一种基于多分类思想的海面小目标检测方法技术

本发明专利技术公开一种基于多分类思想的海面小目标检测方法，用于处理类别非均衡问题。海面小目标检测中，海杂波数据远远多于目标数据，存在类别非均衡问题。因此，提出一种基于多分类思想的海面小目标检测方法。该方法通过划分海杂波数据集，使得划分后的海杂波子数据集中的训练样例数目与目标数据集的训练样例数目均衡，借鉴多分类思想中“一对一”的概念，将海杂波子数据集与目标数据集一一配对作为子训练集，通过该子训练集来构造子分类器，子分类器的选择可视情况而定，根据子分类器的输出结果进行综合判断，该算法不改变海杂波样本的总体分布，避免了采样法带来的偶然性，又不需要人工仿真目标数据，提高了分类精度。提高了分类精度。提高了分类精度。

【技术实现步骤摘要】
一种基于多分类思想的海面小目标检测方法


[0001]本专利技术属于对海雷达慢速小目标检测领域，具体是利用多分类思想，结合传统二分类算法进行目标检测的方法。

技术介绍

[0002]该方法主要针对于海面小目标检测中的类别非均衡问题，即海杂波数据远远多于目标数据，提出新的解决方案。
[0003]模式识别中处理类别不均衡问题的方法有过采样，欠采样，人工仿真数据等。传统的机器学习算法，例如KNN，SVM，神经网络等，在应用于海面小目标检测时，为了应对类别非均衡问题，往往采用人工仿真目标数据来扩充目标数据集。该方法前端工作复杂，并且人工仿真数据与真实数据存在一定差距。而基于多分类思想的二分类算法是解决这一问题的另一个有效途径。

技术实现思路

[0004]本专利技术针对现有技术的不足，采样法带有偶然性，可能会改变原始样本的分布，人工仿真数据和真实数据存在一定差距，带来分类性能的损失。提出一种基于多分类思想的海面小目标检测方法。本专利技术的核心技术是借鉴多分类中“一对一”的思想，将训练样例较多的海杂波数据集进行划分，与训练样例较少的目标数据集一一对应构造多个二分类器，通过多个二分类器进行联合判决。本专利技术的使用，能够实现在不改变海杂波样本的总体分布，不需要人工仿真目标数据的情况下，进行分类器的训练，提高检测精度。本专利技术是对海雷达慢速小目标检测领域的创新发展。
[0005]为了实现上述目的，本专利技术采用的技术方案如下所述：
[0006]本专利技术的算法分为三个部分。
[0007]步骤一：将训练样例较多的海杂波数据集记为S0，标签为H0，训练样例数目为m0，训练样例较少的目标数据集记为S1,标签为H1，训练样例数目为m1，且m0＝n
·
m1，n为正整数；
[0008]首先将S0根据S1的训练样例数目分成n块，记为每一块都是S0的子数据集，每一个子数据集的数量记为且该操作使得的S0的子数据集与S1的训练样例数目基本均衡，即
[0009]步骤二：将划分后的S0的子数据集与S1一一对应构成n个训练集P1,P2,...,P
n
，根据这n个训练集构造n个二分类器；设每个二分类器的判别函数为g
i
(x)；对于单个二分类器而言，判定准则为
的子数据集与S1的训练样例数目基本均衡，即
[0022]步骤二：将划分后的S0的子数据集与S1一一对应构成n个训练集P1,P2,...,P
n
，根据这n个训练集构造n个二分类器。设每个二分类器的判别函数为g
i
(x)。对于单个二分类器而言，判定准则为
[0023][0024]每个二分类器都构造了一个分类面，通过分类面的判别函数进行分类。
[0025]步骤三：将n个分类器的结果汇总进行联合判决，判决规则为：
[0026][0027]即所有分类器输出结果为H1时，最终结果为H1，只要有一个分类器输出结果为H0，则最终结果为H0。
[0028]以上所述，仅是本专利技术的较佳实施例，并非对本专利技术做任何形式上的限制，凡是依据本专利技术的算法实质对上述实例所作的任何简单修改、等同变化，均落入本专利技术的保护范围之内。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多分类思想的海面小目标检测方法，该方法具体包括以下步骤：步骤一：将训练样例较多的海杂波数据集记为S0，标签为H0，训练样例数目为m0，训练样例较少的目标数据集记为S1,标签为H1，训练样例数目为m1，且m0＝n
·
m1，n为正整数；首先将S0根据S1的训练样例数目分成n块，记为每一块都是S0的子数据集，每一个子数据集的数量记为且该操作使得的S0的子数据集与S1的训练样例数目基本均衡，即步骤二：将划分后的S0的...

【专利技术属性】
技术研发人员：薛安克，毛克成，张乐，孔亚广，王俊宏，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：