CN114236532A - 基于多维雷达微动特征和ocsvm的空间目标异常状态检测方法 - Google Patents

Abstract

本申请涉及空间目标雷达信号处理技术领域，尤其涉及一种基于多维雷达微动特征和OCSVM的空间目标异常状态检测方法。其中，基于多维雷达微动特征和OCSVM的空间目标异常状态检测方法，包括：基于所述目标多维微动特征库以及所述目标多维雷达微动特征训练模型，确定正常状态得分区间；确定待测样本在训练好的目标多维雷达微动特征训练模型中的状态得分；根据所述状态得分以及正常状态得分区间，确定待测样本的状态。采用上述方案的本申请通过对空间目标的异常运动状态进行检测，为空间态势感知尤其是异常检测领域提供技术支撑，弥补了宽带雷达空间目标异常检测领域中的不足，拓展异常检测方法。

Description

基于多维雷达微动特征和OCSVM的空间目标异常状态检测 方法

技术领域

本申请涉及空间目标雷达信号处理技术领域，尤其涉及一种基于多维雷达 微动特征和OCSVM的空间目标异常状态检测方法。

背景技术

太空资源开发利用程度的不断加深使得空间目标探测识别越来越引发关注， 而对于卫星和空间碎片的探测识别更是该领域的研究重点之一。得益于全天时、 全天候等优势，雷达探测逐步成为空间目标探测识别的必要手段。其中，基于 雷达信号特征提取的空间目标探测识别方法占主流。

当前，日趋拥挤的太空环境使得对空间目标运动状态的实时动态监测尤其 是对异常状态进行检测越来越必要。通过检测目标的异常运动状态，可及时有 效预警目标的故障信息，规避目标解体、目标间碰撞等风险。卫星的异常是其 工作、运行状态出现与正常状态显著不同的情况，主要表现为太阳能帆板等部 件异常转动、姿态异常翻滚等。空间碎片的异常行为包括受到外力撞击解体、 变轨等结构尺寸或者运动状态发生改变。但是目前，对卫星、空间碎片等空间 目标进行异常检测尚存在一定的研究空白。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本申请的第一个目的在于提出一种基于多维雷达微动特征和OCSVM 的空间目标异常状态检测方法，以解决目前宽带雷达空间目标异常检测存在研 究空白的技术问题。

本申请的第二个目的在于提出一种基于多维雷达微动特征和OCSVM的空间 目标异常状态检测装置。

本申请的第三个目的在于提出一种终端。

本申请的第四个目的在于提出一种非临时性计算机可读存储介质。

为达到上述目的，本申请第一方面实施例提出的一种基于多维雷达微动特 征和OCSVM的空间目标异常状态检测方法，包括：

基于目标多维微动特征库以及目标多维雷达微动特征训练模型，确定正常 状态得分区间；

确定待测样本在目标多维雷达微动特征训练模型中的状态得分；

根据所述状态得分以及正常状态得分区间，确定待测样本的状态。

可选地，在本申请的一个实施例中，在所述基于目标多维微动特征库以及 目标多维雷达微动特征训练模型，确定正常状态得分区间之前，还包括：

根据空间目标正常状态提取积累的雷达多维微动特征，构建目标多维微动 特征库；

根据所述目标多维微动特征库确定目标多维雷达微动特征训练模型。

可选地，在本申请的一个实施例中，所述根据所述目标多维微动特征库确 定目标多维雷达微动特征训练模型，包括：

确定单类支持向量机模型的优化问题；

将所述目标多维微动特征库中的雷达多维微动特征数据输入单类支持向量 机模型中；

通过对所述优化问题的参数进行求解，确定目标多维雷达微动特征训练模 型。

可选地，在本申请的一个实施例中，根据下式确定单类支持向量机模型的 优化问题：

其中，

为中心为o、半径为r的超球体的最小体积，o为支持向量的 线性组合，r>0，C为惩罚系数，ξ_j为松弛变量，y_j为第j个雷达多维微动特征 数据点。

可选地，在本申请的一个实施例中，所述基于目标多维微动特征库以及目 标多维雷达微动特征训练模型，确定正常状态得分区间，包括：

确定每一个雷达多维微动特征在所述目标多维雷达微动特征训练模型中的 状态得分；

将所有雷达多维微动特征在所述目标多维雷达微动特征训练模型中的状态 得分按顺序排列，确定正常状态得分区间。

可选地，在本申请的一个实施例中，所述将所有雷达多维微动特征在所述 目标多维雷达微动特征训练模型中的状态得分按顺序排列，确定正常状态得分 区间，包括：

将所有雷达多维微动特征在所述目标多维雷达微动特征训练模型中的状态 得分按照由小到大的顺序进行排列，得到初始正常状态得分区间；

确定虚警率，根据所述虚警率以及初始正常状态得分区间确定正常状态得 分区间。

可选地，在本申请的一个实施例中，所述根据所述状态得分以及正常状态 得分区间，确定待测样本的状态，包括：

若所述状态得分位于所述正常状态得分区间内，或等于所述正常状态得分 区间两端的端点值，则确定待测样本为正常状态；

若所述状态得分不位于所述正常状态得分区间内，且不等于所述正常状态 得分区间两端的端点值，则确定待测样本为异常状态。

综上，本申请第一方面实施例提出的方法，通过基于目标多维微动特征库 以及目标多维雷达微动特征训练模型，确定正常状态得分区间；确定待测样本 在目标多维雷达微动特征训练模型中的状态得分；根据所述状态得分以及正常 状态得分区间，确定待测样本的状态。本申请通过目标多维微动特征库以及目 标多维雷达微动特征训练模型，对空间目标的异常运动状态进行检测，为空间 态势感知尤其是异常检测领域提供技术支撑，弥补了宽带雷达空间目标异常检 测领域中的不足，拓展异常检测方法。

为达到上述目的，本申请第二方面实施例提出的一种空间目标异常状态检 测装置，包括：

区间确定模块，用于基于目标多维微动特征库以及目标多维雷达微动特征 训练模型，确定正常状态得分区间；

得分确定模块，用于确定待测样本在目标多维雷达微动特征训练模型中的 状态得分；

状态确定模块，用于根据所述状态得分以及正常状态得分区间，确定待测 样本的状态。

综上，本申请第二方面实施例提出的装置，通过区间确定模块基于目标多 维微动特征库以及目标多维雷达微动特征训练模型，确定正常状态得分区间； 得分确定模块确定待测样本在目标多维雷达微动特征训练模型中的状态得分； 状态确定模块根据所述状态得分以及正常状态得分区间，确定待测样本的状态。 本申请通过目标多维微动特征库以及目标多维雷达微动特征训练模型，对空间 目标的异常运动状态进行检测，为空间态势感知尤其是异常检测领域提供技术 支撑，弥补了宽带雷达空间目标异常检测领域中的不足，拓展异常检测方法。

为达到上述目的，本申请第三方面实施例提出了一种终端，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述 至少一个处理器执行，以使所述至少一个处理器能够执行前述一方面中任一项 所述的方法。

为达到上述目的，本申请第四方面实施例提出了一种存储有计算机指令的 非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行前 述一方面中任一项所述的方法。

本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描 述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中 将变得明显和容易理解，其中：

图1为本申请实施例所提供的一种基于多维雷达微动特征和OCSVM的空间 目标异常状态检测方法的流程图；

图2为本申请实施例所提供的仿真卫星的模型示意图；

图3为本申请实施例所提供的仿真卫星的异常状态检测的流程示意图；

图4为本申请实施例所提供的部分特征值样本示意图；

图5为本申请实施例所提供的熵和幅值和特征的异常检测等高线示意图；

图6为本申请实施例所提供的检测率ROC曲线示意图；

图7为本申请实施例所提供的一种基于多维雷达微动特征和OCSVM的空间 目标异常状态检测装置的结构示意图。

图8是本申请实施例提供的一种终端的结构示意图；

图9是本申请实施例提供的操作系统和用户空间的结构示意图；

图10是图9中安卓操作系统的架构图；

图11是图9中IOS操作系统的架构图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自 始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元 件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能 理解为对本申请的限制。相反，本申请的实施例包括落入所附加权利要求书的 精神和内涵范围内的所有变化、修改和等同物。

需要说明的是，在雷达特征提取技术上，当前主要依靠多站窄带雷达跟踪 技术和宽带雷达高分辨成像技术，雷达设备所提取的目标的特征描述相对粗糙， 难以满足高、中、低轨卫星、空间碎片等空间目标动态实时高精度的监测需求。 而微多普勒特征是雷达目标识别领域常用的特征，它可以精细地描述目标的微 运动情况，将其应用于空间目标探测识别领域，有助于提高雷达目标探测识别 和状态感知能力。

微动特征不仅可以用来区分目标，也可用于进行异常状态检测。当目标的 微动行为发生异常时，目标雷达回波信号的微动特征会发生明显变化。通过对 空间目标进行长期监测，可积累得到目标多维雷达微动特征观测大数据。这些 特征数据实质上是一堆没有标记输出的特征数据，因此可通过引入异常检测方 法对其做筛选找出异常数据，以实现目标异常状态检测。

目前，各领域常用的异常检测方法主要有以下两类：

第一类是基于概率统计(如多元高斯分布、多元混合高斯分布)的异常检 测方法。该类方法的主要原理是对正常样本进行分布假设和参数估计，再通过 设定概率密度阈值对新样本进行检测。该类方法的主要缺点是需对特征值样本 分布情况作出假设，当特征大数据的概率密度函数与先验概率分布函数相差较 大时，此类方法性能有限。

第二类是基于无监督机器学习的异常检测方法，如单类支持向量机 (One-ClassSVM，OCSVM)和孤立森林(Isolation Forest)，该方法的主要原 理是利用正常样本，通过训练得到决策超平面。孤立森林类的方法需预知特征 数据的先验污染度，即异常样本所占比例，不适宜应用于卫星、空间碎片等空 间目标的异常状态检测问题。而OCSVM类的方法属于无监督机器学习方法，无 需先验信息，仅需正常状态样本即可训练出异常检测模型，对于数据的适应能 力较强。此外，与概率统计类方法相比，OCSVM方法不需要对数据做预处理和 参数估计，且对特征值数据是否符合某种分布不做要求，并可依据多种正常运动状态的样本进行模型训练。

下面结合具体的实施例对本申请进行详细说明。

图1为本申请实施例所提供的一种基于多维雷达微动特征和OCSVM的空间 目标异常状态检测方法的流程图。

如图1所示，本申请实施例提供的一种基于多维雷达微动特征和OCSVM的 空间目标异常状态检测方法，包括以下步骤：

步骤101，基于目标多维微动特征库以及目标多维雷达微动特征训练模型， 确定正常状态得分区间；

步骤102，确定待测样本在目标多维雷达微动特征训练模型中的状态得分；

步骤103，根据状态得分以及正常状态得分区间，确定待测样本的状态。

在本申请实施例中，在基于目标多维微动特征库以及目标多维雷达微动特 征训练模型，确定正常状态得分区间之前，还包括：

根据空间目标正常状态提取积累的雷达多维微动特征，构建目标多维微动 特征库；

根据目标多维微动特征库确定目标多维雷达微动特征训练模型。

具体的，根据下式确定空间目标正常状态提取积累的雷达多维微动特征：

X＝[x₁,x₂,…,x_M]_N×M

其中，X为雷达多维微动特征，M为雷达多维微动特征的向量维度，N为雷 达多维微动特征的样本数量，x_i为第i个雷达多维微动特征的样本向量。

在本申请实施例中，根据目标多维微动特征库确定目标多维雷达微动特征 训练模型，包括：

确定单类支持向量机模型的优化问题；

将目标多维微动特征库中的雷达多维微动特征数据输入单类支持向量机模 型中；

通过对优化问题的参数进行求解，确定目标多维雷达微动特征训练模型。

在本申请实施例中，根据下式确定单类支持向量机模型的优化问题：

其中，

为中心为o、半径为r的超球体的最小体积，o为支持向量的 线性组合，r>0，C为惩罚系数，ξ_j为松弛变量，y_j为第j个雷达多维微动特征 数据点。

需要说明的是，OCSVM模型通过采用一个超球体对特征数据进行划分，在 特征空间中获得数据周围的球形边界，期望最小化这个超球体的体积，从而对 异常点数据进行检测。

进一步的，OCSVM与传统支持向量机(support vector machines，SVM) 相似，OCSVM可以要求所有训练数据点y_j＝[x₁(j),x₂(j),…,x_M(j)],(j＝ 1,2,…,N到中心o的距离严格小于r，并同时构造一个惩罚系数为C的松弛变量ξj。

在本申请实施例中，基于目标多维微动特征库以及目标多维雷达微动特征 训练模型，确定正常状态得分区间，包括：

确定每一个雷达多维微动特征在目标多维雷达微动特征训练模型中的状态 得分；

将所有雷达多维微动特征在目标多维雷达微动特征训练模型中的状态得分 按顺序排列，确定正常状态得分区间。

在本申请实施例中，将所有雷达多维微动特征在目标多维雷达微动特征训 练模型中的状态得分按顺序排列，确定正常状态得分区间，包括：

将所有雷达多维微动特征在目标多维雷达微动特征训练模型中的状态得分 按照由小到大的顺序进行排列，得到初始正常状态得分区间；

确定虚警率，根据虚警率以及初始正常状态得分区间确定正常状态得分区 间。

具体的，在确定正常状态得分区间时，需根据实际应用需求设置虚警率。 根据奈曼一皮尔逊(Neyman-Pearson)准则，在一定的虚警率的条件下检测概 率越高，则检测结果越好。

进一步的，得到初始正常状态得分区间时，在初始正常状态得分区间两端 各删除

的数据，得到正常状态得分区间[score_min，score_max]，其中，P_FA为 虚警率。

在本申请实施例中，根据状态得分以及正常状态得分区间，确定待测样本 的状态，包括：

若状态得分位于正常状态得分区间内，或等于正常状态得分区间两端的端 点值，则确定待测样本为正常状态；

若状态得分不位于正常状态得分区间内，且不等于正常状态得分区间两端 的端点值，则确定待测样本为异常状态。

具体的，当待测样本的状态得分小于score_min，或者大于score_max时，确 定待测样本为异常状态；反之，则认为待测样本为正常状态。

以一种场景举例，本申请实施例采用仿真卫星为空间目标，仿真卫星的模 型示意如图2所示，仿真卫星的异常状态检测的流程如图3所示，其中，具体 包括以下步骤：

步骤201，确定训练集正常状态微动特征值样本，构建目标多维微动特征 库。所有微动特征值样本均由仿真卫星模型的部件(太阳能帆板和天线)或整 体正常、异常转运动产生，仿真的雷达回波信号中添加信噪比为8dB的加性高 斯白噪声。每个特征向量包含归一化幅值的时频谱能量熵、幅值和、方差和调 制带宽4个微动特征值，即微动特征的向量维度M＝4；训练集正常状态微动特 征值样本由2100组正常状态样本组成，即样本数量N＝2100；部分特征值样本 如图4所示；

步骤202，利用目标多维微动特征库进行OCSVM训练，得到训练好的OCSVM 模型和每一个训练集正常状态微动特征值样本的得分值。

步骤203，设置虚警率为5％，删除初始得分区间两端得分值数据后，正常 状态得分区间[score_min，score_max]的取值为[-2.8770，37.7727]。

步骤204，利用测试集数据进行异常状态检测。测试集微动特征值样本由 900组正常状态样本和300组异常状态样本组成。将测试集的特征样本依次输 入训练好的OCSVM模型，得到相应的得分值，得分值小于-2.8770或大于37.7727 时，即认为该样本异常，否则认为该样本为正常样本。经测试，本申请实施例 所提供的方法在300组异常样本中，检出289例异常样本，测试异常检测率为 96.33％；在900组正常样本中，错误检出34例异常样本，测试虚警率为3.78％。

具体的，熵和幅值和特征的异常检测等高线如图5所示，其中，点为样本 特征向量点，圈为训练得到的支持向量，不同颜色的等高线曲线为模型训练结 果。在实际应用中可根据需求的虚警率选取对应等高线进行异常检测，当新特 征样本点位于曲线内时，即判为正常样本，否则为异常样本，通过测试可得到 模型的异常检测率及虚警率。

具体的，为验证本申请实施例所提供的方法在不同信噪比条件下的效果， 在雷达回波信噪比为-12—6dB条件下重复步骤201-步骤204，在设置虚警率为 5％的条件下，本申请实施例所提供的方法的检测率ROC曲线如图6所示，其中， 在信噪比高于2dB时，本申请实施例所提供的方法可获得大于90％的异常检测 率。说明本申请实施例所提供的方法在卫星异常状态检测方面有较好的检测效 果，即使在训练集样本包含多类正常运动状态数据时，也能在较低虚警率条件 下得到较高的异常检测率；另外，在较低信噪比条件下，本申请实施例所提供 的方法的检测性能仍然较好，可满足实际应用需求。

综上，本申请实施例提出的方法，通过基于目标多维微动特征库以及目标 多维雷达微动特征训练模型，确定正常状态得分区间；确定待测样本在目标多 维雷达微动特征训练模型中的状态得分；根据状态得分以及正常状态得分区间， 确定待测样本的状态。本申请利用空间卫星、空间碎片等空间目标的仿真雷达 回波数据，根据目标正常运动状态下积累构建的多维雷达微动特征大数据，训 练得到单类支持向量机异常检测模型，对空间目标的异常运动状态进行检测， 为空间态势感知尤其是异常检测领域提供技术支撑，弥补了宽带雷达空间目标 异常检测领域中的不足，拓展异常检测方法。

为了实现上述实施例，本申请还提出一种基于多维雷达微动特征和OCSVM 的空间目标异常状态检测装置。

图7为本申请实施例提供的一种基于多维雷达微动特征和OCSVM的空间目 标异常状态检测装置的结构示意图。

如图7所示，一种基于多维雷达微动特征和OCSVM的空间目标异常状态检 测装置，包括：

区间确定模块701，用于基于目标多维微动特征库以及目标多维雷达微动 特征训练模型，确定正常状态得分区间；

得分确定模块702，用于确定待测样本在目标多维雷达微动特征训练模型 中的状态得分；

状态确定模块703，用于根据状态得分以及正常状态得分区间，确定待测 样本的状态。

综上，本申请实施例提出的装置，通过区间确定模块基于目标多维微动特 征库以及目标多维雷达微动特征训练模型，确定正常状态得分区间；得分确定 模块确定待测样本在目标多维雷达微动特征训练模型中的状态得分；状态确定 模块根据状态得分以及正常状态得分区间，确定待测样本的状态。本申请通过 目标多维微动特征库以及目标多维雷达微动特征训练模型，对空间目标的异常 运动状态进行检测，为空间态势感知尤其是异常检测领域提供技术支撑，弥补 了宽带雷达空间目标异常检测领域中的不足，拓展异常检测方法。

本申请实施例还提供了一种计算机存储介质，所述计算机存储介质可以存 储有多条指令，所述指令适于由处理器加载并执行如上述图1-图6所示实施例 的所述网络连接方法，具体执行过程可以参见图1-图6所示实施例的具体说明， 在此不进行赘述。

请参考图8，其示出了本申请一个示例性实施例提供的终端的结构方框图。 本申请中的终端可以包括一个或多个如下部件：处理器110、存储器120、输入 装置130、输出装置140和总线150。处理器110、存储器120、输入装置130 和输出装置140之间可以通过总线150连接。所述处理器加载并执行如上述图 3-图9所示实施例的所述网络连接方法，具体执行过程可以参见图3-图9所示 实施例的具体说明，在此不进行赘述。

处理器110可以包括一个或者多个处理核心。处理器110利用各种接口和 线路连接整个终端内的各个部分，通过运行或执行存储在存储器120内的指令、 程序、代码集或指令集，以及调用存储在存储器120内的数据，执行终端100 的各种功能和处理数据。可选地，处理器110可以采用数字信号处理(digital signal processing，DSP)、现场可编程门阵列(field－programmable gate array，FPGA)、可编程逻辑阵列(programmable logicArray，PLA)中的至 少一种硬件形式来实现。处理器110可集成中央处理器(centralprocessing unit，CPU)、图像处理器(graphics processing unit，GPU)和调制解调器 等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程 序等；GPU用于负责显示内容的渲染和绘制；调制解调器用于处理无线通信。 可以理解的是，上述调制解调器也可以不集成到处理器110中，单独通过一块 通信芯片进行实现。

存储器120可以包括随机存储器(random Access Memory，RAM)，也可以 包括只读存储器(read-only memory，ROM)。可选地，该存储器120包括非瞬 时性计算机可读介质(non-transitory computer-readable storage medium)。 存储器120可用于存储指令、程序、代码、代码集或指令集。存储器120可包 括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指 令、用于实现至少一个功能的指令(比如触控功能、声音播放功能、图像播放功 能等)、用于实现下述各个方法实施例的指令等，该操作系统可以是安卓 (Android)系统，包括基于Android系统深度开发的系统、苹果公司开发的 IOS系统，包括基于IOS系统深度开发的系统或其它系统。存储数据区还可以 存储终端在使用中所创建的数据比如电话本、音视频数据、聊天记录数据，等。

参见图9所示，存储器120可分为操作系统空间和用户空间，操作系统即 运行于操作系统空间，原生及第三方应用程序即运行于用户空间。为了保证不 同第三方应用程序均能够达到较好的运行效果，操作系统针对不同第三方应用 程序为其分配相应的系统资源。然而，同一第三方应用程序中不同应用场景对 系统资源的需求也存在差异，比如，在本地资源加载场景下，第三方应用程序 对磁盘读取速度的要求较高；在动画渲染场景下，第三方应用程序则对GPU性 能的要求较高。而操作系统与第三方应用程序之间相互独立，操作系统往往不 能及时感知第三方应用程序当前的应用场景，导致操作系统无法根据第三方应 用程序的具体应用场景进行针对性的系统资源适配。

为了使操作系统能够区分第三方应用程序的具体应用场景，需要打通第三 方应用程序与操作系统之间的数据通信，使得操作系统能够随时获取第三方应 用程序当前的场景信息，进而基于当前场景进行针对性的系统资源适配。

以操作系统为Android系统为例，存储器120中存储的程序和数据如图10 所示，存储器120中可存储有Linux内核层320、系统运行时库层340、应用框 架层360和应用层380，其中，Linux内核层320、系统运行库层340和应用框 架层360属于操作系统空间，应用层380属于用户空间。Linux内核层320为 终端的各种硬件提供了底层的驱动，如显示驱动、音频驱动、摄像头驱动、蓝 牙驱动、Wi-Fi驱动、电源管理等。系统运行库层340通过一些C/C++库来为 Android系统提供了主要的特性支持。如SQLite库提供了数据库的支持， OpenGL/ES库提供了3D绘图的支持，Webkit库提供了浏览器内核的支持等。在 系统运行时库层340中还提供有安卓运行时库(Android runtime)，它主要提供 了一些核心库，能够允许开发者使用Java语言来编写Android应用。应用框架 层360提供了构建应用程序时可能用到的各种API，开发者也可以通过使用这 些API来构建自己的应用程序，比如活动管理、窗口管理、视图管理、通知管 理、内容提供者、包管理、通话管理、资源管理、定位管理。应用层380中运行有至少一个应用程序，这些应用程序可以是操作系统自带的原生应用程序， 比如联系人程序、短信程序、时钟程序、相机应用等；也可以是第三方开发者 所开发的第三方应用程序，比如游戏类应用程序、即时通信程序、相片美化程 序、网络连接程序等。

以操作系统为IOS系统为例，存储器120中存储的程序和数据如图11所示， IOS系统包括：核心操作系统层420(Core OS layer)、核心服务层440(Core Services layer)、媒体层460(Media layer)、可触摸层480(Cocoa Touch Layer)。核心操作系统层420包括了操作系统内核、驱动程序以及底层程序框 架，这些底层程序框架提供更接近硬件的功能，以供位于核心服务层440的程 序框架所使用。核心服务层440提供给应用程序所需要的系统服务和/或程序框 架，比如基础(Foundation)框架、账户框架、广告框架、数据存储框架、网络连接框架、地理位置框架、运动框架等等。媒体层460为应用程序提供有关 视听方面的接口，如图形图像相关的接口、音频技术相关的接口、视频技术相 关的接口、音视频传输技术的无线播放(AirPlay)接口等。可触摸层480为应 用程序开发提供了各种常用的界面相关的框架，可触摸层480负责用户在终端 上的触摸交互操作。比如本地通知服务、远程推送服务、广告框架、游戏工具 框架、消息用户界面接口(User Interface，UI)框架、用户界面UIKit框架、 地图框架等等。

在图11所示出的框架中，与大部分应用程序有关的框架包括但不限于：核 心服务层440中的基础框架和可触摸层480中的UIKit框架。基础框架提供许 多基本的对象类和数据类型，为所有应用程序提供最基本的系统服务，和UI 无关。而UIKit框架提供的类是基础的UI类库，用于创建基于触摸的用户界面， iOS应用程序可以基于UIKit框架来提供UI，所以它提供了应用程序的基础架 构，用于构建用户界面，绘图、处理和用户交互事件，响应手势等等。

其中，在IOS系统中实现第三方应用程序与操作系统数据通信的方式以及 原理可参考Android系统，本申请在此不再赘述。

其中，输入装置130用于接收输入的指令或数据，输入装置130包括但不 限于键盘、鼠标、摄像头、麦克风或触控设备。输出装置140用于输出指令或 数据，输出装置140包括但不限于显示设备和扬声器等。在一个示例中，输入 装置130和输出装置140可以合设，输入装置130和输出装置140为触摸显示 屏，该触摸显示屏用于接收用户使用手指、触摸笔等任何适合的物体在其上或 附近的触摸操作，以及显示各个应用程序的用户界面。触摸显示屏通常设置在 终端的前面板。触摸显示屏可被设计成为全面屏、曲面屏或异型屏。触摸显示 屏还可被设计成为全面屏与曲面屏的结合，异型屏与曲面屏的结合，本申请实 施例对此不加以限定。

除此之外，本领域技术人员可以理解，上述附图所示出的终端的结构并不 构成对终端的限定，终端可以包括比图示更多或更少的部件，或者组合某些部 件，或者不同的部件布置。比如，终端中还包括射频电路、输入单元、传感器、 音频电路、无线保真(wirelessfidelity，WiFi)模块、电源、蓝牙模块等部 件，在此不再赘述。

在本申请实施例中，各步骤的执行主体可以是上文介绍的终端。可选地， 各步骤的执行主体为终端的操作系统。操作系统可以是安卓系统，也可以是IOS 系统，或者其它操作系统，本申请实施例对此不作限定。

本申请实施例的终端，其上还可以安装有显示设备，显示设备可以是各种 能实现显示功能的设备，例如：阴极射线管显示器(cathode ray tubedisplay， 简称CR)、发光二极管显示器(light-emitting diode display，简称LED)、 电子墨水屏、液晶显示屏(liquid crystal display，简称LCD)、等离子显 示面板(plasma display panel，简称PDP)等。用户可以利用终端100上的 显示设备，来查看显示的文字、图像、视频等信息。所述终端可以是智能手机、 平板电脑、游戏设备、AR(Augmented Reality，增强现实)设备、汽车、数据存 储装置、音频播放装置、视频播放装置、笔记本、桌面计算设备、可穿戴设备 诸如电子手表、电子眼镜、电子头盔、电子手链、电子项链、电子衣物等设备。

本领域的技术人员可以清楚地了解到本申请的技术方案可借助软件和/或 硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部 件配合完成特定功能的软件和/或硬件，其中硬件例如可以是现场可编程门阵列 (Field－ProgrammaBLEGate Array，FPGA)、集成电路(Integrated Circuit， IC)等。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述 为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的 动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。 其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施 例，所涉及的动作和模块并不一定是本申请所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详 述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其 它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单 元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例 如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略， 或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可 以是通过一些服务接口，装置或单元的间接耦合或通信连接，可以是电性或其 它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为 单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者 也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部 单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中， 也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元 中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的 形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或 使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的 技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部 分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中， 包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设 备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包 括：U盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤 是可以通进程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存 储器中，存储器可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、 随机存取器(Random AccessMemory，RAM)、磁盘或光盘等。

以上所述者，仅为本申请的示例性实施例，不能以此限定本申请的范围。 即但凡依本申请教导所作的等效变化与修饰，皆仍属本申请涵盖的范围内。本 领域技术人员在考虑说明书及实践这里的公开后，将容易想到本申请的其它实 施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、 用途或者适应性变化遵循本申请的一般性原理并包括本申请未记载的本技术领 域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请 的范围和精神由权利要求限定。

Claims (10)

1.一种基于多维雷达微动特征和OCSVM的空间目标异常状态检测方法，其特征在于，所述方法包括：

基于目标多维微动特征库以及目标多维雷达微动特征训练模型，确定正常状态得分区间；

确定待测样本在目标多维雷达微动特征训练模型中的状态得分；

根据所述状态得分以及正常状态得分区间，确定待测样本的状态。

2.如权利要求1所述的方法，其特征在于，在所述基于目标多维微动特征库以及目标多维雷达微动特征训练模型，确定正常状态得分区间之前，还包括：

根据空间目标正常状态提取积累的雷达多维微动特征，构建目标多维微动特征库；

根据所述目标多维微动特征库确定目标多维雷达微动特征训练模型。

3.如权利要求2所述的方法，其特征在于，所述根据所述目标多维微动特征库确定目标多维雷达微动特征训练模型，包括：

确定单类支持向量机模型的优化问题；

将所述目标多维微动特征库中的雷达多维微动特征数据输入单类支持向量机模型中；

通过对所述优化问题的参数进行求解，确定目标多维雷达微动特征训练模型。

4.如权利要求3所述的方法，其特征在于，根据下式确定单类支持向量机模型的优化问题：

其中，

为中心为o、半径为r的超球体的最小体积，o为支持向量的线性组合，r>0，C为惩罚系数，ξ_j为松弛变量，y_j为第j个雷达多维微动特征数据点。

5.如权利要求2所述的方法，其特征在于，所述基于目标多维微动特征库以及目标多维雷达微动特征训练模型，确定正常状态得分区间，包括：

确定每一个雷达多维微动特征在所述目标多维雷达微动特征训练模型中的状态得分；

将所有雷达多维微动特征在所述目标多维雷达微动特征训练模型中的状态得分按顺序排列，确定正常状态得分区间。

6.如权利要求5所述的方法，其特征在于，所述将所有雷达多维微动特征在所述目标多维雷达微动特征训练模型中的状态得分按顺序排列，确定正常状态得分区间，包括：

将所有雷达多维微动特征在所述目标多维雷达微动特征训练模型中的状态得分按照由小到大的顺序进行排列，得到初始正常状态得分区间；

确定虚警率，根据所述虚警率以及初始正常状态得分区间确定正常状态得分区间。

7.如权利要求1所述的方法，其特征在于，所述根据所述状态得分以及正常状态得分区间，确定待测样本的状态，包括：

若所述状态得分位于所述正常状态得分区间内，或等于所述正常状态得分区间两端的端点值，则确定待测样本为正常状态；

若所述状态得分不位于所述正常状态得分区间内，且不等于所述正常状态得分区间两端的端点值，则确定待测样本为异常状态。

8.一种基于多维雷达微动特征和OCSVM的空间目标异常状态检测装置，其特征在于，所述装置包括：

区间确定模块，用于基于目标多维微动特征库以及目标多维雷达微动特征训练模型，确定正常状态得分区间；

得分确定模块，用于确定待测样本在目标多维雷达微动特征训练模型中的状态得分；

状态确定模块，用于根据所述状态得分以及正常状态得分区间，确定待测样本的状态。

9.一种终端，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其特征在于，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。

10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。

Images