一种海环境下基于双参数KNN的小目标检测方法技术

本发明专利技术公开了一种海环境下基于双参数KNN的小目标检测方法，本发明专利技术考虑传统KNN算法无法控制虚警率的问题，通过调节k值和比例参数η，来达到控制虚警率的目的，是模式识别技术或理论在对海雷达慢速小目标检测领域的延展。能够更加深入小目标检测问题，具有泛化性优良的特点，是一种新的有应用潜力的小目标检测方法。法。法。

【技术实现步骤摘要】
一种海环境下基于双参数KNN的小目标检测方法


[0001]本专利技术属于对海雷达慢速小目标检测
，该方法在联合多维特征的基础上，设计双参数的KNN进行海上小目标检测。

技术介绍

[0002]海面小目标主要指浮冰、小船、蛙人和飞机残骸，是对海雷达执行预警、探测和跟踪的重点和难点对象。慢速小目标回波微弱，海面小型目标具有很小的雷达截面积(Rader cross section，RCS)和较弱的雷达回波，低SCR情况下传统检测方法很难进行检测。以往的基于自适应类的检测算法,主要用于广域的警戒雷达和监视雷达，但是，海杂波具有较宽的多普勒带宽，当海面目标速度较低或较小时，目标回波往往会淹没在强的海杂波中，因此对于海面微弱目标，自适应检测算法性能存在较大程度的下滑。面对这个问题，高距离分辨率和长时间累积下的海面微弱目标特征检测算法应运而生。研究人员提取时域，频域，时频域等特征，将样本投射到区分度更高的特征空间，进而使用模式识别等方法进行分类。
[0003]普通的二分类问题中，两类错分概率是等价的，但是在目标检测中，虚警概率比漏检概率更重要(通常，虚警概率要低于10
‑3而漏检概率可能达十分之几)，并且我们希望虚警率是可控的。因此，基于双参数KNN的小目标检测算法成为解决这一问题的另一个有效途径，现有的算法有基于三特征的凸包算法和可控虚警SVM等。

技术实现思路

[0004]本专利技术针对现有技术的不足，凸包算法存在特征限制，特征一旦多于3个便难以运算，SVM需要选取合适的核函数，且计算复杂。提出一种基于双参数KNN的方法。本专利技术的核心技术是可控虚警。本专利技术的使用，能够实现虚警率的可控，提高检测精度。本专利技术是对海雷达慢速小目标检测应用领域的创新发展。
[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]步骤一：特征提取；根据需要提取时域频域时频域的特征构成特征向量；
[0007]步骤二：计算每一个测试特征向量与所有训练样本之间的欧式距离，得到距离向量D；
[0008]步骤三：将距离向量D中的元素按从小到大的顺序进行排列，并取k个最小距离值所对应的k个训练样本，构成k近邻；
[0009]步骤四：计算k近邻中，海杂波样本的数量和目标样本数量p和q，其中p+q＝k；
[0010]步骤五：通过网格寻优找到最佳的k
*
和η
*
；
[0011]步骤六：对于每个测试样本，在k
*
个近邻中，若η
*
·
p≥q,测试样本判定成海杂波标签H0，否则判定为目标标签H1。
[0012]作为优选，所述的特征提取；具体为：训练样本集和测试样本集，提取所需特征构成特征向量，将训练样本中海杂波标签记为H0，目标标签记为H1。
[0013]作为优选，通过网格寻优找到最佳的k
*
和η
*
；具体为：
[0014]设置网格寻优的范围k∈[k1,k2],η∈[η1,η2]，寻优得到最佳参数k
*
,η
*
，使得实现的虚警概率P
fa*
和预设的虚警概率P
fa
之间差的绝对值小于一个极小值，并且得到的检测概率P
d
最大。
[0015]本专利技术相对于现有技术具有的效果：本专利技术考虑传统KNN算法无法控制虚警率的问题，通过调节k值和比例参数η，来达到控制虚警率的目的，是模式识别技术或理论在对海雷达慢速小目标检测领域的延展。能够更加深入小目标检测问题，具有泛化性优良的特点，是一种新的有应用潜力的小目标检测方法。
附图说明
[0016]图1为本专利技术的流程图。
具体实施方式
[0017]下面结合附图1说明本专利技术的具体实施方式，以下描述仅做示范和解释，并不对本专利技术做任何形式上的限制。
[0018]海杂波中基于可控虚警KNN的小目标检测方法。
[0019]步骤一：训练样本集和测试样本集都提取所需特征构成特征向量，将训练样本中海杂波标签记为H0，目标标签记为H1。
[0020]步骤二：计算每一个测试特征向量与所有训练样本之间的欧式距离，得到距离向量D。
[0021]步骤三：将距离向量D中的元素按从小到大的顺序进行排列，并取k个最小距离值所对应的k个训练样本，构成k近邻。
[0022]步骤四：计算k近邻中，海杂波样本的数量和目标样本数量p和q，其中p+q＝k。
[0023]步骤五：设置比例参数η，若η
·
p≥q,则判定成H0，否则判定为H1。
[0024]步骤六：设置网格寻优的范围k∈[k1,k2],η∈[η1,η2]，寻优得到最佳参数k
*
,η
*
，使得实现的虚警概率P
fa*
和预设的虚警概率P
fa
之间差的绝对值小于一个极小值，并且得到的检测概率P
d
最大。
[0025]步骤七：对于每个测试样本，在k
*
个近邻中，若η
*
·
p≥q,测试样本判定成H0，否则判定为H1。
[0026]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】
1.一种海环境下基于双参数KNN的小目标检测方法，其特征在于，该方法具体包括以下步骤：步骤一：特征提取；根据需要提取时域频域时频域的特征构成特征向量；步骤二：计算每一个测试特征向量与所有训练样本之间的欧式距离，得到距离向量D；步骤三：将距离向量D中的元素按从小到大的顺序进行排列，并取k个最小距离值所对应的k个训练样本，构成k近邻；步骤四：计算k近邻中，海杂波样本的数量和目标样本数量p和q，其中p+q＝k；步骤五：通过网格寻优找到最佳的k
*
和η
*
；步骤六：对于每个测试样本，在k
*
个近邻中，若η
*
·
p≥q,测试样本判定成海杂波标签H0，否则判定为目标标签H1。2.根据权利要求1所述...

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