CN113807195A - 基于度矩阵距离判别的海陆杂波分类方法 - Google Patents
基于度矩阵距离判别的海陆杂波分类方法 Download PDFInfo
- Publication number
- CN113807195A CN113807195A CN202110975798.1A CN202110975798A CN113807195A CN 113807195 A CN113807195 A CN 113807195A CN 202110975798 A CN202110975798 A CN 202110975798A CN 113807195 A CN113807195 A CN 113807195A
- Authority
- CN
- China
- Prior art keywords
- sea
- data
- graph
- vertex
- matrix
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
-
- 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
- G01S7/414—Discriminating targets with respect to background clutter
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种基于度矩阵距离判别的海陆杂波分类方法,本发明在构建海陆杂波数据的无向图的基础上,计算图的顶点度矩阵,首次用无向图的顶点度矩阵刻画一维雷达信号,构成特征空间,该特征不但包含原始信号强度信息特征,同时还对数据间的相互关系信息进行挖掘,未做任何数据分布假设,避免了假定数学模型对检测算法的限制。然后用马氏距离判别待测样本顶点度矩阵与两类已知杂波的顶点度空间接近程度,依据判别式进行待测样本的自动归类。本发明能够降低数据维度,减少原始数据冗余信息的干扰,减少计算量,提升算法的泛化能力。
Description
技术领域
本发明属于雷达信号分类与检测技术领域,设计了一种基于图上信号度矩阵的马氏距离判别的海陆杂波智能分类方法。
背景技术
雷达通过向指定探测区域发射和接收电磁波进行目标探测,军事上可用于地面目标,海面舰船目标和空中飞行目标的检测和跟踪以及领海海域监视等;民用方面可用于资源开发、车辆船只和无人机定位导航,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,相对于感兴趣的目标信号,这些形成干扰的回波信号称为杂波,这些混叠的杂波会对雷达设计和目标检测造成困难,也会对海上舰船雷达导航起到巨大的干扰作用。
传统雷达信号检测方法及雷达系统设计往往基于对背景杂波的建模估计,主要是幅度分布统计特性建模或功率谱特性分析等,然后根据不同杂波背景的数学模型设计目标检测算法和系统参数。比如恒虚警(CFAR)系列算法,广义似然比滤波器(GeneralizedLikelihood Ratio Test,GLRT),自适应匹配滤波(Adaptive Matched Filter,AMF)系列算法,以及K分布下的最优检测器(Optimum K-distributed Detector,OKD)等,以上这些算法的检测准确性高度依赖于对目标和背景杂波建模的准确性。实际上,由于杂波环境的非均匀,非高斯和非平稳性,造成了算法不同程度的偏离理想模型的情况,从而导致虚警漏警情况时有发生。基于回波信号特征挖掘的特征检测算法可以在不依赖背景杂波模型的条件下,针对回波信号数字特征进行分析学习和处理,实现对杂波背景的自动识别,提升算法的泛化性能和智能化程度。因此,对杂波背景特性的精细智能认知,以及对杂波信号的差异性特征挖掘变得尤为重要,基于特征的智能检测算法也是目前该领域的研究热点。
发明内容
本发明针对传统检测技术的不足,提出一种基于图上信号特征的矩阵描述和特征间马氏距离判别分析的海陆杂波分类检测方法。
本发明的核心技术分为两部分:一是构建海陆杂波数据的无向图,计算图的顶点度矩阵,构建两类杂波的顶点度特征空间。二是用马氏距离判别待测样本顶点度矩阵与两类已知杂波的顶点度空间接近程度,依据判别式进行待测样本的自动分类识别。本发明不但包含信号原始数据强度信息特征,同时还对数据间的相互关系信息进行挖掘,可以提高检测效率,降低建模准确度代价,降低虚警率。且本发明能够降低数据维度,有效减少原始数据冗余信息的干扰。本发明提出的海陆杂波分类方法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:
基于度矩阵距离判别的海陆杂波分类方法分为数据预处理、构建海陆杂波数据的无向图、图信号度特征提取,马氏距离判决处理四个部分。
仿真产生海陆杂波回波数据,在数据的预处理阶段,获取双通道复信号的幅度序列,并对两类杂波的幅度序列进行分时处理。
对预处理数据逐段进行量化处理,并构建以量级为图顶点,以量级间跳变关系为边界的图上信号表示。
计算图信号的度矩阵,构成信号的特征空间。
通过计算待测样本到两类杂波度特征空间的马氏距离,判别样本归属于那个类别,完成未知杂波的分类。
本发明具有的效果是:
本发明首次用无向图的顶点度矩阵刻画一维雷达信号,构成特征空间,该特征不但包含原始信号强度信息特征,同时还对数据间的相互关系信息进行挖掘,未做任何数据分布假设,避免了假定数学模型对检测算法的限制,可以提高检测效率,提升算法的泛化能力。而且本发明能够降低数据维度,有效减少原始数据冗余信息的干扰,减少计算量。
本发明采用马氏距离判决规则,将待测数据与已知海陆杂波的接近程度,用量化距离进行表示和分析,最终完成对海陆杂波数据的分类,方法简单有效。
附图说明
图1为本发明的算法流程图。
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,基于信号度矩阵距离判别的海陆杂波分类方法的具体步骤如下:
步骤一:海陆杂波数据仿真并预处理。
仿真产生相关海陆杂波回波复信号数据,获取双通道复信号的幅度序列,并对两类杂波的幅度序列进行分时处理。
步骤二:雷达海陆杂波数据的无向图构建。
①对每段幅度数据建立顶点集
对每段幅度序列进行归一化和量化处理,量化水平为L的正整数,均匀间隔为Δl的量级分割,每个量级对应生成一个顶点,由此构建图的顶点集V={v1,v2…vL}。
②对每段幅度数据建立图的边界集
如果数据i和(i+1)对应的顶点由vm变化到vn,就认为vm与vn有连接边,否则就认为无连接边。这样就产生了数据边界集合E={em,n|m,n∈L}。
③生成数据对应的无向图
由①和②分别生成的顶点集V和边界集E,构建出该段数据的无向图,表示为G(V,E)。
步骤三:计算图的度矩阵
图的邻接矩阵是表征图顶点间的连接关系的矩阵,图的邻接矩阵A的元素{amn}定义为,当νm与νn连接时,就记amn=1,否则,记为amn=0。其中0<m,n≤L。
邻接矩阵为图的度矩阵是一个对角阵,矩阵主对角线上的元素表示每个顶点的度,顶点vm的度用dm表示,其代表与顶点vm相连的边的个数。度矩阵D表示为:D=diag(dm),D是一个对角阵,dm构成对角线元素,其中m为正整数,且0<m≤L。其中,
不难看出,由于杂波的图上表示能够将海陆杂波的幅值信息经过量化处理后,映射到不同量级对应的图顶点,而顶点度的定义可以反映出每个量级同其他量级间变换的频度(对应于顶点间的关联关系),这些特点可以有效刻画不用散射表面对雷达发射波的反射回波特征。
步骤四:计算马氏距离,判定待测数据所属类别。
假设已知海杂波训练样本的顶点度特征空间为Gsea,其均值向量为μsea,协方差矩阵为∑sea,陆地杂波训练样本的顶点度特征空间为Gland,其均值向量为μland,协方差矩阵为∑land,则未知类别的样本x的归属由以下判别规则判定:
其中d2(·)表示马氏距离,样本x到总体G的平方马氏距离为:
d2(x,G)=(x-μ)'Σ-1(x-μ)。
Claims (5)
1.基于度矩阵距离判别的海陆杂波分类方法,其特征在于,该方法具体包括以下步骤:
步骤一:海陆杂波数据仿真并预处理;
步骤二:雷达海陆杂波数据的无向图构建;
步骤三:计算图的度矩阵,构成信号的特征空间;
步骤四:计算待测样本到两类杂波度特征空间的马氏距离,判定待测数据所属类别。
2.根据权利要求1所述的基于度矩阵距离判别的海陆杂波分类方法,其特征在于:所述的海陆杂波数据仿真并预处理,具体为:仿真产生相关海陆杂波回波复信号数据,获取双通道复信号的幅度序列,并对两类杂波的幅度序列进行分时处理。
3.根据权利要求1所述的基于度矩阵距离判别的海陆杂波分类方法,其特征在于:所述的雷达海陆杂波数据的无向图构建,具体为:
①对每段幅度数据建立顶点集
对处理后的每段幅度序列进行归一化和量化处理,量化水平为L的正整数,均匀间隔为Δl的量级分割,每个量级对应生成一个顶点,由此构建图的顶点集V={v1,v2…vL};
②对每段幅度数据建立图的边界集
如果数据i和(i+1)对应的顶点由vm变化到vn,就认为vm与vn有连接边,否则就认为无连接边;这样就产生了数据边界集合E={em,n|m,n∈L};
③生成数据对应的无向图
由①和②分别生成的顶点集V和边界集E,构建出该段数据的无向图,表示为G(V,E)。
4.根据权利要求3所述的基于度矩阵距离判别的海陆杂波分类方法,其特征在于:计算图的度矩阵,构成信号的特征空间;具体为:
图的邻接矩阵是表征图顶点间的连接关系的矩阵,图的邻接矩阵A的元素{amn}定义为,当vm与vn连接时,就记amn=1,否则,记为amn=0;其中0<m,n≤L;
邻接矩阵为图的度矩阵是一个对角阵,矩阵主对角线上的元素表示每个顶点的度,顶点vm的度用dm表示,其代表与顶点vm相连的边的个数;度矩阵D表示为:D=diag(dm),D是一个对角阵,dm构成对角线元素,其中m为正整数,且0<m≤L;其中,
由于杂波的图上表示能够将海陆杂波的幅值信息经过量化处理后,映射到不同量级对应的图顶点,而顶点度的定义反映出每个量级同其他量级间变换的频度,即对应于顶点间的关联关系,即可有效刻画不用散射表面对雷达发射波的反射回波特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110975798.1A CN113807195A (zh) | 2021-08-24 | 2021-08-24 | 基于度矩阵距离判别的海陆杂波分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110975798.1A CN113807195A (zh) | 2021-08-24 | 2021-08-24 | 基于度矩阵距离判别的海陆杂波分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113807195A true CN113807195A (zh) | 2021-12-17 |
Family
ID=78941675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110975798.1A Pending CN113807195A (zh) | 2021-08-24 | 2021-08-24 | 基于度矩阵距离判别的海陆杂波分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113807195A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016101279A1 (zh) * | 2014-12-26 | 2016-06-30 | 中国海洋大学 | 一种合成孔径雷达图像舰船目标快速检测方法 |
CN108122006A (zh) * | 2017-12-20 | 2018-06-05 | 南通大学 | 基于不等权局部保持嵌入的故障诊断方法 |
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 |
-
2021
- 2021-08-24 CN CN202110975798.1A patent/CN113807195A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016101279A1 (zh) * | 2014-12-26 | 2016-06-30 | 中国海洋大学 | 一种合成孔径雷达图像舰船目标快速检测方法 |
CN108122006A (zh) * | 2017-12-20 | 2018-06-05 | 南通大学 | 基于不等权局部保持嵌入的故障诊断方法 |
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 |
Non-Patent Citations (2)
Title |
---|
孙海燕 等,: "《数理统计》", 31 October 2016, 北京航空航天大学出版社 * |
杨汉键 等,: "基于路图拉普拉斯算子范数和马氏距离的滚动轴承故障诊断", 《中国机械工程》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sharifzadeh et al. | Ship classification in SAR images using a new hybrid CNN–MLP classifier | |
CN107025654B (zh) | 基于全局迭代检查的sar图像自适应船只检测方法 | |
Luo et al. | Sediment classification of small-size seabed acoustic images using convolutional neural networks | |
CN109324315B (zh) | 基于双层次块稀疏性的空时自适应处理雷达杂波抑制方法 | |
CN109901130B (zh) | 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法 | |
Villar et al. | Evaluation of an efficient approach for target tracking from acoustic imagery for the perception system of an autonomous underwater vehicle | |
CN110501683B (zh) | 一种基于四维数据特征的海陆杂波分类方法 | |
CN111899568A (zh) | 桥梁防撞预警系统、方法、装置和存储介质 | |
CN109597045B (zh) | 一种基于两次杂波抑制的静目标稳健识别方法 | |
CN111695461B (zh) | 一种基于图频特性的雷达杂波智能分类方法 | |
Wang et al. | A center location algorithm for tropical cyclone in satellite infrared images | |
Hwang et al. | Neuro-fuzzy gust front detection algorithm with S-band polarimetric radar | |
Maussang et al. | Mean–standard deviation representation of sonar images for echo detection: Application to SAS images | |
CN113570005A (zh) | 一种基于机载光子雷达的远距离舰船类型识别方法 | |
Chen et al. | A novel scheme for extracting sea surface wind information from rain-contaminated x-band marine radar images | |
Celona et al. | Automated detection, classification, and tracking of internal wave signatures using X-band radar in the inner shelf | |
CN111401168A (zh) | 一种无人机的多层雷达特征提取与选择方法 | |
CN114740441A (zh) | 一种基于小样本的低慢小目标雷达回波识别方法 | |
Hu et al. | A sample enhancement method based on simple linear iterative clustering superpixel segmentation applied to multibeam seabed classification | |
CN111368653B (zh) | 一种基于r-d图与深度神经网络的低空小目标检测方法 | |
CN114545422B (zh) | 基于多物理特征的主动声呐目标识别方法 | |
CN113807195A (zh) | 基于度矩阵距离判别的海陆杂波分类方法 | |
CN115861669A (zh) | 一种基于聚类思想的红外弱小目标检测方法 | |
Kong et al. | Automatic detection technology of sonar image target based on the three-dimensional imaging | |
Askari et al. | An automatic approach to ship detection in spaceborne synthetic aperture radar imagery: an assessment of ship detection capability using RADARSAT |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211217 |