基于稀疏驱动ALE的支持向量机的水下目标检测方法及系统技术方案

本发明专利技术提供了基于稀疏驱动ALE的支持向量机的水下目标检测方法及系统，所述方法包括：将水下无人平台的阵列接收数据进行波束形成；形成波束信号；对波束信号进行稀疏驱动ALE处理，得到增强后的波束域信号；将增强后的波束域信号通过离散傅里叶变换转化为波束声谱，计算波束声谱的熵特性并绘制熵特性曲线；计算熵特性曲线的均值和标准差，构建二维熵特征；将二维熵特征输入预先训练好的支持向量机，输出目标检测的判别结果。本发明专利技术的水下目标检测方法降低了ALE的稳态误差，提高了稀疏驱动ALE的线谱输出信噪比，提高了对线谱弱目标的检测概率，在非均匀噪声背景、宽带强干扰下提升了水下无人平台进行目标检测的环境适应性。

【技术实现步骤摘要】
基于稀疏驱动ALE的支持向量机的水下目标检测方法及系统
本专利技术涉及水下目标检测领域，具体涉及基于稀疏驱动ALE的支持向量机的水下目标检测方法及系统。
技术介绍
随着减振降噪技术的发展，舰船辐射噪声水平大幅度降低，对于水下无人平台被动检测低噪声、安静型水下目标带来更大挑战。水下目标包含的线谱一般具有较好的相位稳定性以及更高强度，但弱目标的线谱受噪声连续谱方差的影响容易淹没在连续谱分量中，需要滤除信号中的宽带干扰及背景噪声。常规的自适应线谱增强器(AdaptiveLineEnhancer，ALE)可以增强线谱信号并抑制宽带噪声，但由于自适应滤波的稳态误差问题限制了其性能；基于自动阈值的能量检测方法受非均匀噪声背景、强干扰等影响严重，弱目标检测能力难以满足水下无人平台要求的环境自主适应性。
技术实现思路
本专利技术的目的在于克服上述技术缺陷，提供基于稀疏驱动ALE的支持向量机的水下目标检测方法，用以解决水下无人平台在非均匀噪声背景、宽带强干扰等复杂环境中对弱目标检测能力的不足，提高对线谱弱目标的检测概率。为实现上述目的，本专利技术的实施例1提供了基于稀疏驱动ALE的支持向量机的水下目标检测方法，所述方法包括：将水下无人平台的阵列接收数据进行波束形成；形成波束信号；对波束信号进行稀疏驱动ALE处理，得到增强后的波束域信号；将增强后的波束域信号通过离散傅里叶变换转化为波束声谱，计算波束声谱的熵特性并绘制熵特性曲线；计算熵特性曲线的均值和标准差，构建二维熵特征；r>将二维熵特征输入预先训练好的支持向量机，输出目标检测的判别结果。作为上述方法的一种改进，所述对波束信号进行稀疏驱动ALE处理，得到增强后的波束域信号，具体包括：步骤S1)自适应滤波器的初始频域权值wF(0)表示为：wF(0)＝[wF,0(0),wF,1(0),...,wF,L-1(0)]T令n表示迭代次数，初值为0；步骤S2)第n次迭代自适应滤波器的时域输出y(n)表示为：其中，wF(n)＝[wF,0(n),wF,1(n),...,wF,L-1(n)]T为第n次迭代自适应滤波器的频域权值；x(n-Δ)为时延后的波束信号：x(n-Δ)＝[x(n-Δ)，x(n-Δ-1)，...，x(n-Δ-L+1)]T其中，x(n)是参考信号，Δ为时延，L为滤波器阶数；步骤S3)计算第n次迭代自适应滤波器的输出估计误差e(n)：e(n)＝x(n)-y(n)步骤S4)计算第n+1次自适应滤波器的频域权值wF(n+1)：根据梯度下降原理，通过l1/2范数正则化的稀疏驱动ALE处理，第n+1次迭代自适应滤波器的频域权值wF(n+1)为：其中，表示向量的按位相乘运算，|·|-3/2表示对向量按位取模的-3/2次方，μ为步长，ρ＝μκ为常数，κ为常数；xF(n-Δ)为x(n-Δ)的离散傅里叶变换；步骤S5)若||wF(n+1)-wF(n)||小于阈值，则进入步骤S6)，否则，n加1后，转入步骤S2)；步骤S6)计算经稀疏驱动ALE处理后，最终的增强后的波束域信号y(n+1)：其中，x(n+1-Δ)＝[x(n+1-Δ),x(n-Δ),...,x(n-Δ-L+2)]T，xF(n+1-Δ)为x(n+1-Δ)的离散傅里叶变换。作为上述方法的一种改进，所述将增强后的波束域信号通过离散傅里叶变换转化为波束声谱，计算波束声谱的熵特性并绘制熵特性曲线，具体包括：将增强后的波束域信号y(n+1)通过离散傅里叶变换转化为波束声谱；设第m个时间窗的波束声谱包含N个频点，其幅值分别为c1,c2,…cN，则第n个频点的权重pn为其幅值与该时间窗内全部频点幅值之和的比值：根据其幅值权重，第m个时间窗的香农熵值Entropym为：Entropym为波束声谱的熵特性；以时间窗m为横坐标，Entropym为纵坐标，绘制熵特性曲线。作为上述方法的一种改进，所述计算熵特性曲线的均值和标准差，构建二维熵特征，具体包括：计算熵曲线的均值Eave及标准差Estd：其中，M为熵特性曲线中的熵值个数；将熵曲线的均值Eave及标准差Estd组成二维特征向量，作为二维熵特征。作为上述方法的一种改进，所述方法还包括：对支持向量机进行训练的步骤，具体包括：建立训练集，包括：水下无人平台的阵列接收数据和其标签；对训练集的水下无人平台的阵列接收数据进行波束形成；形成波束信号；对波束信号进行稀疏驱动ALE处理，得到增强后的波束域信号；将增强后的波束域信号通过离散傅里叶变换转化为波束声谱，计算波束声谱的熵特性并绘制熵特性曲线；计算熵特性曲线的均值和标准差，构成二维熵特征；选取高斯核函数作为支持向量机的二分类器；其输出为0时，代表假设检验H0：不存在目标；其输出为1时，代表假设检验H1：存在目标；将训练集的二维熵特征输入支持向量机进行训练，并根据训练数据的特征分布优化支持向量机的参数。本专利技术的实施例2提供了基于稀疏驱动ALE的支持向量机的水下目标检测系统，其特征在于，所述系统包括：水下无人平台、训练好的用于目标检测的支持向量机、波束形成模块、稀疏驱动ALE处理模块、二维熵特征构建模块和目标检测模块；所述波束形成模块，用于将水下无人平台的阵列接收数据进行波束形成；形成波束信号；所述稀疏驱动ALE处理模块，用于对波束信号进行稀疏驱动ALE处理，得到增强后的波束域信号；所述二维熵特征构建模块，用于将增强后的波束域信号通过离散傅里叶变换转化为波束声谱，计算波束声谱的熵特性并绘制熵特性曲线；计算熵特性曲线的均值和标准差，构建二维熵特征；所述目标检测模块，用于将二维熵特征输入预先训练好的支持向量机，输出目标检测的判别结果。作为上述系统的一种改进，所述稀疏驱动ALE处理模块的具体实现过程为：步骤S1)自适应滤波器的初始频域权值wF(0)表示为：wF(0)＝[wF,0(0),wF,1(0),...,wF,L-1(0)]T令n表示迭代次数，初值为0；步骤S2)第n次迭代自适应滤波器的时域输出y(n)表示为：其中，wF(n)＝[wF，0(n)，wF，1(n)，...，wF，L-1(n)]T为第n次迭代自适应滤波器的频域权值；x(n-Δ)为时延后的波束信号：x(n-Δ)＝[x(n-Δ),x(n-Δ-1),...,x(n-Δ-L+1)]T其中，x(n)是参考信号，Δ为时延，L为滤波器阶数；步骤S3)计算第n次迭代自适应滤波器的输出估计误差e(n)：e(n)＝x(n)-y(n)步骤S4)计算第n+1次自适应滤波器的频域权值wF(n+1)：根据梯度下降原理，通过l1/2范数正则化的稀疏驱动ALE处理，第本文档来自技高网...

【技术保护点】
1.一种基于稀疏驱动ALE的支持向量机的水下目标检测方法，所述方法包括：/n将水下无人平台的阵列接收数据进行波束形成；形成波束信号；/n对波束信号进行稀疏驱动ALE处理，得到增强后的波束域信号；/n将增强后的波束域信号通过离散傅里叶变换转化为波束声谱，计算波束声谱的熵特性并绘制熵特性曲线；计算熵特性曲线的均值和标准差，构建二维熵特征；/n将二维熵特征输入预先训练好的支持向量机，输出目标检测的判别结果。/n

【技术特征摘要】
1.一种基于稀疏驱动ALE的支持向量机的水下目标检测方法，所述方法包括：
将水下无人平台的阵列接收数据进行波束形成；形成波束信号；
对波束信号进行稀疏驱动ALE处理，得到增强后的波束域信号；
将增强后的波束域信号通过离散傅里叶变换转化为波束声谱，计算波束声谱的熵特性并绘制熵特性曲线；计算熵特性曲线的均值和标准差，构建二维熵特征；
将二维熵特征输入预先训练好的支持向量机，输出目标检测的判别结果。


2.根据权利要求1所述的基于稀疏驱动ALE的支持向量机的水下目标检测方法，其特征在于，所述对波束信号进行稀疏驱动ALE处理，得到增强后的波束域信号，具体包括：
步骤S1)自适应滤波器的初始频域权值wF(0)表示为：
wF(0)＝[wF，0(0)，wF，1(0),...,wF,L-1(0)]T
令n表示迭代次数，初值为0；
步骤S2)第n次迭代自适应滤波器的时域输出y(n)表示为：



其中，wF(n)＝[wF,0(n),wF,1(n),...,wF,L-1(n)]T为第n次迭代自适应滤波器的频域权值；x(n-Δ)为时延后的波束信号：
x(n-Δ)＝[x(n-Δ),x(n-Δ-1)，...，x(n-Δ-L+1)]T
其中，x(n)是参考信号，Δ为时延，L为滤波器阶数；
步骤S3)计算第n次迭代自适应滤波器的输出估计误差e(n)：
e(n)＝x(n)-y(n)
步骤S4)计算第n+1次自适应滤波器的频域权值wF(n+1)：
根据梯度下降原理，通过l1/2范数正则化的稀疏驱动ALE处理，第n+1次迭代自适应滤波器的频域权值wF(n+1)为：



||wF(n)||1/2＝(|wF，0(n)|1/2+|wF，1(n)|1/2+...+|wF，L-1(n)|1/2)2
其中，表示向量的按位相乘运算，|·|-3/2表示对向量按位取模的-3/2次方，μ为步长，ρ＝μκ为常数，κ为常数；xF(n-Δ)为x(n-Δ)的离散傅里叶变换；
步骤S5)若||wF(n+1)-wF(n)||小于阈值，则进入步骤S6)，否则，n加1后，转入步骤S2)；
步骤S6)计算经稀疏驱动ALE处理后，最终的增强后的波束域信号y(n+1)：



其中，x(n+1-Δ)＝[x(n+1-Δ),x(n-Δ)，...，x(n-Δ-L+2)]T，xF(n+1-Δ)为x(n+1-Δ)的离散傅里叶变换。


3.根据权利要求2所述的基于稀疏驱动ALE的支持向量机的水下目标检测方法，其特征在于，所述将增强后的波束域信号通过离散傅里叶变换转化为波束声谱，计算波束声谱的熵特性并绘制熵特性曲线，具体包括：
将增强后的波束域信号y(n+1)通过离散傅里叶变换转化为波束声谱；
设第m个时间窗的波束声谱包含N个频点，其幅值分别为c1,c2,…cN，则第n个频点的权重pn为其幅值与该时间窗内全部频点幅值之和的比值：



根据其幅值权重，第m个时间窗的香农熵值Entropym为：



Entropym为波束声谱的熵特性；
以时间窗m为横坐标，Entropym为纵坐标，绘制熵特性曲线。


4.根据权利要求3所述的基于稀疏驱动ALE的支持向量机的水下目标检测方法，其特征在于，所述计算熵特性曲线的均值和标准差，构建二维熵特征，具体包括：
计算熵曲线的均值Eave及标准差Estd：






其中，M为熵特性曲线中的熵值个数；
将熵曲线的均值Eave及标准差Estd组成二维特征向量，作为二维熵特征。


5.根据权利要求4所述的基于稀疏驱动ALE的支持向量机的水下目标检测方法，其特征在于，所述方法还包括：对支持向量机进行训练的步骤，具体包括：
建立训练集，包括：水下无人平台的阵列接收数据和其标签；
对训练集的水下无人平台的阵列接收数据进行波束形成；形成波束信号；对波束信号进行稀疏驱动ALE处理，得到增强后的波束域信号；将增...

【专利技术属性】
技术研发人员：金盛龙，黄海宁，迟骋，李宇，
申请(专利权)人：中国科学院声学研究所，
类型：发明
国别省市：北京;11