一种基于时频三特征提取的对海目标智能检测方法技术

本发明专利技术提供了一种基于时频三特征提取的对海目标智能检测方法，采用短时傅里叶分析方法将目标与强杂波的混合回波数据映射到时间、频率的二维平面内，借助目标与杂波的时频特性差异实现精细化的特征提取和稳健的目标检测。本发明专利技术利用目标杂波的差异性，结合机器学习方法，实现强海杂波背景下的目标可靠检测。有效解决目标与杂波在时域或频域等一维域内高度重叠而难以分离的问题，在时频域实现对慢速运动目标的鲁棒检测，有更高的准确性与检测效率。率。率。

【技术实现步骤摘要】
一种基于时频三特征提取的对海目标智能检测方法


[0001]本专利技术涉及雷达
，涉及一种基于时频三特征的检测方法，适用于在复杂杂波背景下的慢速运动目标检测。

技术介绍

[0002]对地/海杂波背景目标探测研究从简单到复杂，信号处理的维度不断扩展，经历了从时、频、空的单域处理，再到时频、空时的二维处理，再到空时频的多域处理的发展历程。雷达海上目标检测技术方面，20世纪40年代提出了固定门限检测，然而，随着背景环境的日益复杂化，为了满足雷达对虚警率控制的要求，恒虚警率检测技术被提出并逐渐应用到雷达装备中。20世纪50年代出现了以短时傅里叶变换为代表的变换域检测方法，后来又在压缩感知和稀疏表示的基础上逐步发展到表示域处理技术。20 世纪90年代，以分形和混沌为代表的非线性科学开始应用到对海雷达目标检测中，并成为一个十分活跃和重要的分支。
[0003]对海雷达目标探测方法大致可归纳为以下几种途径：(1)时频分析杂波抑制方法，根据对待检测动目标的运动状态，选择合适的时频分析方法，变换至相应的时频域，根据运动目标的时频曲线的幅值或随时间变化规律进行检测和判定；(2)动目标微多普勒信号特征提取技术，以目标的微动特征为研究目标，微多普勒反映多普勒变化特性，为雷达目标特征提取和识别提供了新的途径；(3)动目标信号分数域相参积累处理技术(fractional Fourier transform，FRFT)，能够积累匀加速运动目标信号，适合低可观测机动目标的检测和参数估计；(4)动目标高分辨稀疏时频表示域处理技术，利用稀疏傅里叶变换方法，结合FRFT(fractional Fourier transform)的优势，提出SFRFT (Short
‑
time fractional Fourier transform)方法，在获得高分辨的信号谱特征的同时抑制背景噪声和杂波，并且相比FRFT方法显著降低了大数据量处理时的运算量；(5)多手段动目标信息感知与融合技术，利用声、光、电、磁多传感器目标综合监视系统，经过分布式检测融合、位置融合、属性融合、态势评估和威胁评估五个阶段进行动目标信息感知；(6)基于深度学习的动目标特征智能学习和识别技术，通过数学建模描述目标运动特征参数与运动状态，利用深度学习等智能学习思路，训练模型提高识别准确率。
[0004]总的来说，雷达对海探测技术发展趋势可以分为以下两个方面：一方面是多维信息综合利用，融合利用高维度精细化信息，可对回波信号进行更精细化描述，改善检测、估计、识别、评估和决策的性能。另一方面，雷达智能化目标探测，雷达目标探测关键在于特征的选取和提取过程，人工智能方法能够获取目标深层本质特征信息，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的精细化特征表示，有助于提高目标与杂波识别精度。

技术实现思路

[0005]为了克服现有技术的不足，本专利技术提供一种基于时频三特征提取的对海目标智能检测方法。为了克服现有基于单域的慢速目标检测方法识别准确率不足的问题，本专利技术采
用短时傅里叶分析方法将目标与强杂波的混合回波数据映射到时间、频率的二维平面内，借助目标与杂波的时频特性差异实现精细化的特征提取和稳健的目标检测。本专利技术在充分分析实测数据时频特征的基础上，提出了基于时频三特征提取的对海目标智能检测方法，利用目标杂波的差异性，结合机器学习方法，实现强海杂波背景下的目标可靠检测。
[0006]本专利技术解决其技术问题所采用的技术方案的具体步骤如下：
[0007]步骤一：时频二维变换；
[0008]假设待测试的雷达回波信号表示为x(n)，其短时傅里叶变换表示为：
[0009][0010]其中n和k是离散时间采样和离散频率采样数；h为窗函数；m为窗长度；N为傅里叶变换点数；
[0011]步骤二：时频特征提取；
[0012]首先沿短时傅里叶变换的时间轴将每一时间切片内的谱函数值进行累加，计算出第n个时间切片的谱函数值T_E
n
：
[0013][0014]时频平面总短时傅里叶变换谱函数值E为：
[0015][0016]在此基础上，提取时频如下特征：
[0017](1)时频峰度T
kurtosis
[0018]时频峰度T
kurtosis
表示为：
[0019][0020]其中，m
T
和σ
T
分别是特征向量[T_E1,T_E2,
……
,T_E
n
]的均值和标准差，E(
·
)表示求信号均值的函数；
[0021](2)时频偏度T
skeness
[0022]时频偏度T
skeness
表示为：
[0023][0024](3)时频聚集度v
[0025]X(n,k)的四模与二模之比将大量的信号能量放在时频域的一个小区域内：
[0026][0027]时频聚集度v的高值表示信号在时频平面具有较好的频率聚集度；
[0028]步骤三：模型训练
[0029]将数据集分成训练集和测试集按照，分别计算时频峰度、时频偏度和频率聚集度，并将训练集送入到机器学习网络中进行模型训练，模型通过算法迭代计算确定网络最优参
数；最后，采用测试数据对当前网络进行测试，网络输出对测试数据的预测结果，将预测结果和实际结果对比，并统计目标检测准确度，当目标检测准确度与期望准确度的误差在预设范围内，则机器学习网络训练成功。
[0030]所述h为窗函数，取用汉明窗。
[0031]所述步骤三中，采用支持向量机分类方法(Support Vector Machine Classification， SVM)，将训练好SVM模型作为目标检测输出的判决器，判断当前待检测单元中是否存在目标，实现“目标”和“杂波”的鲁棒识别。
[0032]本专利技术的有益效果在于利用的是杂波与目标信号在时频域内的精细化特征差异性，能够有效解决目标与杂波在时域或频域等一维域内高度重叠而难以分离的问题，在时频域实现对慢速运动目标的鲁棒检测。和传统的基于单域特征的目标识别方法相比，该方法能够提取目标的精细化特征，利用公开的实测海杂波数据进行了算法验证，目标与杂波的二分类准确度达到98.92％。
[0033]本专利技术创新性的提出从时频域进行雷达目标特征的提取和分析，通过SVM进行分类模型的训练学习，最终实现海杂波背景下慢速小目标的智能化检测。该辨识方法较传统雷达目标检测技术(如CAFR)以及现有基于单域特征的雷达目标检测技术而言，有更高的准确性与检测效率。
附图说明
[0034]图1(a)是杂波单元的短时傅里叶变换图，图1(b)是目标单元的短时傅里叶变换图。
[0035]图2是本专利技术基于SVM时频特征提取的对海目标检测技术的流程图。
[0036]图3是分类特征参数矩阵示意图。
[0037]图4(a)目标和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时频三特征提取的对海目标智能检测方法，其特征在于包括下述步骤：步骤一：时频二维变换；假设待测试的雷达回波信号表示为x(n)，其短时傅里叶变换表示为：其中n和k是离散时间采样和离散频率采样数；h为窗函数；m为窗长度；N为傅里叶变换点数；步骤二：时频特征提取；首先沿短时傅里叶变换的时间轴将每一时间切片内的谱函数值进行累加，计算出第n个时间切片的谱函数值T_E
n
：时频平面总短时傅里叶变换谱函数值E为：在此基础上，提取时频如下特征：(1)时频峰度T
kurtosis
时频峰度T
kurtosis
表示为：其中，m
T
和σ
T
分别是特征向量[T_E1,T_E2,
……
,T_E
n
]的均值和标准差，E(
·
)表示求信号均值的函数；(2)时频偏度T
skeness
时频偏度T

【专利技术属性】
技术研发人员：粟嘉，方丹，陶明亮，范一飞，李滔，宫延云，王伶，张兆林，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：