CN102621533B - 一种用于船用导航雷达的弱小目标检测方法 - Google Patents

Abstract

本发明公开了一种用于船用导航雷达的弱小目标检测方法，具体包括训练过程和检测过程，训练过程包括海杂波数据相空间重构和灰色神经网络训练，检测过程具体为海杂波目标检测。本发明的方法基于海杂波的回波内在特性和目标的内在特性不同，利用不含目标的海杂波数据训练灰色神经网络，在纯海杂波情况下总误差均方根值或对消误差趋近零；含有目标的总误差均方根值和对消误差就会很大，因而可以进行弱小目标检测的。本发明的方法相对传统的恒虚警目标检测法，可以在强海杂波背景下检测出弱小目标；相比RBF神经网络进行检测的方法，训练速度相对较快，需要的样本数据信息较少，在海杂波背景下有良好的检测弱小目标的性能。

Description

一种用于船用导航雷达的弱小目标检测方法

技术领域

本发明属于船用导航雷达技术领域，具体涉及其中的弱小目标检测方法。

背景技术

船用导航雷达是船舶不可缺少的导航设备之一，但是船用雷达的目标检测性能常常会受到海杂波的影响。海杂波即为来自海洋表面的雷达反射回波，是船舰导航雷达的主要杂波源。通常情况下它不像地杂波是一种分布散射现象，而是表现出更强的动态特性，因此海杂波的存在严重的影响了雷达对海上目标的检测性能。而随着近些年海运事业、港口贸易经济的发展，船舶对导航雷达的目标检测的速度、精度和抗干扰能力的要求越来越高，以用来能够准确、及时地发现海面目标，减小事故发生几率。所以研究海杂波的特性，把海杂波抑制掉对船舶的安全航行及民用海上救生等方面的应用是很有意义的。

目前处理海杂波主要有两种方法：一个是以传统力学为基础，建立的海杂波分布模型，如瑞利（Rayleigh）分布、对数正态（Log-Normal）分布、韦布尔（Weibul）分布和K分布；另一个方法是基于海杂波混沌动力学特性，建立海杂波模型。

然而经过对海杂波的深入研究，发现海杂波并非完全是一种随机信号，包含了很大程度上的确定性因素。基于传统统计学的建模方法，仅仅只是模拟海杂波的表面特性，无法模拟海杂波的内在特性，而且当海杂波幅度较大，目标较小的时候，如（1）掠海飞行的小型飞机、导弹；（2）小型舰船、导航浮标、小片的冰，漂浮在海面的油污，这些可能会对导航带来潜在的危机等等。基于统计特性建立的模型，在强海杂波和低虚警概率条件下发现弱小目标的能力有限，因此如果能够在一定程度上消除或减少海杂波的干扰，将有可能在很大程度上提高海防预警雷达的目标检测性能。

传统的海杂波背景下目标检测方法，主要是基于统计特性利用其表面看似随机过程而建立起来的分布模型上进行目标检测的，认为海杂波是线性的，目标的回波远大于海杂波回波，设定检测门限，因此这种方法只能检测出较大的目标。然而假如目标较小，海杂波较强的情况下；恒虚警目标检测方法是束手无策的，很难检测出弱小目标，甚至导致漏检的发生。

目前基于混沌特性的目标检测方法主要是利用径向基函数神经网络（Radical BasisFunction）进行检测，虽然此方法确实可行，但也存在着“维数灾难”这个缺点，而恰恰网络收敛的速率对输入空间维数的依赖正是这个“维数灾难”。在RBF神经网络中，逼近函数的固有复杂度与输入空间维数成指数增长关系，根本原因是定义在高维空间的函数很可能远远比低维空间上的函数复杂得多，而且不易区分这些复杂的东西，另外RBF网络的训练耗时也是相对很大。

发明内容

本发明的目的是为了解决现有的船用导航雷达的弱小目标检测中存在的上述问题，提出了一种用于船用导航雷达的弱小目标检测方法。

本发明的技术方案是：一种用于船用导航雷达的弱小目标检测方法，包括训练过程和检测过程，具体的，所述训练过程包括如下步骤：

利用海杂波训练数据进行海杂波相空间的重构，具体包括如下分步骤：

S11：计算嵌入维数m；

S12：计算延迟时间τ；

S13：根据延迟时间τ和嵌入维数m，把海杂波训练数据从时间序列构造成奇异吸引子轨迹向量X_j=(x_j,x_j+τ,…,x_j+(m-1)τ),j=1,…，n，其中，x_j表示海杂波训练数据中第j个采样点的海杂波数据，n根据海杂波训练数据总的数目和嵌入维数m得到；

利用重构得到的奇异吸引子轨迹向量对灰色神经网络进行训练，所述灰色神经网络具体包括如下参数，输入参数序号t；网络输入参数y₂(t),…,y_n(t)；网络权值w₁₁,w₂₁,w₂₂,…,w_2n,w₃₁,w₃₂,…,w_3n；网络预测值y₁；灰色神经网络的四层：第一层LA、第二层LB、第三层LC、第四层LD，具体包括如下分步骤：

S21.根据灰色神经网络特征初始化网络结构；

S22.根据网络结构调节权值w₁₁,w₂₁,w₂₂,…,w_2n,w₃₁,w₃₂,…,w_3n；

S23.对每一个输入序列(t,S_t),t=1,2,3,…,n,计算每层输出：

LA层：a=w₁₁t；

LB层： $b=f\left(w_{11}t\right)=\frac{1}{1+e^{-w_{11}t}};$

LC层：c₁=bw₂₁，c₂=y₂(t)bw₂₂，c₃=y₃(t)bw₂₃,…,c_n=y_n(t)bw_2n，y₂(t)，…，y_n(t)与S_t,t=2,3,…,n一一对应；

LD层：d=w₃₁c₁+w₃₂c₂+…+w_3nc_n-θ，θ表示第四层LD网络的预测阈值；

S24.计算网络预测输出与期望输出的误差，并根据误差调整权值和阈值：

LD层误差：δ=d-y₁；

LC层误差： ${\mathrm{\δ}}_1=\mathrm{\δ}*(1+e^{-w_{11}t}),{\mathrm{\δ}}_2=\mathrm{\δ}*(1+e^{-w_{11}t}),\·\·\·,{\mathrm{\δ}}_n=\mathrm{\δ}*(1+e^{-w_{11}t});$

LB层误差： ${\mathrm{\δ}}_{n+1}=\frac{1}{1+e^{-w_{11}t}}*(1-1+e^{-w_{11}t})*(w_{21}{\mathrm{\δ}}_1+w_{22}{\mathrm{\δ}}_2+\·\·\·+w_{2n}{\mathrm{\δ}}_n);$

调整LB到LC的权值，w₂₁=-y₁(0),w₂₂=w₂₂-μ₁δ₂b,…,w_2n=w_2n-μ_n-1δ_nb，μ_i表示第二层与第三层的第i+1个节点之间权值调节系数；

调整LA层到LB层的权值：w₁₁=w₁₁+atδ_n+1；

调整阈值： $\mathrm{\θ}=(1+e^{-w_{11}t})(\frac{w_{22}}{2}{y}_2\left(t\right)+\frac{w_{23}}{2}{y}_3\left(t\right)+\·\·\·+\frac{w_{2n}}{2}{y}_n\left(t\right)-y_1\left(0\right));$

S25.判断LD层误差δ是否大于预设的期望误差值，若大于，则返回S23，继续训练，否则训练结束；

所述检测过程具体包括如下步骤：

将待检测海杂波数据输入到已经训练好的灰色神经网络中，得到第四层的输出，即是预测值

计算对消误差或总误差均方根。

对消误差计算公式如下：

其中，x_n表示待检测海杂波数据的实际值；

总误差均方根计算公式如下： $R=\frac{1}{n}\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{({\stackrel{\‾}{x}}_n-x_n)}^2},$

若对消误差或总误差均方根趋近零，则表示待检测海杂波数据不含弱小目标；否则，则表示待检测海杂波数据含有弱小目标。

本发明的有益效果：本发明的方法基于海杂波的回波内在特性和目标的内在特性不同，利用不含目标的海杂波数据训练灰色神经网络，在纯海杂波情况下总误差均方根值或对消误差趋近零；含有目标的总误差均方根值和对消误差就会很大，因而可以进行弱小目标检测的。本发明的方法相对传统的恒虚警目标检测法，可以在强海杂波背景下检测出弱小目标；相比RBF神经网络进行检测的方法，避免了RBF具有“维数灾难”的问题，训练速度相对较快，需要的样本数据信息较少，在海杂波背景下有良好的检测弱小目标的性能。

附图说明

图1为本发明弱小目标检测方法的流程示意图。

图2为灰色神经网络的结构示意图。

图3为实施例所用的第#26组海杂波数据示意图。

图4为纯海杂波数据中不含小目标的示意图，

图5对海杂波数据中在采样点数为60000时含一个小球目标的示意图。

图6对图4所示的数据经过本发明方法的处理得到的对消误差示意图。

图7为对图5所示的数据经过本发明方法的处理得到的对消误差示意图。

图8为对图4所示的数据经过本发明方法的处理得到的总均方误差根示意图

图9为对图5所示的数据经过本发明方法的处理得到的总均方误差根示意图。

具体实施方式

下面结合附图和具体实施方式做进一步的说明。

如图1所示，本发明的用于船用导航雷达的目标检测方法，包括训练过程和检测过程，具体的，所述训练过程包括如下步骤：

利用海杂波训练数据进行海杂波相空间的重构，具体包括如下分步骤：

S11：计算嵌入维数m；

S12：计算延迟时间τ；

S13：根据延迟时间τ和嵌入维数m，把海杂波训练数据从时间序列构造成奇异吸引子轨迹向量X_j=(x_j,x_j+τ,…,x_j+(m-1)τ),j=1,…，n，其中，x_j表示海杂波训练数据中第j个采样点的海杂波数据，n根据海杂波训练数据总的数目和嵌入维数m得到；

这里，计算嵌入维数m和计算延迟时间τ属于本领域的现有知识，不再详细说明。

利用重构得到的奇异吸引子轨迹向量对灰色神经网络进行训练，灰色神经网络的结构示意图如图2所示，所述灰色神经网络具体包括如下参数，输入参数序号t；网络输入参数y₂(t),…,y_n(t)；网络权值w₂₁,w₂₂,…,w_2n,w₃₁,w₃₂,…,w_3n；网络预测值y₁；灰色神经网络的四层：第一层LA、第二层LB、第三层LC、第四层LD，具体包括如下分步骤：

S21.根据灰色神经网络特征初始化网络结构；

S22.根据网络结构调节权值w₁₁,w₂₁,w₂₂,…,w_2n,w₃₁,w₃₂,…,w_3n；

S23.对每一个输入序列(t,S_t),t=1,2,3,…,n,计算每层输出：

LA层：a=w₁₁t；

LB层： $b=f\left(w_{11}t\right)=\frac{1}{1+e^{-w_{11}t}};$

LC层：c₁=bw₂₁，c₂=y₂(t)bw₂₂，c₃=y₃(t)bw₂₃,…,c_n=y_n(t)bw_2n，y₂(t)，…，y_n(t)与S_t,t=2,3,…,n一一对应；

LD层：d=w₃₁c₁+w₃₂c₂+…+w_3nc_n-θ，θ表示第四层LD网络的预测阈值；

S24.计算网络预测输出与期望输出的误差，并根据误差调整权值和阈值：

LD层误差：δ=d-y₁；

LC层误差： ${\mathrm{\δ}}_1=\mathrm{\δ}*(1+e^{-w_{11}t}),{\mathrm{\δ}}_2=\mathrm{\δ}*(1+e^{-w_{11}t}),\·\·\·,{\mathrm{\δ}}_n=\mathrm{\δ}*(1+e^{-w_{11}t});$

LB层误差： ${\mathrm{\δ}}_{n+1}=\frac{1}{1+e^{-w_{11}t}}*(1-1+e^{-w_{11}t})*(w_{21}{\mathrm{\δ}}_1+w_{22}{\mathrm{\δ}}_2+\·\·\·+w_{2n}{\mathrm{\δ}}_n);$

调整LB到LC的权值，w₂₁=-y₁(0),w₂₂=w₂₂-μ₁δ₂b,…,w_2n=w_2n-μ_n-1δ_nb，μ_i表示第二层与第三层的第i+1个节点之间权值调节系数；

调整LA层到LB层的权值：w₁₁=w₁₁+atδ_n+1；

调整阈值： $\mathrm{\θ}=(1+e^{-w_{11}t})(\frac{w_{22}}{2}{y}_2\left(t\right)+\frac{w_{23}}{2}{y}_3\left(t\right)+\·\·\·+\frac{w_{2n}}{2}{y}_n\left(t\right)-y_1\left(0\right));$

S25.判断LD层误差δ是否大于预设的期望误差值，若大于，则返回S23，继续训练，否则训练结束；

所述检测过程具体包括如下步骤：

将待检测海杂波数据输入到已经训练好的灰色神经网络中，得到第四层的输出，即是预测值

计算对消误差。

对消误差计算公式如下：

其中，x_n表示待检测海杂波数据的实际值；

若对消误差趋近零，则表示待检测海杂波数据不含弱小目标；否则，则表示待检测海杂波数据含有弱小目标。

这里的也可以采用总误差均方根进行评价，总误差均方根计算公式如下：

若总误差均方根趋近零，则表示待检测海杂波数据不含弱小目标；否则，则表示待检测海杂波数据含有弱小目标。

这里的，趋近零可以理解为小于0.01，当海杂波数据含有弱小目标时，检测得到的对消误差或总误差均方根会有较大的很明显的波动，这里对趋近零的理解不影响本发明的实现。

在这里采用加拿大McMaster大学S.Haykin教授采用IPIX雷达在Dartmouth地区海域实测带有目标的海杂波数据对本发明所述的方法进行验证，具体用第#26组海杂波数据，如图3所示，此数据总共有14个距离单元，每个距离15m，每个距离单元有131072个采样点数，此数据在第七距离单元第60000个采样点数附近有一个用铝箔包的小球目标。

图4是回波数据为纯海杂中不含小目标的示意图，图5是回波数据为在采样点数为60000时含一个小球目标。图6为对图4所示的数据经过本发明方法的处理得到的对消误差示意图，图7为对图5所示的数据经过本发明方法的处理得到的对消误差示意图，图8为对图4所示的数据经过本发明方法的处理得到的总均方误差根示意图，图9为对图5所示的数据经过本发明方法的处理得到的总均方误差根示意图。

可以看出，本发明的方法基于海杂波的回波内在特性和目标的内在特性不同，利用不含目标的海杂波数据训练灰色神经网络，在纯海杂波情况下总误差均方根值或对消误差趋近零；含有目标的总误差均方根值和对消误差就会很大，因而可以进行弱小目标检测的。本发明的方法相对传统的恒虚警目标检测法，可以在强海杂波背景下检测出弱小目标；相比RBF神经网络进行检测的方法，避免了RBF具有“维数灾难”的问题，训练速度相对较快，需要的样本数据信息较少，在海杂波背景下有良好的检测弱小目标的性能。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (1)

1.一种用于船用导航雷达的弱小目标检测方法，其特征在于，包括训练过程和检测过程，具体的，所述训练过程包括如下步骤：

利用海杂波训练数据进行海杂波相空间的重构，具体包括如下分步骤：

S11：计算嵌入维数m；

S12：计算延迟时间τ；

S13：根据延迟时间τ和嵌入维数m，把海杂波训练数据从时间序列构造成奇异吸引子轨迹向量X_j=(x_j,x_j+τ,…,x_j+(m-1)τ),j=1,…，n，其中，x_j表示海杂波训练数据中第j个采样点的海杂波数据，n根据海杂波训练数据总的数目和嵌入维数m得到；

利用重构得到的奇异吸引子轨迹向量对灰色神经网络进行训练，所述灰色神经网络具体包括如下参数，输入参数序号t；网络输入参数y₂(t),…,y_n(t)；网络权值w₁₁,w₂₁,w₂₂,…,w_2n,w₃₁,w₃₂,…,w_3n；网络预测值y₁；灰色神经网络的四层：第一层LA、第二层LB、第三层LC、第四层LD，具体包括如下分步骤：

S21.根据灰色神经网络特征初始化网络结构；

S22.根据网络结构调节权值w₁₁,w₂₁,w₂₂,…,w_2n,w₃₁,w₃₂,…,w_3n；

S23.对每一个输入序列(t,S_t)，t=1,2,3,…,n,计算每层输出：

LA层：a=w₁₁t；

LB层： $b=f\left(w_{11}t\right)=\frac{1}{1+e^{-w_{11}t}};$

LC层：c₁=bw₂₁，c₂=y₂(t)bw₂₂，c₃=y₃(t)bw₂₃,…,c_n=y_n(t)bw_2n，y₂(t)，…，y_n(t)与S_t,t=2,3,…,n一一对应；

LD层：d=w₃₁c₁+w₃₂c₂+…+w_3nc_n-θ，θ表示第四层LD网络的预测阈值；

S24.计算网络预测输出与期望输出的误差，并根据误差调整权值和阈值：

LD层误差：δ=d-y₁；

LC层误差： ${\mathrm{\δ}}_1=\mathrm{\δ}*(1+e^{-w_{11}t}),{\mathrm{\δ}}_2=\mathrm{\δ}*(1+e^{-w_{11}t}),\·\·\·,{\mathrm{\δ}}_n=\mathrm{\δ}*(1+e^{-w_{11}t});$

LB层误差： ${\mathrm{\δ}}_{n+1}=\frac{1}{1+e^{-w_{11}t}}*(1-1+e^{-w_{11}t})*(w_{21}{\mathrm{\δ}}_1+w_{22}{\mathrm{\δ}}_2+\·\·\·+w_{2n}{\mathrm{\δ}}_n);$

调整LB到LC的权值，w₂₁=-y₁(0),w₂₂=w₂₂-μ₁δ₂b,…,w_2n=w_2n-μ_n-1δ_nb，μ_i表示第二层与第三层的第i+1个节点之间权值调节系数；

调整LA层到LB层的权值：w₁₁=w₁₁+atδ_n+1；

调整阈值： $\mathrm{\θ}=(1+e^{-w_{11}t})(\frac{w_{22}}{2}{y}_2\left(t\right)+\frac{w_{23}}{2}{y}_3\left(t\right)+\·\·\·+\frac{w_{2n}}{2}{y}_n\left(t\right)-y_1\left(0\right));$

S25.判断LD层误差δ是否大于预设的期望误差值，若大于，则返回S23，继续训练，否则训练结束；

所述检测过程具体包括如下步骤：

将待检测海杂波数据输入到已经训练好的灰色神经网络中，得到第四层的输出，即是预测值

计算对消误差或总误差均方根；

对消误差计算公式如下：

其中，x_n表示待检测海杂波数据的实际值；

总误差均方根计算公式如下：

若对消误差或总误差均方根趋近零，则表示待检测海杂波数据不含弱小目标；否则，则表示待检测海杂波数据含有弱小目标。

Images