一种基于海杂波空间距离维特征进行目标检测的方法技术

本发明专利技术公开了基于海杂波空间距离维特征进行目标检测的方法，通过对捕获的海洋雷达回波数据的重排、字典训练学习，获得能够表达海洋杂波空间域特征的稀疏表示字典，从而能够根据该杂波特征字典重构雷达回波中的杂波分量并消除，利用了空间域上目标与杂波各自相关性的差异，达到提高海上小慢目标回波信杂比的目的，具有适应高海况环境下，海杂波非高斯、非线性、非平稳统计特性的优点，且通过自适应字典学习能够适应不同海况环境，无需先验已知海杂波统计特性。本发明专利技术方法在高海况复杂杂波特征下，比基于慢时间维海杂波特征提取方法，具有更好的杂波抑制与目标信号提取性能。适用于海洋慢速微弱目标的雷达探测处理中的杂波抑制处理。处理。处理。

【技术实现步骤摘要】
一种基于海杂波空间距离维特征进行目标检测的方法


[0001]本专利技术涉及海洋环境下，海面慢速微弱目标的雷达回波数据处理和信号检测方法，具体是用于海上小慢目标检测中的一种海杂波空间距离维特征提取，通过杂波与目标信号的分离来实现目标检测的方法。

技术介绍

[0002]在海洋杂波环境下进行慢速微弱目标检测是一项极具挑战性的任务，尤其是高海况条件下会带来复杂的强杂波，给目标与杂波分离处理带来很大困难。目前较为成熟的海上目标检测方法是自适应类检测方法，主要包括广义似然比检测、自适应匹配滤波器和归一化自适应匹配滤波器等。它们需要建立起海杂波复杂的幅度统计模型形成检测统计量，往往存在参数估计困难，泛化能力差的问题。此外，随着雷达分辨率或海况等级的升高，海杂波呈现出明显的非高斯、非线性、非平稳统计特性，此时类目标的海尖峰频繁出现，海杂波统计模型拖尾严重，引起雷达虚警概率升高。
[0003]离散傅里叶变换基以及各种时频变换基常被用以提取和分离信号时频特征，然而在区分海杂波和海面慢速微弱目标特征方面并不理想。稀疏表示信号处理是一种基于数据驱动的特征提取途径，其核心思想是通过合理的设计字典(稀疏特征空间)来表达复杂信号特征，应用于海洋目标检测就是实现海杂波与目标信号在稀疏特征域上的分离。构建稀疏表示字典的方法分为固定字典构造法和自适应训练方法。固定字典构造法需要先验已知信号特征，选取某种线性变换的基函数来构建信号特征空间，例如小波基、短时Fourier基等；自适应字典训练方法则是数据驱动的，利用信号特征的稀疏性质，通过训练得到稀疏表示字典，也就是稀疏特征空间，能够更好表达复杂信号特征。
[0004]实际强海况中，当目标与海浪运动径向速度相近时，现有目标检测方法所基于的回波数据慢时间维下目标信号与杂波特征近乎一致，导致目标检测算法失效。

技术实现思路

[0005]针对在实际海况中，目标信号与杂波在慢时间维上的特征具有相似性，这导致基于慢时间维特征的杂波滤除算法有效性变差的问题，本专利技术提供了基于海杂波空间距离维特征进行目标检测的方法，通过对捕获的海洋雷达回波数据的重排、字典训练学习，获得能够表达海洋杂波空间域特征的稀疏表示字典，从而能够根据该杂波特征字典重构雷达回波中的杂波分量并消除，利用了空间域上目标与杂波各自相关性的差异，达到提高海上小慢目标回波信杂比的目的。
[0006]本专利技术一种基于海杂波空间距离维特征进行目标检测的方法，参照图1，包括如下步骤：
[0007](1)训练海杂波距离维特征表示字典，在确定没有目标的待测海域，对雷达捕获的海洋回波数据，也就是纯杂波数据，进行重排来获得海杂波距离维训练样本集Y
Train
；
[0008](2)使用字典学习算法，对海杂波距离维训练样本集Y
Train
数据矩阵的特征向量进
行字典训练，得出海杂波距离维稀疏特征空间；
[0009](3)利用海杂波距离维稀疏特征空间来解构待测回波数据，根据公式(5)，按照最小欧式距离原则估计稀疏表示系数矢量也就是用字典D表示回波样本y
i
的系数使最接近回波样本数据y
i
，之后重构得到的海杂波数据成分并将多次样本的重构结果构成C＝[c1，
…
，c
N
]；
[0010](4)对实测回波数据Y
test
，经Y
test
‑
C对消处理得到海杂波抑制后的信号E；
[0011](5)对信号E进行目标提取处理，采用常规的目标的检测方法，例如基于快慢时间维雷达回波数据的MTI(动目标指示)，MTD(动目标检测)等检测方法对目标进行检测。
[0012]有效提取海杂波特征，充分反映海杂波的空间相关性，是本专利技术分离目标与杂波信号的关键。
[0013]为了训练海杂波距离维特征表示字典，首先要对没有目标的待测海域回波数据(也就是纯杂波数据)，进行重排来获得海杂波距离维训练样本集，具体方法是：
[0014]参照图2，对于待测海域海况下的距离
‑
脉冲雷达纯海杂波回波复数据矩阵P为积累脉冲个数，R为距离单元个数，以相邻n个脉冲周期为一组，脉冲回波的同相分量或正交分量构建第i个样本实矢量y
i
，共能得到N＝P/n个样本(设P是的n整数倍，i＝1，
·
…
，N)，每个样本提取实、虚部后，长度为L＝2nR，由此得到海杂波训练样本集是实样本矩阵。
[0015]字典训练学习的具体过程已有多种不同方法，主要差异体现在字典更新阶段，例如现有K
‑
SVD算法(董自巍，孙俊，孙晶明，等.稀疏字典学习海面微弱动目标检测[J].系统工程与电子技术，2020，42(1)：30
‑
36.)，通过对字典重构杂波的误差集进行SVD分解，通过最大奇异值对应的特征向量来分别更新字典原子，具体的字典学习的更新步骤如下：
[0016](1)对于给定的训练样本集Y
Train
，随机选择其中的m个样本用作初始字典D0；
[0017](2)在每次迭代中，K
‑
SVD算法在稀疏编码阶段使用正交匹配追踪(Orthogonal Matching Pursuit，OMP)算法来实现对Y
Train
的稀疏求解；
[0018](3)在字典更新阶段采用顺序更新的方法对字典原子逐个更新：
[0019]第T次迭代中，对于当前将要更新第i个字典原子，设p
i
为求解稀疏表示时用到字典第i个原子d
i
的训练样本索引集合，为索引p
i
对应的样本集合，排除第i个字典原子，剩余字典原子对样本集的重构误差计算为：
[0020][0021]式中，是字典D删除字典原子d
i
(D的第i列)后的字典矩阵，是原稀疏表示系数矩阵删除第i行后的结果；
[0022]对进行奇异值分解：
[0023][0024]为使字典D对重构误差最小化，更新字典第i个原子及其对应的稀疏表示系数为：
[0025][0026][0027]式中，U1为左奇异矩阵的第1列，Δ1V1是第1个奇异值与右奇异矩阵第1列的乘积，和用以更新字典矩阵D和系数矩阵字典逐原子迭代更新，直到收敛或达到指定的迭代次数。
[0028]本专利技术方法，步骤(2)所述的海杂波字典训练，可以看作是利用字典学习算法，对海杂波训练样本集数据矩阵Y
Train
的特征向量进行自适应学习的过程，字典训练方法是：
[0029]设字典所包含的原子向量集||d
j
||2＝1，其中d
j
为字典原子，m是字典中原子个数，j＝1，
…
，m，L是字典原子维度，字典原子可以稀疏地线性表示样本向量y
i
，如图3所示；
[0030]海杂波的字典学习本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于海杂波空间距离维特征进行目标检测的方法，其特征在于，包括如下步骤：(1)训练海杂波距离维特征表示字典，在确定没有目标的待测海域，对雷达捕获的海洋回波数据，也就是纯杂波数据，进行重排来获得海杂波距离维训练样本集Y
Train
；(2)使用字典学习算法，对海杂波距离维训练样本集Y
Train
数据矩阵的特征向量进行字典训练，得出海杂波距离维稀疏特征空间；(3)利用海杂波距离维稀疏特征空间来解构待测回波数据，根据公式(5)，按照最小欧式距离原则估计稀疏表示系数矢量也就是用字典D表示回波样本y
i
的系数使最接近回波样本数据y
i
，之后重构得到的海杂波数据成分并将多次样本的重构结果构成C＝[c1，
…
，c
N
]；(4)对实测回波数据Y
test
，经Y
test
‑
C对消处理得到海杂波抑制后的信号E；(5)对信号E进行目标提取处理，采用常规的目标检测方法对目标进行检测；步骤(1)所述对纯杂波数据，进行重排来获得海杂波距离维训练样本集Y
Train
，具体方法是：对于待测海域海况下的距离
‑
脉冲雷达纯...

【专利技术属性】
技术研发人员：郑霖，刘志勇，邓小芳，杨超，王俊义，仇洪冰，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：