展成二维图像，并将单元标签映射为对应拓展图像的标签，从而获得大量的二维图像及其对应标签，以方位向时间作为划分依据，其前半部分拓展的图像作为训练集，后半部分作为测试集。


3.根据权利要求1所述的基于堆栈自编码器的海面目标检测方法，其特征在于：所述步骤2包括以下步骤：
步骤2-1，逐层无监督训练：随机初始化模型参数，对于给定的m个训练集D:{(x(1),y(1)),…，(x(i),y(i)),…,(x(m),y(m))}，x为每个训练样本所有单元组成的向量，y为其对应的标签，上标...

【专利技术属性】
技术研发人员：闫贺，王珏，黄佳，陈超，李瑞安，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32