样本不平衡下基于深度学习的海面目标检测方法及其装置制造方法及图纸

本发明专利技术公开了一种样本不平衡下基于深度学习的海面目标检测方法及其装置，旨在解决海面小目标样本和海杂波样本之间数量不平衡，进而会限制分类器性能的技术问题。其包括：利用基于生成对抗网络的目标数据增强模型，生成与海杂波时间序列等量的生成目标时间序列，实现目标时间序列与海杂波时间序列之间的样本平衡；提取生成目标时间序列与海杂波时间序列的高维特征，送入卷积神经网络进行训练，得到分类器模型；改进了卷积神经网络算法，通过对Softmax分类器设置阈值，实现了虚警概率可控。借助公开的IPIX雷达数据集进行实验验证，得到检测结果。本发明专利技术适用于复杂环境下的雷达目标检测，具有良好的检测效果和鲁棒性，满足雷达目标检测实际需求。目标检测实际需求。目标检测实际需求。

【技术实现步骤摘要】
样本不平衡下基于深度学习的海面目标检测方法及其装置


[0001]本专利技术涉及一种样本不平衡下基于深度学习的海面目标检测方法及其装置，属于雷达目标检测


技术介绍

[0002]海杂波背景下的小目标检测问题无论在军事中还是民用中都占有重要的地位。海杂波是指在雷达照射下海面的后向散射回波，其强度会受到多种因素影响，例如海况、天气、雷达发射频率、偏振模式、极化方式等。同时海杂波具有非均匀、非高斯、非平稳等复杂的统计特性和物理特性，可能会严重干扰到海面目标检测。
[0003]针对海杂波背景下的目标检测问题，国内外学者做了大量的研究工作，提出了许多检测方法并取得了一定的成果，如基于回波能量、海杂波模型和特征的检测方法。除此之外，也有学者尝试将雷达目标检测问题与机器学习算法结合起来，如一种基于改进KNN的海面小目标检测方法,可以很好地实现可控虚警。相比现有的检测器获得了7％和5％的提升,具有良好的检测效果和稳定性。但由于海面小目标其多样性和不可获取性，导致海面小目标的样本是小样本，相对而言的海杂波就成为了大样本，这样必然导致数据集样本不平衡，机器学习等分类算法不能够正确学习少数类数据，而往往倾向于大多数类，可能会导致分类偏差和决策错误。
[0004]因此，本专利技术要解决的技术问题包括：
[0005](1)、现有分类器实现有效分类的前提是样本数量是平衡的。海面小目标由于其多样性和不可获取性，导致海面小目标时间序列的样本是小样本，相对而言的海杂波时间序列就成为了大样本，这样必然导致样本不平衡，进而限制了分类器的性能。
[0006](2)、现有的生成对抗网络通常用于生成图片，且存在梯度消失和局部模式崩塌的学习现象，训练较为困难且时间较长，难以用于生成一维目标时间序列。
[0007](3)、现有的卷积神经网络分类模型以分类准确率、精确度和召回率等为性能评价指标，未考虑虚警概率的影响，难以满足实际雷达应用需求。

技术实现思路

[0008]目的：为了克服现有技术中存在的不足，本专利技术提供一种样本不平衡下基于深度学习的海面目标检测方法及其装置，将基于深度学习的数据增强和分类方法应用于雷达目标检测领域，提高雷达目标检测性能。
[0009]技术方案：为解决上述技术问题，本专利技术采用的技术方案为：
[0010]第一方面，一种样本不平衡下基于深度学习的海面目标检测方法，包括如下步骤：
[0011]利用雷达接收机获取海杂波时间序列和真实目标时间序列，并对真实目标时间序列进行混叠采样得到训练样本集。
[0012]将训练样本集输入基于生成对抗网络的目标增强模型生成与海杂波时间序列等量的生成目标时间序列，实现海杂波时间序列和生成目标时间序列的数量平衡。
[0013]分别对海杂波时间序列和生成目标时间序列提取高维有效特征，构建特征数据集。
[0014]利用卷积神经网络对特征数据集进行训练，得到分类器模型。
[0015]根据所需控制的虚警概率，计算出判决门限。
[0016]利用训练好的分类器模型，根据判决门限进行回波检测。
[0017]作为优选方案，所述对真实目标时间序列进行混叠采样，包括：将真实目标时间序列s(n)进行混叠采样，将其分割成N段长度均为M的时间序列，每段重叠ω秒，构建成生成对抗网络的训练样本集S，记为：
[0018]S＝{S
α
,α＝1,2,
…
N}
[0019]S
α
＝s((M
‑
1000ω)(α
‑
1)+1:(M
‑
1000ω)(α
‑
1)+M),α＝1,2,
…
N
[0020]其中，S
α
为样本序列，α为样本序列标号，s(*)表示对真实目标时间序列s(n)进行混叠采样得到的上采样时间序列。
[0021]作为优选方案，所述基于生成对抗网络的目标增强模型,包括：生成器和判别器两个部分。
[0022]生成器，包括：输入模块，卷积模块和输出模块。生成器的输入是长度为100的高斯噪声序列，生成器的输入模块包含依次连接的一个全连接层，一个批归一化层和ReLU激活函数。生成器的卷积模块有4个，4个卷积模块依次连接，每个卷积模块都包含依次连接的一个上采样层，一个卷积层，一个批归一化层和一个ReLU激活函数。生成器的输出模块包含依次连接的一个卷积层和Tanh激活函数。生成器最终的输出是长度为1024的生成信号。
[0023]判别器，判别器的输入是长度为1024的训练样本集的序列，包括依次连接的五个卷积层和一个全连接层。判别器最终的输出是输入信号来源于真实信号概率的标量值。
[0024]作为优选方案，所述构建特征数据集的步骤，包括：
[0025]分别对海杂波时间序列和生成目标时间序列提取两个幅度特征：时域信息熵和时间赫斯特指数，两个多普勒特征：相对多普勒峰高和相对向量熵，以及两个时频特征：脊累积和连通区域数目，共6个显著特征。
[0026]分别将海杂波时间序列和生成目标时间序列的6个特征值构建成六维特征向量，并分别将六维特征向量组成海杂波特征矩阵G0和生成目标特征矩阵G1。
[0027]构建特征数据集G
fea
为：
[0028]G
fea
＝G0∪G1[0029]其中：G
fea
的维数为6
×
m，6是特征个数，m是海杂波时间序列和生成目标时间序列的特征样本数目之和。
[0030]作为优选方案，利用卷积神经网络对特征数据集进行训练，得到分类器模型的步骤，包括：
[0031]预搭建卷积神经网络模型，所述卷积神经网络模型，包含依次连接的卷积层，池化层，卷积层，池化层，全连接层，输出层。
[0032]对获得的特征数据集进行划分，划分为训练集和验证集两个部分，其中训练集和验证集比例为8:2。
[0033]特征数据集分割完成后，对特征数据集分别加标签，标签为目标和杂波两类。将训练集和验证集输入卷积神经网络模型，经过训练后，可得到分类器模型。
[0034]作为优选方案，根据所需控制的虚警概率，计算出判决门限的步骤，包括：
[0035]根据所需控制的虚警概率，利用蒙特卡罗方法，取输出层第β个位置的输出概率作为检测阈值Threshold。
[0036]所述β的计算公式如下：
[0037]β＝P
fa
*A
[0038]其中，P
fa
为所需控制的虚警概率，A为海杂波样本特征序列的数量大小。
[0039]作为优选方案，利用训练好的分类器模型，根据判决门限进行回波检测的步骤，包括：
[0040]将待检测样本进行特征提取后作为测试集，送入到训练好的卷积神经网络模型中。
[0041]依据训练好的分类器模型，迅速给出每个待检测样本，其被判为海杂波的概率p<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种样本不平衡下基于深度学习的海面目标检测方法，其特征在于：包括如下步骤：利用雷达接收机获取海杂波时间序列和真实目标时间序列，并对真实目标时间序列进行混叠采样得到训练样本集；将训练样本集输入基于生成对抗网络的目标增强模型生成与海杂波时间序列等量的生成目标时间序列，实现海杂波时间序列和生成目标时间序列的数量平衡；分别对海杂波时间序列和生成目标时间序列提取高维有效特征，构建特征数据集；利用卷积神经网络对特征数据集进行训练，得到分类器模型；根据所需控制的虚警概率，计算出判决门限；利用训练好的分类器模型，根据判决门限进行回波检测。2.根据权利要求1所述的样本不平衡下基于深度学习的海面目标检测方法，其特征在于：所述对真实目标时间序列进行混叠采样，包括：将真实目标时间序列s(n)进行混叠采样，将其分割成N段长度均为M的时间序列，每段重叠ω秒，构建成生成对抗网络的训练样本集S，记为：S＝{S
α
,α＝1,2,
…
N}S
α
＝s((M
‑
1000ω)(α
‑
1)+1:(M
‑
1000ω)(α
‑
1)+M),α＝1,2,
…
N其中，S
α
为样本序列，α为样本序列标号，s(*)表示对真实目标时间序列s(n)进行混叠采样得到的上采样时间序列。3.根据权利要求1所述的样本不平衡下基于深度学习的海面目标检测方法，其特征在于：所述基于生成对抗网络的目标增强模型,包括：生成器和判别器两个部分；生成器，包括：输入模块，卷积模块和输出模块；生成器的输入是长度为100的高斯噪声序列，生成器的输入模块包含依次连接的一个全连接层，一个批归一化层和ReLU激活函数；生成器的卷积模块有4个，4个卷积模块依次连接，每个卷积模块都包含依次连接的一个上采样层，一个卷积层，一个批归一化层和一个ReLU激活函数；生成器的输出模块包含依次连接的一个卷积层和Tanh激活函数；生成器最终的输出是长度为1024的生成信号；判别器，判别器的输入是长度为1024的训练样本集的序列，包括依次连接的五个卷积层和一个全连接层；判别器最终的输出是输入信号来源于真实信号概率的标量值。4.根据权利要求1所述的样本不平衡下基于深度学习的海面目标检测方法，其特征在于：所述构建特征数据集的步骤，包括：分别对海杂波时间序列和生成目标时间序列提取两个幅度特征：时域信息熵和时间赫斯特指数，两个多普勒特征：相对多普勒峰高和相对向量熵，以及两个时频特征：脊累积和连通区域数目，共6个显著特征；分别将海杂波时间序列和生成目标时间序列的6个特征值构建成六维特征向量，并分别将六维特征向量组成海杂波特征矩阵G0和生成目标特征矩阵G1；构建特征数据集G
fea
为：G
fea
＝G0∪G1其中：G
fea

【专利技术属性】
技术研发人员：时艳玲，陶平，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：