基于雷达回波特征的海况分类方法及装置制造方法及图纸

本发明专利技术提供一种基于雷达回波特征的海况分类方法及装置，所述方法包括：获取待分类的海杂波数据；对所述海杂波数据进行预处理，以获取预处理参数，并根据预设的特征提取规则从所述预处理的结果中提取目标特征；将基于所述目标特征的海杂波数据输入到预存的分类器中进行分类，以获取分类结果；本发明专利技术所述方法改进了对海杂波数据预处理的方式，从海杂波数据中获取更有效的特征来实现对高/低海况海杂波的分类，提高了分类准确率。提高了分类准确率。提高了分类准确率。

【技术实现步骤摘要】
基于雷达回波特征的海况分类方法及装置


[0001]本专利技术属于雷达杂波特性研究领域，尤其涉及一种基于雷达回波特征的海况分类方法及装置。

技术介绍

[0002]海况作为雷达对海上目标探测的重要背景信息，对其的准确判断在雷达目标精细化探测中具有重要作用。
[0003]为实现稳健的海杂波中目标检测，需要对整个探测场景的背景信息进行精细化动态辨识，进而将探测场景划分为多个子场景，针对不同的子场景，采用与之匹配的目标检测方法进行探测，从而提高整体的目标检测性能，而海况等级的高低作为雷达对海上目标检测的一种重要背景信息，较大程度的影响着探测场景的划分和检测器的选择；现有技术对高/低海况进行识别时采用的数据预处理方法较为单一，无法稳定的突出高/低海况的差异，导致分类器的泛化能力较差，无法满足雷达工作于扫描模式的要求。

技术实现思路

[0004]本专利技术提供的一种基于雷达回波特征的海况分类方法及装置，用以解决现有技术在进行海况分类时由于数据的预处理过程较为单一，从而无法有效筛选出能够稳定突出高/低海况差异的信息导致分类器的泛化能力的较低缺陷，提升了海况分类的准确率。
[0005]本专利技术提供一种基于雷达回波特征的海况分类方法，所述方法包括：
[0006]获取待分类的海杂波数据；对所述海杂波数据进行预处理，以获取预处理参数，并根据预设的特征提取规则从所述预处理的结果中提取目标特征；将基于所述目标特征的海杂波数据输入到预存的分类器中进行分类，以获取分类结果。
[0007]根据本专利技术提供的一种基于雷达回波特征的海况分类方法，所述方法还包括：
[0008]利用时频变换工具将所述海杂波数据由时域上的一维随机序列转换成时频域上的二维随机序列，并获取表示所述二维随机序列的预处理参数，其中，所述预处理参数包括均值函数和标准差函数。
[0009]基于脊积分理论对所述预处理参数进行量化求和，以获取所述目标特征，其中，所述目标特征包括均值函数的脊积分和标准差函数的脊积分。
[0010]分别计算海杂波数据的区域峰值功率和噪声均值功率；计算所述区域峰值功率和所述噪声均值功率的比值，并基于所述均值函数的脊积分、所述标准差函数的脊积分和所述比值构建所述目标特征。
[0011]所述分类器包括短时傅里叶变换、维格纳
‑
威尔分布以及平滑伪WVD中的任意一种。
[0012]所述分类器包括SVM，随机森林以及深度神经网络等所有适用于目标二分类的机器学习或深度学习算法的任意一种。
[0013]本专利技术还提供一种基于雷达回波的海况分类装置，所述装置包括：
[0014]数据获取模块，用于获取待分类的海杂波数据；特征提取模块，用于对所述海杂波数据进行预处理，以获取预处理参数，并根据预设的特征提取规则从所述预处理的结果中提取目标特征；分类模块，将基于所述目标特征的海杂波数据输入到预存的分类器中进行分类，以获取分类结果。
[0015]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于雷达回波的海况分类。
[0016]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于雷达回波特征的海况分类方法。
[0017]本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于雷达回波特征的海况分类方法。
[0018]本专利技术提供的一种基于雷达回波特征的海况分类方法及装置，先获取待分类的海杂波数据，然后对所述海杂波数据进行预处理，从而获取预处理参数，并根据预设的特征提取规则从所述预处理的结果中提取目标特征，最后将基于所述目标特征的海杂波数据输入到预存的分类器中进行分类，以获取分类结果；本专利技术所述方法改进了对海杂波数据预处理的方式，从海杂波数据中获取更有效的特征来实现对高/低海况海杂波的分类，提高了分类准确率。
附图说明
[0019]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0020]图1是本专利技术实施例提供的基于雷达回波特征的海况分类方法的流程示意图；
[0021]图2是本专利技术另一实施例提供的利用两种特征联合SVM进行分类方法的流程示意图；
[0022]图3是本专利技术又一实施例提供的利用三种特征联合SVM进行分类方法的流程示意图；
[0023]图4是本专利技术实施例提供的基于雷达回波的海况分类装置的结构示意图；
[0024]图5是本专利技术提供的电子设备的结构示意图。
具体实施方式
[0025]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0026]下面结合图1描述本专利技术实施例提供的基于雷达回波特征的海况分类方法，包括：
[0027]步骤101、获取待分类的海杂波数据。
[0028]可以理解的是，海杂波是海表面对雷达发射电磁波的后向散射回波，海杂波特性
高度复杂，在高分辨率雷达体制下，海杂波的非平稳、非均匀和非高斯特性更加明显，整个探测场景内海杂波的同分布特性明显下降，很难达到经典CFAR方法和自适应类检测方法所要求的独立同分布的前提条件，因此，从海杂波数据中提取一些能够稳定突出高/低海况差异的特征信息是研究海杂波下的海况分类的关键；本实施例从指定的“雷达对海探测数据共享计划”数据集中获取大量的海杂波数据作为后续分类器的输入样本集，该数据集主要包括不同海况等级下的海杂波和目标回波数据，数据采集时，雷达主要工作于凝视模式，极化方式为HH极化，距离向采样率为60MHz，雷达架高80m，脉冲重复频率(PRF)为1.6kHz。
[0029]步骤102、对所述海杂波数据进行预处理，以获取预处理参数，并根据预设的特征提取规则从所述预处理的结果中提取目标特征。
[0030]具体的，海杂波是海表面对雷达发射电磁波的后向散射回波，本实施例先将海杂波建模为非平稳随机过程，并对其进行时频变换，方便体现其本质特征，并得到海杂波数据在时频变换后的变换参数，然后基于脊积分的理论对该参数进行量化、求和等处理后，获取所需的目标特征，该目标特征作为后续分类器的输入特征，包含了能够稳定地突出不同海况的差异信息。
[0031]步骤103、将基于所述目标特征的海杂波数据输入到预存的分类器中进行分类，以获取分类结果。
[0032]可以理解的是，为了验证目标特征对海杂波数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于雷达回波特征的海况分类方法，其特征在于，包括：获取待分类的海杂波数据；对所述海杂波数据进行预处理，以获取预处理参数，并根据预设的特征提取规则从所述预处理的结果中提取目标特征；将基于所述目标特征的海杂波数据输入到预存的分类器中进行分类，以获取分类结果。2.根据权利要求1所述的基于雷达回波特征的海况分类方法，其特征在于，对所述海杂波数据进行预处理，以获取预处理参数，包括：利用时频变换工具将所述海杂波数据由时域上的一维随机序列转换成时频域上的二维随机序列，并获取表示所述二维随机序列的预处理参数，其中，所述预处理参数包括均值函数和标准差函数。3.根据权利要求1所述的基于雷达回波特征的海况分类方法，其特征在于，根据预设的特征提取规则从所述预处理的结果中提取目标特征包括：基于脊积分理论对所述预处理参数进行量化求和，以获取所述目标特征，其中，所述目标特征包括均值函数的脊积分和标准差函数的脊积分。4.根据权利要求3所述的基于雷达回波特征的海况分类方法，其特征在于，对所述海杂波数据进行预处理，以获取预处理参数，并根据预设的特征提取规则从所述预处理的结果中提取目标特征，之后包括：分别计算海杂波数据的区域峰值功率和噪声均值功率；计算所述区域峰值功率和所述噪声均值功率的比值，并基于所述均值函数的脊积分、所述标准差函数的脊积分和所述比值构建所述目标特征。5....

【专利技术属性】
技术研发人员：刘宁波，张兆祥，董云龙，黄勇，丁昊，关键，王国庆，曹政，于恒力，
申请(专利权)人：中国人民解放军海军航空大学，
类型：发明
国别省市：