CN110501683A - 一种基于四维数据特征的海陆杂波分类方法 - Google Patents
一种基于四维数据特征的海陆杂波分类方法 Download PDFInfo
- Publication number
- CN110501683A CN110501683A CN201910764890.6A CN201910764890A CN110501683A CN 110501683 A CN110501683 A CN 110501683A CN 201910764890 A CN201910764890 A CN 201910764890A CN 110501683 A CN110501683 A CN 110501683A
- Authority
- CN
- China
- Prior art keywords
- data
- feature
- parameter
- clutter
- short
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/418—Theoretical aspects
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种基于四维数据特征的海陆杂波分类方法,由于传统的海陆杂波背景下的目标检测方法主要是基于对雷达杂波的统计建模,造成了检测结果强依赖于杂波统计模型的准确度,而实际情况是海洋和陆地回波信号因自身环境的复杂性和受天气,温度,人工干扰等情况的影响,造成较难建立与实际情况一致的杂波统计模型。因此,提出一种基于雷达数据本身特性和模型参数相结合的四维特征分类方法,将回波数据的短时能量,过零率和相关性特性与统计模型的形状参数共同构建特征向量空间,在此基础上,用机器学习算法极限学习机解析分类结果,无复杂的迭代过程,以提高实时性和泛化性能。
Description
技术领域
本发明属于雷达杂波分类技术领域,设计了一种基于正则化极限学习机和四维数据特征的海陆杂波分类检测方法。
背景技术
海洋内部蕴藏着巨大的矿物资源,海洋生物资源,海水化学资源及海洋动力资源其他未知资源,雷达在海事领域中扮演者重要的角色,它通过发射和接收电磁波进行目标探测,能够全天候工作,使用多普勒频率提取目标的径向速度和距离变化率,以及区分静止和运动目标。军事上可用于地面目标的探测和跟踪以及海岸警戒与监视,如海面舰船目标和空中飞行目标的检测和跟踪;民用方面则主要用于资源开发、船只导航,海洋环境特性监测和海态遥感等。在海洋环境中工作的雷达不可避免的要接收到海洋表面,海岸线,海上礁石等的后向散射雷达信号,成为杂波,这些混叠的杂波会对雷达设计和目标检测造成困难,也对无预置地图或无更新地图情况下的雷达导航起到巨大的干扰作用。
现有的分类检测方法,主要是基于对背景杂波的统计特性或谱特性估计,根据不同杂波背景的数学模型设计检测算法。其中基于幅度分布模型主要设计了一系列恒虚警率(CFAR)算法,如均值恒虚警率(CA-CFAR)、及其衍生的选大GO-CA-CFAR、选小SO-CA-CFAR和加权WCA-CFAR算法,但是这些算法在非瑞利杂波环境、较低信杂比及杂波边缘等情形下表现的不够理想。另外,针对杂波起伏和多目标环境进行目标检测的经典方法有排序统计检测器OS-CFAR,其在多目标情况下比CA-CFAR的鲁棒性好,但是在非均匀杂波中虚警率高。以上这些算法的检测准确性高度依赖于对背景杂波建立准确数学模型的基础之上,杂波分布参数的不准确直接导致检测概率的低下以及虚警率的提高,更有甚者导致误检或目标淹没。
发明内容
本发明针对现有技术的不足,提出一种基于正则化极限学习机和四维数据特征的杂波分类检测方法。本发明的核心技术分为两部分:一是挖掘雷达信号数据本身的特点及数据间的相关性特点,从而不完全依赖于对雷达信号统计特征建立的数学模型和基于模型的参数估计,二是用正则化的极限学习机对雷达信号的四维特征进行分类处理。本发明能够有效提高对原始数据特征的信息提取,提高检测效率,降低建模准确度代价,降低虚警率。且本发明能够使数据在未经迭代处理的基础上,通过解析的方式获得分类结果,减少数据量大时的计算量。本发明提出的海陆杂波分类方法计算成本低、效果好,是人工智能方法在雷达信息处理领域的创新。
为了实现上述目的,本发明采用的技术方案如下所述:
海陆杂波分类方法分为雷达海陆数据的产生、数据预处理、四维数字特征提取和分类处理四个部分。
雷达海陆数据的产生可以有多种生成方案,本发明用蒙特卡洛的方法生成符合一定分布和符合一定协方差矩阵相关性的随机数序列。分别作为不同类型的海陆杂波回波数据。
数据的预处理阶段,考虑杂波信号是非稳态时变信号,为便于分析,将数据分段处理,体现短时准稳态性质,分别对每一段数据进行特征挖掘。
四维数字特征提取环节,是对准稳态雷达信号数据段进行信号能量,过零率,相关性及形状参数的计算,构成特征空间。
分类处理阶段,将特征提取器提取的标签化四维特征向量作为前馈神经网络极限学习机的系统输入节点,通过交叉训练的方法获取分类器模型,为提高系统的泛化性能,加入正则化项。
本发明具有的有益效果是:
本发明不仅考虑雷达回波数据的统计分布建模情况,以及模型与经典分布的拟合效果,而且更多的是直接揭示隐藏于采样数据本身的特点,计算方法简单,受模型精确程度的影响小。针对实际场景中时变信号采用准稳态处理,并将极限学习机分类算法首次用于对雷达海杂波数据特征进行解析处理,比传统方法智能高效。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图说明本发明的具体实施方式,以下描述仅做示范和解释,并不对本发明做任何形式上的限制。
如图1所示,基于四维数据特征的海陆杂波分类方法的具体步骤如下:步骤一:
产生雷达海陆数据。
用蒙特卡洛的方法生成符合一定分布和符合一定协方差矩阵相关性的随机数序列。分别作为不同类型的海陆杂波回波数据。
步骤二:雷达海陆数据的预处理。
将雷达海陆数据分段处理,体现短时准稳态性质,分别对每一段数据进行特征挖掘。
步骤三:四维数字的特征提取。
采用针对数据的信号时域短时处理方法和基于分布模型的参数估计方法联合提取海陆杂波数据的显层特征,并将特征集分为两类:基于数据的特征和模型参数的估计特征。这样既从数据本身的实质特征产生特征映射,又一定程度考虑数据分布的统计特性。
1.基于数据的特征提取
首先,采用信号处理的方法将数据进行分帧预处理得到数据帧,然后对数据帧进行时域能量,过零率和相关性计算,获取数据帧的短时特征。对于第i帧数据xi(n),其短时特征计算如下:
短时能量特征:
短时过零率特征:
短时自相关函数特征:
其中L为帧长,k为数据帧的第k个采样点,f为帧数,且满足1≤i≤f,d为时延。
2.模型参数的估计特征提取
为在一定程度上考虑信号采样数据的统计量特征,我们取不同分布参数点估计的计算公式如下:
其中xi为信号采样序列xi(n)的简化写法,分别为对数正态分布、韦伯分布和K分布的形状参数,分别为上述三种分布的尺度参数,γ为欧拉常数,N是信号xi的采样点数,代表是xi 2的期望。
上述为瑞利分布之外的对数正态分布、韦伯分布及K分布的尺度和形状参数的矩估计计算公式,取形状参数作为第四个特征向量,记做
这样就形成了基于四维数据特征的海陆杂波杂波信号的分类系统的输入特征空间:
步骤四:分类处理
在给定一个训练数据集F(x)train的基础上,选定激活函数g,隐层节点数L,按照以下步骤完成海陆杂波的分类。
首先,随机产生隐藏层权重ωi和偏置参数bi初值,i=1,2…,L;
其次,计算隐藏层输出矩阵H;
最后,计算隐藏层输出权重
根据计算输出分类结果。
其中,
是H矩阵的广义逆矩阵,T是正确的目标输出。
Claims (1)
1.一种基于四维数据特征的海陆杂波分类方法,其特征在于该方法包括如下步骤:
步骤一:产生雷达海陆杂波回波数据;
用蒙特卡洛的方法生成符合一定分布和符合一定协方差矩阵相关性的随机数序列;分别作为不同类型的雷达海陆杂波回波数据;
步骤二:雷达海陆数据的预处理;
将雷达海陆杂波回波数据分段处理,体现短时准稳态性质,分别对每一段数据进行特征挖掘;
步骤三:四维数字的特征提取;
采用针对数据的信号时域短时处理方法和基于分布模型的参数估计方法联合提取雷达海陆杂波回波数据的显层特征,并将特征集分为两类:基于数据的特征和模型参数的估计特征;
其中基于数据的特征提取具体为:
首先,采用信号时域短时处理方法将数据进行分帧预处理得到数据帧,然后对数据帧进行时域能量,过零率和相关性计算,获取数据帧的短时特征;对于第i帧数据xi(n),其短时特征计算如下:
短时能量特征:
短时过零率特征:
短时自相关函数特征:
其中L为帧长,k为数据帧的第k个采样点,f为帧数,且满足1≤i≤f,d为时延;
模型参数的估计特征提取具体为:
在一定程度上考虑信号采样数据的统计量特征,取不同分布参数点估计的计算公式如下:
其中xi为信号采样序列xi(n)的简化写法,分别为对数正态分布、韦伯分布和K分布的形状参数,分别为上述三种分布的尺度参数,γ为欧拉常数,N是信号xi的采样点数,是xi 2的期望;
上述为瑞利分布之外的对数正态分布、韦伯分布及K分布的尺度和形状参数的矩估计计算公式,取形状参数作为第四个特征向量,记做
这样就形成了基于四维数据特征的海陆杂波杂波信号的分类系统的输入特征空间:
步骤四:分类处理
在给定一个训练数据集F(x)train的基础上,选定激活函数g,隐层节点数L,按照以下步骤完成海陆杂波的分类;
首先,随机产生隐藏层权重ωi和偏置参数bi初值,i=1,2…,L;
其次,计算隐藏层输出矩阵H;
最后,计算隐藏层输出权重
根据计算输出分类结果;
其中,
是H矩阵的广义逆矩阵,T是正确的目标输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910764890.6A CN110501683B (zh) | 2019-08-19 | 2019-08-19 | 一种基于四维数据特征的海陆杂波分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910764890.6A CN110501683B (zh) | 2019-08-19 | 2019-08-19 | 一种基于四维数据特征的海陆杂波分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110501683A true CN110501683A (zh) | 2019-11-26 |
CN110501683B CN110501683B (zh) | 2021-06-04 |
Family
ID=68588423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910764890.6A Active CN110501683B (zh) | 2019-08-19 | 2019-08-19 | 一种基于四维数据特征的海陆杂波分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110501683B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695461A (zh) * | 2020-05-29 | 2020-09-22 | 杭州电子科技大学 | 一种基于图频特性的雷达杂波智能分类方法 |
CN111812598A (zh) * | 2020-07-30 | 2020-10-23 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于时域频域多特征的地海杂波分类方法 |
CN112001342A (zh) * | 2020-08-28 | 2020-11-27 | 电子科技大学 | 一种采用vgg-16网络的杂波分类方法 |
CN112859034A (zh) * | 2021-04-26 | 2021-05-28 | 中国人民解放军国防科技大学 | 自然环境雷达回波幅度模型分类方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5235339A (en) * | 1992-11-13 | 1993-08-10 | The United States Of America As Represented By The Secretary Of The Navy | Radar target discrimination systems using artificial neural network topology |
CN103000172A (zh) * | 2011-09-09 | 2013-03-27 | 中兴通讯股份有限公司 | 信号分类方法和装置 |
CN104133198A (zh) * | 2014-08-13 | 2014-11-05 | 武汉大学 | 一种高频地波雷达中电离层干扰抑制方法 |
CN104215944A (zh) * | 2014-09-22 | 2014-12-17 | 南京信息工程大学 | 一种基于参数选择的雷达海杂波自适应抑制处理方法 |
CN105137498B (zh) * | 2015-09-17 | 2018-08-10 | 鲁东大学 | 一种基于特征融合的地下目标探测识别系统及方法 |
CN108983180A (zh) * | 2018-06-28 | 2018-12-11 | 浙江大学 | 一种群智能高精度的雷达海杂波预报系统 |
CN109117776A (zh) * | 2018-08-02 | 2019-01-01 | 西安电子工程研究所 | 基于航迹信息的飞机与气象杂波分类识别方法 |
-
2019
- 2019-08-19 CN CN201910764890.6A patent/CN110501683B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5235339A (en) * | 1992-11-13 | 1993-08-10 | The United States Of America As Represented By The Secretary Of The Navy | Radar target discrimination systems using artificial neural network topology |
CN103000172A (zh) * | 2011-09-09 | 2013-03-27 | 中兴通讯股份有限公司 | 信号分类方法和装置 |
CN104133198A (zh) * | 2014-08-13 | 2014-11-05 | 武汉大学 | 一种高频地波雷达中电离层干扰抑制方法 |
CN104215944A (zh) * | 2014-09-22 | 2014-12-17 | 南京信息工程大学 | 一种基于参数选择的雷达海杂波自适应抑制处理方法 |
CN105137498B (zh) * | 2015-09-17 | 2018-08-10 | 鲁东大学 | 一种基于特征融合的地下目标探测识别系统及方法 |
CN108983180A (zh) * | 2018-06-28 | 2018-12-11 | 浙江大学 | 一种群智能高精度的雷达海杂波预报系统 |
CN109117776A (zh) * | 2018-08-02 | 2019-01-01 | 西安电子工程研究所 | 基于航迹信息的飞机与气象杂波分类识别方法 |
Non-Patent Citations (2)
Title |
---|
商庆健 等: "基于有效K均值_有效极限学习机的混沌海杂波背景中微弱信号检测", 《计算机应用》 * |
荆纬: "ELM海杂波目标检测研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695461A (zh) * | 2020-05-29 | 2020-09-22 | 杭州电子科技大学 | 一种基于图频特性的雷达杂波智能分类方法 |
CN111812598A (zh) * | 2020-07-30 | 2020-10-23 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于时域频域多特征的地海杂波分类方法 |
CN111812598B (zh) * | 2020-07-30 | 2022-03-22 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于时域频域多特征的地海杂波分类方法 |
CN112001342A (zh) * | 2020-08-28 | 2020-11-27 | 电子科技大学 | 一种采用vgg-16网络的杂波分类方法 |
CN112001342B (zh) * | 2020-08-28 | 2023-04-07 | 电子科技大学 | 一种采用vgg-16网络的杂波分类方法 |
CN112859034A (zh) * | 2021-04-26 | 2021-05-28 | 中国人民解放军国防科技大学 | 自然环境雷达回波幅度模型分类方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110501683B (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110501683A (zh) | 一种基于四维数据特征的海陆杂波分类方法 | |
CN105137498B (zh) | 一种基于特征融合的地下目标探测识别系统及方法 | |
Valavanis et al. | Modelling of essential fish habitat based on remote sensing, spatial analysis and GIS | |
van Maanen et al. | The use of artificial neural networks to analyze and predict alongshore sediment transport | |
CN113534120B (zh) | 一种基于深度神经网络的多目标恒虚警率检测方法 | |
CN111812598B (zh) | 一种基于时域频域多特征的地海杂波分类方法 | |
Passaro et al. | Absolute Baltic sea level trends in the satellite altimetry era: A revisit | |
CN111695461B (zh) | 一种基于图频特性的雷达杂波智能分类方法 | |
CN114139566A (zh) | 基于机器学习加权平均融合特征提取提高测高精度的方法 | |
CN112327293A (zh) | 一种基于分形特征智能学习的海面目标检测方法 | |
Guo et al. | Sea clutter and target detection with deep neural networks | |
Chakraborty et al. | Application of hybrid techniques (self-organizing map and fuzzy algorithm) using backscatter data for segmentation and fine-scale roughness characterization of seepage-related seafloor along the western continental margin of India | |
Fan et al. | Multifractal correlation analysis of autoregressive spectrum-based feature learning for target detection within sea clutter | |
Yang et al. | Horizontal velocity structure of mesoscale eddies in the South China Sea | |
Bao et al. | Application of lightning spatio-temporal localization method based on deep LSTM and interpolation | |
Li et al. | Sea/land clutter recognition for over-the-horizon radar via deep CNN | |
CN114545422B (zh) | 基于多物理特征的主动声呐目标识别方法 | |
Yuan | A time-frequency feature fusion algorithm based on neural network for HRRP | |
Chen et al. | Integrated processing of radar detection and classification for moving target via time-frequency graph and CNN learning | |
Xu et al. | Classification of coastal altimetric waveforms using machine learning technology | |
Sarikaya et al. | Sea-land classification using radar clutter statistics for shore-based surveillance radars | |
Deuser et al. | On the classification of underwater acoustic signals. II. Experimental applications involving fish | |
Liu et al. | Wave height inversion and sea state classification based on deep learning of radar sea clutter data | |
Bøhler et al. | A Monte Carlo approach for capturing the uncertainty in sonar performance modelling | |
Ren et al. | Prediction of coastal surface currents using numerical model and soft computing model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |