CN114839634A - 基于雷达回波特征的海况分类方法及装置 - Google Patents

基于雷达回波特征的海况分类方法及装置 Download PDF

Info

Publication number
CN114839634A
CN114839634A CN202210376816.9A CN202210376816A CN114839634A CN 114839634 A CN114839634 A CN 114839634A CN 202210376816 A CN202210376816 A CN 202210376816A CN 114839634 A CN114839634 A CN 114839634A
Authority
CN
China
Prior art keywords
sea
classification
sea clutter
clutter data
preprocessing
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
Application number
CN202210376816.9A
Other languages
English (en)
Inventor
刘宁波
张兆祥
董云龙
黄勇
丁昊
关键
王国庆
曹政
于恒力
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Naval Aeronautical University
Original Assignee
Naval Aeronautical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Naval Aeronautical University filed Critical Naval Aeronautical University
Priority to CN202210376816.9A priority Critical patent/CN114839634A/zh
Publication of CN114839634A publication Critical patent/CN114839634A/zh
Pending legal-status Critical Current

Links

Images

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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/937—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of marine craft
    • 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
    • G01S7/021—Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Ocean & Marine Engineering (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供一种基于雷达回波特征的海况分类方法及装置，所述方法包括：获取待分类的海杂波数据；对所述海杂波数据进行预处理，以获取预处理参数，并根据预设的特征提取规则从所述预处理的结果中提取目标特征；将基于所述目标特征的海杂波数据输入到预存的分类器中进行分类，以获取分类结果；本发明所述方法改进了对海杂波数据预处理的方式，从海杂波数据中获取更有效的特征来实现对高/低海况海杂波的分类，提高了分类准确率。

Description

基于雷达回波特征的海况分类方法及装置
技术领域
本发明属于雷达杂波特性研究领域，尤其涉及一种基于雷达回波特征的海况分类方法及装置。
背景技术
海况作为雷达对海上目标探测的重要背景信息，对其的准确判断在雷达目标精细化探测中具有重要作用。
为实现稳健的海杂波中目标检测，需要对整个探测场景的背景信息进行精细化动态辨识，进而将探测场景划分为多个子场景，针对不同的子场景，采用与之匹配的目标检测方法进行探测，从而提高整体的目标检测性能，而海况等级的高低作为雷达对海上目标检测的一种重要背景信息，较大程度的影响着探测场景的划分和检测器的选择；现有技术对高/低海况进行识别时采用的数据预处理方法较为单一，无法稳定的突出高/低海况的差异，导致分类器的泛化能力较差，无法满足雷达工作于扫描模式的要求。
发明内容
本发明提供的一种基于雷达回波特征的海况分类方法及装置，用以解决现有技术在进行海况分类时由于数据的预处理过程较为单一，从而无法有效筛选出能够稳定突出高/低海况差异的信息导致分类器的泛化能力的较低缺陷，提升了海况分类的准确率。
本发明提供一种基于雷达回波特征的海况分类方法，所述方法包括：
获取待分类的海杂波数据；对所述海杂波数据进行预处理，以获取预处理参数，并根据预设的特征提取规则从所述预处理的结果中提取目标特征；将基于所述目标特征的海杂波数据输入到预存的分类器中进行分类，以获取分类结果。
根据本发明提供的一种基于雷达回波特征的海况分类方法，所述方法还包括：
利用时频变换工具将所述海杂波数据由时域上的一维随机序列转换成时频域上的二维随机序列，并获取表示所述二维随机序列的预处理参数，其中，所述预处理参数包括均值函数和标准差函数。
基于脊积分理论对所述预处理参数进行量化求和，以获取所述目标特征，其中，所述目标特征包括均值函数的脊积分和标准差函数的脊积分。
分别计算海杂波数据的区域峰值功率和噪声均值功率；计算所述区域峰值功率和所述噪声均值功率的比值，并基于所述均值函数的脊积分、所述标准差函数的脊积分和所述比值构建所述目标特征。
所述分类器包括短时傅里叶变换、维格纳-威尔分布以及平滑伪WVD中的任意一种。
所述分类器包括SVM，随机森林以及深度神经网络等所有适用于目标二分类的机器学习或深度学习算法的任意一种。
本发明还提供一种基于雷达回波的海况分类装置，所述装置包括：
数据获取模块，用于获取待分类的海杂波数据；特征提取模块，用于对所述海杂波数据进行预处理，以获取预处理参数，并根据预设的特征提取规则从所述预处理的结果中提取目标特征；分类模块，将基于所述目标特征的海杂波数据输入到预存的分类器中进行分类，以获取分类结果。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于雷达回波的海况分类。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于雷达回波特征的海况分类方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于雷达回波特征的海况分类方法。
本发明提供的一种基于雷达回波特征的海况分类方法及装置，先获取待分类的海杂波数据，然后对所述海杂波数据进行预处理，从而获取预处理参数，并根据预设的特征提取规则从所述预处理的结果中提取目标特征，最后将基于所述目标特征的海杂波数据输入到预存的分类器中进行分类，以获取分类结果；本发明所述方法改进了对海杂波数据预处理的方式，从海杂波数据中获取更有效的特征来实现对高/低海况海杂波的分类，提高了分类准确率。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于雷达回波特征的海况分类方法的流程示意图；
图2是本发明另一实施例提供的利用两种特征联合SVM进行分类方法的流程示意图；
图3是本发明又一实施例提供的利用三种特征联合SVM进行分类方法的流程示意图；
图4是本发明实施例提供的基于雷达回波的海况分类装置的结构示意图；
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1描述本发明实施例提供的基于雷达回波特征的海况分类方法，包括：
步骤101、获取待分类的海杂波数据。
可以理解的是，海杂波是海表面对雷达发射电磁波的后向散射回波，海杂波特性高度复杂，在高分辨率雷达体制下，海杂波的非平稳、非均匀和非高斯特性更加明显，整个探测场景内海杂波的同分布特性明显下降，很难达到经典CFAR方法和自适应类检测方法所要求的独立同分布的前提条件，因此，从海杂波数据中提取一些能够稳定突出高/低海况差异的特征信息是研究海杂波下的海况分类的关键；本实施例从指定的“雷达对海探测数据共享计划”数据集中获取大量的海杂波数据作为后续分类器的输入样本集，该数据集主要包括不同海况等级下的海杂波和目标回波数据，数据采集时，雷达主要工作于凝视模式，极化方式为HH极化，距离向采样率为60MHz，雷达架高80m，脉冲重复频率(PRF)为1.6kHz。
步骤102、对所述海杂波数据进行预处理，以获取预处理参数，并根据预设的特征提取规则从所述预处理的结果中提取目标特征。
具体的，海杂波是海表面对雷达发射电磁波的后向散射回波，本实施例先将海杂波建模为非平稳随机过程，并对其进行时频变换，方便体现其本质特征，并得到海杂波数据在时频变换后的变换参数，然后基于脊积分的理论对该参数进行量化、求和等处理后，获取所需的目标特征，该目标特征作为后续分类器的输入特征，包含了能够稳定地突出不同海况的差异信息。
步骤103、将基于所述目标特征的海杂波数据输入到预存的分类器中进行分类，以获取分类结果。
可以理解的是，为了验证目标特征对海杂波数下海况分类信息表征的准确性，本实施例将提取的目标作为分类器的输入特征，完成对分类器进行训练、测试后，可得到海杂波数据的分类结果；具体的，本实施例先从“雷达对海探测数据共享计划”数据集中获取部分海杂波数据作为输入样本集，然后利用短时傅里叶变换(short-time Fouriertransform，STFT)作为时频变换工具对输入样本的训练集进行时频变换以获取变换参数，该变换参数可以为随机过程的均值函数或标准差函数，接着根据脊积分理论量化海杂波数据在时频域上的差异，根据量化结果获取目标特征，最后将基于该目标特征的海杂波数据送到预存的支撑向量机(Support Vector Machines,SVM)中进行测试，以获取海杂波下高/低海况的二分类结果。
本实施例所述方法改进了对海杂波数据预处理的方式，从海杂波数据中获取更有效的特征来实现对高/低海况海杂波的分类，提高了分类准确率。
可选的，利用时频变换工具将所述海杂波数据由时域上的一维随机序列转换成时频域上的二维随机序列，并获取表示所述二维随机序列的预处理参数，其中，所述预处理参数包括均值函数和标准差函数。
具体的，本实施例采用STFT作为时频变换工具，并采用SPWVD进行了验证，交叉项对所提特征的区分效果有一定影响；假设对海雷达在某方位上发射了多个相参脉冲，某距离单元上接收到长度为N的海杂波序列，即r(n)＝c(n),n＝1,2,...,N。较小范围内，其周围距离单元的海况等级可看作是同等水平的，其周围距离单元接收到的回波脉冲rs(n)表示为：
rs(n)＝cs(n),n＝1,2,…,N，s＝1,2,...,S
其中，cs(n)表示周围S个距离单元上接收到的海杂波序列，S表示周围距离单元数目。对该距离单元的海杂波进行STFT，得到时频谱STFT(t,f|r)，此处仅进行时频变换的预处理，并不能稳定的突出高/低海况海杂波在时频域的差异，本实施例是通过STFT将海杂波序列由时域上的一维随机过程转换成时频域上的二维随机过程，该随机过程的均值函数和标准差函数表示为μ(t,f)和σ(t,f)，它们分别表征了二维时频网格(t,f)点处的海杂波平均功率水平及其波动程度；而μ(t,f)和σ(t,f)都是未知的，本实施例通过该海杂波单元周围的距离单元估计μ(t,f)和σ(t,f)，计算公式如下：
Figure BDA0003590646450000061
Figure BDA0003590646450000062
μ(t,f)和σ(t,f)均能够稳定、突出的反映高/低海况海杂波在时频域上的差异。
本实施例提供了一种对海杂波数据进行时频变换的预处理方法，能够从海杂波数据中提取能够稳定、突出的反映高/低海况海杂波在时频域上的差异信息，为后续过程量化差异信息以获取目标特征提供方便。
可选的，基于脊积分理论对所述预处理参数进行量化求和，以获取所述目标特征，其中，所述目标特征包括均值函数的脊积分和标准差函数的脊积分。
具体的，本实施例基于脊积分(ridge integration，RI)来量化高/低海况的海杂波数据在时频域上的差异信息，脊积分表示所有脊点的求和；均值函数μ(t,f)和标准差函数σ(t,f)的脊的定义如式下所示：
Figure BDA0003590646450000071
Figure BDA0003590646450000072
上式表示由μ(t,f)或σ(t,f)的每个时间切片t上的最大值组成的集合；均值函数的脊积分(Ridge integral of mean function，RIMF)和标准差函数的脊积分(Ridgeintegral of standard deviation function，RISD)即为所有脊点值的求和，定义如下：
Figure BDA0003590646450000073
Figure BDA0003590646450000074
其中，RIMF和RISD分别表征了海杂波的一种功率水平及其波动程度，RIMF和RISD的统计分布特点与海杂波距离单元对应的实际径向距离关系密切；根据图2所示，本实施例先从“雷达对海探测数据共享计划”数据集中获取部分海杂波数据作为输入样本集，然后利用短时傅里叶变换(short-time Fourier transform，STFT)作为时频变换工具对输入样本的训练集进行时频变换以获取变换参数，该变换参数可以为随机过程的均值函数或标准差函数，接着基于脊积分理论量化海杂波数据在时频域上的差异，并根据量化结果获取RIMF特征和RISD特征，最后将基于RIMF特征和RISD特征的海杂波数据送到预存的支撑向量机(Support Vector Machines,SVM)中进行测试，以获取海杂波下高/低海况的二分类结果。
本实施例提供了一种基于脊积分理论对经过时频变换后的海杂波数据进行量化、求和，以获取RIMF特征和RISD特征的方法，目的是将高/低海况海杂波在时频域上的差异信息进行量化表示，为后续分类过程提供了输入特征。
可选的，分别计算海杂波数据的区域峰值功率和噪声均值功率；计算所述区域峰值功率和所述噪声均值功率的比值，并基于所述均值函数的脊积分、所述标准差函数的脊积分和所述比值构建所述目标特征。
可以理解的是，由于高/低海况海杂波在多普勒功率谱上也存在明显差异，一方面，高海况海杂波多普勒功率谱的杂波主瓣谱宽(3dB谱宽)明显大于低海况的海杂波多普勒功率谱的杂波主瓣谱宽，另一方面，高海况海杂波的杂噪比(CNR)大于低海况的杂噪比；单独使用谱宽或CNR来区分高/低海况海杂波并不能取得稳定的结果，因此，本实施例在获取RIMF特征和RISD特征这两种特征后，再综合谱宽和CNR两种特征，提出了第三种特征，即新的多普勒功率谱特征，即区域峰值功率与噪声均值功率比(Ratio of regional peakpower to noise mean power，RPNM)，来表征高/低海况海杂波在多普勒功率谱上的差异，RPNM定义如下：
Figure BDA0003590646450000081
X1(p)p＝1,2,...,P表示峰值区域的功率谱，其位置可通过多普勒功率谱峰值所在位置确定，峰值区域大小P通过高海况海杂波多普勒功率谱的3dB谱宽来确定；X2(k)k＝1,2,...,K表示功率谱的噪声区域，其范围大致为高海况海杂波多普勒功率谱的3倍峰值区域范围以外的区域。需要注意的是，为减小多普勒功率谱的方差，本实施例需要使用AR模型对功率谱进行估计，另外，为增加特征的稳定性和有效性，需要联合使用r(n)周围几个距离单元的数据，求取平均多普勒功率谱，再计算得到对应的RPNM特征；具体的，根据图3所示，本实施例先从“雷达对海探测数据共享计划”数据集中获取部分海杂波数据作为输入样本集，然后利用短时傅里叶变换(short-time Fourier transform，STFT)作为时频变换工具对输入样本的训练集进行时频变换以获取变换参数，该变换参数可以为随机过程的均值函数或标准差函数，接着基于脊积分理论量化海杂波数据在时频域上的差异，并根据量化结果获取RIMF特征和RISD特征，再结合谱宽和CNR两种特征，构造新的多普勒功率谱特征RPNM，最后将基于RIMF、RISD和RPNM这三类特征的海杂波数据送到预存的支撑向量机(Support Vector Machines,SVM)中进行测试，以获取海杂波下高/低海况的二分类结果。
本实施例提供了另一种表征高/低海况海杂波差异信息的方法，与RIMF特征和RISD特征结合作为分类器的三个输入特征，能够有效提高对海况高/低的辨识能力。
可选的，所述分类器包括短时傅里叶变换、维格纳-威尔分布以及平滑伪WVD中的任意一种。
可以理解的是，本实施例对海杂波数据进行视频变换是为了将海杂波序列由时域上的一维随机过程转换成时频域上的二维随机过程，这样可以提取表示该序列的均值函数和标准差函数，以便提取稳定地突出高/低海况海杂波在时频域的差异信息，本实施例采用的时频变换工具为短时傅里叶变换(short-time Fourier transform，STFT)，其他实施例还可以采用维格纳-威尔分布(Wigner-Ville distribution,WVD)或者平滑伪WVD(Smoothed Pseudo WVD，SPWVD)等，它们各有其优缺点，根据输入数据类型可灵活选择相应的时频变换方式。
本实施例所述方法提供了对海杂波数据进行时频变换的几种工变换工具，用于将海杂波序列由时域上的一维随机过程转换成时频域上的二维随机过程，为后续过程提取均值函数和标准差函数提供方便。
可选的，所述分类器包括SVM，随机森林以及深度神经网络等所有适用于目标二分类的机器学习或深度学习算法的任意一种。
可以理解的是，本实施例采用的SVM作为一种广泛应用于模式识别问题的机器学习分类器，能够在少量训练样本的情形下实现中高维向量的二分类，并且训练得到的分类器具有较高的泛化能力；具体的，本实施例先从海杂波中提取RIMF、RISD和RPNM三种特征，以构成所需要的特征样本集，对于训练集中的任一样本i，本文构造了一个由时频谱的RIMF(fi,1)、RISD(fi,2)和多普勒谱的RPNM(fi,3)有序组成的三维特征向量Fi，Fi的表达式如下所示：
Fi＝[fi,1,fi,2,fi,3]T
并且使用标签yi∈{+1,-1}，标记高海况海杂波(+1)和低海况海杂波(-1)的类别，故样本容量为M的训练集为{(Fi,yi),i＝1,2,...,M}。事实上，高/低海况海杂波的特征向量在构造的特征空间中并不一定是线性可分，甚至可能是本质上的线性不可分；为了解决本质上线性不可分的问题，SVM采用了广义线性化的方法，即通过引入核函数将低维特征空间中的非线性可分问题转换成一个高维特征空间中的线性分类问题，同时核函数的引入也避免了维度转换带来的计算量的骤增；常用的核函数有高斯核函数、径向基核函数、线性核函数和多项式核函数等，核函数的一般表达式如下：
k(F1,F2)＝ΦT(F1)Φ(F2)
其中，Φ(F1)和Φ(F2)分别表示特征向量F1和F2在高维特征空间的映射；映射到高维特征空间之后，问题的关键转换成求解线性SVM的超平面，即ωTF+b＝0，其中权向量ω和截距b都是未知参数，可以通过求解下式中的最优化问题来解决：
Figure BDA0003590646450000101
s.t.yi[k(ω,Fi)+b]≥1-ξi,ξi≥0,i＝1,2,...,M
ξi为松弛变量，是未知变量，用于将分类间隔转化成软间隔；C为惩罚因子，取值大于0，表示对分类器中异常点存在的容忍程度。该最优化问题可以通过构造拉格朗日函数，并将其转化成对偶问题，借助序列最小优化算法来求解，得到用于分类的超平面ωTF+b＝0之后，对于输入的特征向量Fj，可以通过以下原则确定其类别：
yj＝+1 if f(Fj)＝ωTF+b＞0
yj＝-1 if f(Fj)＝ωTF+b≤0
上式中f(Fj)＝ωTF+b即为训练得到的判决函数。至此，本文基于非线性SVM，构造完成了一种新的三特征联合分类器，该分类器可以对高/低海况海杂波进行分辨单元级分类；事实上，由于本文所提三种特征的适用性与海杂波距离单元对应的实际径向距离关系密切，故在实际分类过程中，需要在不同距离段上分别训练不同的分类器，再进行不同距离段上高/低海况的分类；需要说明的是，SVM作为本实施例采用的分类器在高/低海况的分类上表现良好，其他实施例也可以采用随机森林或者深度神经网络等所有适用于目标二分类的机器学习或深度学习算法作为分类器实现海杂波下的高/低海况的分类。
本实施例提供了对海杂波数据进行分类的分类器，用于将基于目标特征的海杂波数据进行分类，以获取海杂波数据的分类结果。
结合图4对本发明实施例提供的一种基于雷达回波的海况分类装置进行描述，下文描述的一种基于雷达回波的海况分类装置与上文描述的一种基于雷达回波特征的海况分类方法可相互对应参照。
本发明提供的一种基于雷达回波的海况分类装置，所述装置包括：
数据获取模块401，用于获取待分类的海杂波数据；特征提取模块402，用于对所述海杂波数据进行预处理，以获取预处理参数，并根据预设的特征提取规则从所述预处理的结果中提取目标特征；分类模块403，将基于所述目标特征的海杂波数据输入到预存的分类器中进行分类，以获取分类结果。
本发明提供的一种基于雷达回波的海况分类装置，先通过数据获取模块401获取待分类的海杂波数据，然后通过特征提取模块402对所述海杂波数据进行预处理，从而获取预处理参数，并根据预设的特征提取规则从所述预处理的结果中提取目标特征，最后通过分类模块403将基于所述目标特征的海杂波数据输入到预存的分类器中进行分类，以获取分类结果；本发明所述装置改进了对海杂波数据预处理的方式，从海杂波数据中获取更有效的特征来实现对高/低海况海杂波的分类，提高了分类准确率。
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行一种基于雷达回波特征的海况分类方法，该方法包括：获取待分类的海杂波数据；对所述海杂波数据进行预处理，以获取预处理参数，并根据预设的特征提取规则从所述预处理的结果中提取目标特征；将基于所述目标特征的海杂波数据输入到预存的分类器中进行分类，以获取分类结果。
此外，上述的存储器530中的逻辑指令可以通过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介质中。基于这样的理解，本发明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部分可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介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的一种基于雷达回波特征的海况分类方法，该方法包括：获取待分类的海杂波数据；对所述海杂波数据进行预处理，以获取预处理参数，并根据预设的特征提取规则从所述预处理的结果中提取目标特征；将基于所述目标特征的海杂波数据输入到预存的分类器中进行分类，以获取分类结果。
本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的一种基于雷达回波特征的海况分类方法，该方法包括：获取待分类的海杂波数据；对所述海杂波数据进行预处理，以获取预处理参数，并根据预设的特征提取规则从所述预处理的结果中提取目标特征；将基于所述目标特征的海杂波数据输入到预存的分类器中进行分类，以获取分类结果。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.基于雷达回波特征的海况分类方法，其特征在于，包括：
获取待分类的海杂波数据；
对所述海杂波数据进行预处理，以获取预处理参数，并根据预设的特征提取规则从所述预处理的结果中提取目标特征；
将基于所述目标特征的海杂波数据输入到预存的分类器中进行分类，以获取分类结果。
2.根据权利要求1所述的基于雷达回波特征的海况分类方法，其特征在于，对所述海杂波数据进行预处理，以获取预处理参数，包括：
利用时频变换工具将所述海杂波数据由时域上的一维随机序列转换成时频域上的二维随机序列，并获取表示所述二维随机序列的预处理参数，其中，所述预处理参数包括均值函数和标准差函数。
3.根据权利要求1所述的基于雷达回波特征的海况分类方法，其特征在于，根据预设的特征提取规则从所述预处理的结果中提取目标特征包括：
基于脊积分理论对所述预处理参数进行量化求和，以获取所述目标特征，其中，所述目标特征包括均值函数的脊积分和标准差函数的脊积分。
4.根据权利要求3所述的基于雷达回波特征的海况分类方法，其特征在于，对所述海杂波数据进行预处理，以获取预处理参数，并根据预设的特征提取规则从所述预处理的结果中提取目标特征，之后包括：
分别计算海杂波数据的区域峰值功率和噪声均值功率；
计算所述区域峰值功率和所述噪声均值功率的比值，并基于所述均值函数的脊积分、所述标准差函数的脊积分和所述比值构建所述目标特征。
5.根据权利要求1所述的基于雷达回波特征的海况分类方法，其特征在于，所述分类器包括短时傅里叶变换、维格纳-威尔分布以及平滑伪WVD中的任意一种。
6.根据权利要求1所述的基于雷达回波特征的海况分类方法，其特征在于，所述分类器包括SVM，随机森林以及深度神经网络等所有适用于目标二分类的机器学习或深度学习算法的任意一种。
7.一种基于雷达回波的海况分类装置，其特征在于，所述装置包括：
数据获取模块，用于获取待分类的海杂波数据；
特征提取模块，用于对所述海杂波数据进行预处理，以获取预处理参数，并根据预设的特征提取规则从所述预处理的结果中提取目标特征；
分类模块，将基于所述目标特征的海杂波数据输入到预存的分类器中进行分类，以获取分类结果。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述基于雷达回波特征的海况分类方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于雷达回波特征的海况分类方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于雷达回波特征的海况分类方法。
CN202210376816.9A 2022-04-11 2022-04-11 基于雷达回波特征的海况分类方法及装置 Pending CN114839634A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210376816.9A CN114839634A (zh) 2022-04-11 2022-04-11 基于雷达回波特征的海况分类方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210376816.9A CN114839634A (zh) 2022-04-11 2022-04-11 基于雷达回波特征的海况分类方法及装置

Publications (1)

Publication Number Publication Date
CN114839634A true CN114839634A (zh) 2022-08-02

Family

ID=82564448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210376816.9A Pending CN114839634A (zh) 2022-04-11 2022-04-11 基于雷达回波特征的海况分类方法及装置

Country Status (1)

Country Link
CN (1) CN114839634A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115508805A (zh) * 2022-09-22 2022-12-23 中国舰船研究设计中心 一种机载激光雷达海洋探测回波信号分类方法
CN116821093A (zh) * 2023-06-21 2023-09-29 宁波麦思捷科技有限公司武汉分公司 一种海杂波样本库构建方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115508805A (zh) * 2022-09-22 2022-12-23 中国舰船研究设计中心 一种机载激光雷达海洋探测回波信号分类方法
CN115508805B (zh) * 2022-09-22 2024-04-19 中国舰船研究设计中心 一种机载激光雷达海洋探测回波信号分类方法
CN116821093A (zh) * 2023-06-21 2023-09-29 宁波麦思捷科技有限公司武汉分公司 一种海杂波样本库构建方法及系统
CN116821093B (zh) * 2023-06-21 2023-12-15 宁波麦思捷科技有限公司武汉分公司 一种海杂波样本库构建方法及系统

Similar Documents

Publication Publication Date Title
CN110244271B (zh) 基于多重同步压缩变换的雷达辐射源分选识别方法及装置
CN114839634A (zh) 基于雷达回波特征的海况分类方法及装置
Dass et al. Validating a biometric authentication system: Sample size requirements
Amirmazlaghani et al. Two novel Bayesian multiscale approaches for speckle suppression in SAR images
US20210165770A1 (en) Periodicity detection and period length estimation in time series
Jude Hemanth et al. Image pre-processing and feature extraction techniques for magnetic resonance brain image analysis
CN107784655A (zh) 一种自适应阈值的视觉注意模型sar舰船检测算法
Lee et al. Jamming prediction for radar signals using machine learning methods
CN113674308B (zh) 基于图像增强与多重检测的sar图像舰船目标快速检测方法
Zhang et al. A novel ship target detection algorithm based on error self-adjustment extreme learning machine and cascade classifier
Sumaiya et al. Unsupervised change detection of flood affected areas in SAR images using Rayleigh‐based Bayesian thresholding
Xiong et al. Cross correlation singularity power spectrum theory and application in radar target detection within sea clutters
Shaw et al. Automatic target recognition using eigen templates
El-Darymli et al. Holism-based features for target classification in focused and complex-valued synthetic aperture radar imagery
Adhikari Shift-invariant structure-imposed convolutional neural networks for direction of arrival estimation
Kapp et al. Spatial verification of high-resolution ensemble precipitation forecasts using local wavelet spectra
Kostenko et al. Surrogate data generation technology using the SSA method for enhancing the effectiveness of signal spectral analysis
Bychkov et al. Software application for biometrical person’s identification by portrait photograph based on wavelet transform
CN116413715A (zh) 一种用于宽带雷达的机动目标检测与参数估计方法
Giovanneschi et al. Online dictionary learning techniques for sea clutter suppression
CN113608190B (zh) 基于奇异空间三特征的海面目标检测方法及系统
CN116028858A (zh) 基于预标签的自监督神经网络学习心拍分类方法及系统
Shao et al. Separation of multicomponent chirp signals using morphological component analysis and fractional Fourier transform
Zhu et al. Target classification by conventional radar based on bispectrum and deep CNN
CN113688655B (zh) 干扰信号的识别方法、装置、计算机设备和存储介质

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