CN115409064A - 一种基于集成学习的多维特征虚警剔除方法 - Google Patents

一种基于集成学习的多维特征虚警剔除方法 Download PDF

Info

Publication number
CN115409064A
CN115409064A CN202211051394.4A CN202211051394A CN115409064A CN 115409064 A CN115409064 A CN 115409064A CN 202211051394 A CN202211051394 A CN 202211051394A CN 115409064 A CN115409064 A CN 115409064A
Authority
CN
China
Prior art keywords
target
false alarm
distance
suspected
dimensional
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
CN202211051394.4A
Other languages
English (en)
Inventor
王治飞
于俊朋
杨予昊
李品
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.)
CETC 14 Research Institute
Original Assignee
CETC 14 Research Institute
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 CETC 14 Research Institute filed Critical CETC 14 Research Institute
Priority to CN202211051394.4A priority Critical patent/CN115409064A/zh
Publication of CN115409064A publication Critical patent/CN115409064A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及一种基于集成学习的多维特征虚警剔除方法，包括：a)对雷达下行AD数据进行信号处理形成强度图；b)基于信号处理后的强度图进行低阈值恒虚警检测；c)对低阈值恒虚警检测结果进行帧内凝聚；d)对凝聚后的疑似目标点进行解模糊且提取多维模糊特征；e)利用集成学习虚警剔除模型对输入的多维模糊特征进行预测，舍弃其中预测为虚警所对应的疑似目标，实现虚警剔除；f)对虚警剔除后的目标进行帧间凝聚，得到最后点迹结果。本发明提供了一种目标多维特征空间构建方法，并基于所构建的特征空间以一种数据驱动的方法，采用集成学习方法对低阈值预检测的疑似目标进行进一步判别，实现雷达系统检测能力的提升。

Description

一种基于集成学习的多维特征虚警剔除方法
技术领域
本发明涉及雷达信号处理、机器学习领域，尤其涉及一种基于集成学习的多维特征虚警剔除方法。
背景技术
雷达是一种广泛应用于探测、预警、制导、遥感和导航等传统军事领域，在气象预报、资源探测、机场监测、濒海安保、驾驶辅助、人体监测、滑坡监测以及远程搜救等民用领域也有广泛的应用前景。自动驾驶、智慧气象等智能化应用的不断发展要求雷达具备在复杂环境下高精度和高可靠性检测的能力。更重要地，在未来现代化战争中，不确定高动态的作战环境、急剧提升的任务复杂性和目标机动性能与隐身能力的飞速发展，对雷达探测感知性能也提出了更高的要求。
当前在杂波环境下目标检测的常见方法为能量检测器，即利用积累后的回波数据的一阶(幅度)或者二阶(功率、功率谱)统计特性来进行目标检测。样式多、变化大、强度高、非平稳的杂波加上无意干扰的复杂环境下，杂波和目标从幅度和功率等能量维度上难以区分，仅采用基于能量的阈值检测严重影响当前雷达目标检测性能，具体表现在对弱目标、小目标检测能力差，虚警点多，严重影响目标跟踪质量，产生大量短航迹、虚假航迹等。
有别于传统基于统计信号模型的知识驱动的目标检测方法，基于数据驱动的机器学习方法为雷达信息处理提供了一条全新的技术路径。计算机视觉、自然语言处理和内容推荐等领域得益于机器学习技术的广泛应用，均取得了突飞猛进的发展。将机器学习理论与方法应用到雷达目标检测领域，结合传统雷达信号处理模型知识，并进一步发展适用于该领域的机器学习方法与技术，有望实现目标和虚警更准确的区分，以实现较传统方法更好的虚警剔除和弱小目标检测效果。
目前已有部分研究采用卷积神经网络(CNN)[1-3]和支持向量机(SVM)[4,5]以及聚类[6]等机器学习方法根据时频特征图或分形特征对目标和杂波进行区分，实现较传统阈值检测方法更准确的目标检测。但在通用的广域搜索场景中，由于驻留时间的限制，高分辨率时频特征图往往难以获得，导致基于时频特征图的机器学习方法性能下降甚至失效。
[1]Liu Ningbo,Xu Yanan,Ding Hao,Xue Yonghua,Guan Jian，“High-Dimensional Feature Extraction of Sea Clutter and Target Signal forIntelligent Maritime Monitoring Network”，in Computer Communications,147:76-84,2019
[2]Bjorklund,S.；Wadstromer,N.,“Target Detection and Classification ofSmall Drones by Deep Learning on Radar Micro-Doppler”,in 2019InternationalRadar Conference(RADAR2019)，TOULON,France,2019
[3]Xiaolong Chen；Ningyuan Su；Jian Guan；Xiaoqian Mou；Yonghua Xue,“Integrated Processing of Radar Detection and Classification for MovingTarget via Time-frequency Graph and CNN Learning”,in 2019URSI Asia-PacificRadio Science Conference(AP-RASC),March 2019,New Delhi,India
[4]Xiaolong Chen；Ningyuan Su；Yong Huang；Jian Guan,“False-Alarm-Controllable Radar Detection for Marine Target Based on Multi Features Fusionvia CNNs”,in IEEE Sensors Journal,21(7):9099-111,2021
[5]D.Callaghan；J.Burger；Amit K Mishra，“A Machine Learning Approach toRadar Sea Clutter Suppression”，in 2017 IEEE Radar Conference(RadarConf),2017,Seattle,WA,USA
[6]胡文,李梦霞,狄佳颖,王伟光,汪亚东,陈杰，“一种基于机器学习的雷达杂波抑制方法”，公开号：CN109444840B
发明内容
为解决现有的技术问题，本发明提供了一种基于集成学习的多维特征虚警剔除方法。
本发明的具体内容如下：一种基于集成学习的多维特征虚警剔除方法，包括如下步骤：
a)对雷达下行AD数据进行信号处理形成强度图；
b)基于信号处理后的强度图进行低阈值恒虚警检测；
c)对低阈值恒虚警检测结果进行帧内凝聚；
d)对凝聚后的疑似目标点进行解模糊且提取多维模糊特征；
e)利用集成学习虚警剔除模型对输入的多维模糊特征进行预测，舍弃其中预测为虚警所对应的疑似目标，实现虚警剔除；
f)对虚警剔除后的目标进行帧间凝聚，得到最后点迹结果；
上述步骤中某些可省略，例如若雷达下行数据直接为每帧积累后的强度图可省略步骤a；若雷达下行数据为阈值检测后的疑似目标点迹结果则步骤a-c均可省略；即使雷达下行数据为AD数据，步骤c帧内凝聚和步骤f帧间凝聚步骤也可省略。
进一步的，步骤a中对AD数据进行处理包括但不限于脉冲压缩、数字波束形成、脉冲多普勒和空时自适应处理，各处理顺序可调整。
进一步的，提取的多维模糊特征构建多维特征空间，包括：
采用目标测量的属性构建多维特征空间，包括不限于目标的距离、方位、俯仰、多普勒速度、SNR、SCR、ACE、RCS、目标扩展距离门个数、目标扩展多普勒个数；
采用目标在解模糊多帧上测量属性的距离构建多维特征空间，包括不限于目标的距离维距离、方位维距离、俯仰维距离、多普勒速度维距离、SNR维距离、SCR维距离、ACE维距离、RCS维距离，这里属性的距离计算可采用但不限于曼哈顿距离、欧式距离、马氏距离、闵可夫斯基距离、相关系数距离和余弦相似度距离。
进一步的，步骤e中，集成学习虚警剔除模型的构建方法包括：
(11)选择输入的点迹：
可利用解模糊后的疑似点迹目标作为输入，也可选择解模糊前的疑似目标点迹作为输入，通过解模糊操作后获取得到解模糊的疑似点迹目标；在选择解模糊前的疑似目标点迹作为输入时可选择CFAR检测后未经凝聚的疑似目标进行解模糊，也可采用凝聚后的疑似目标进行解模糊；
(12)误差修正：
对作为真值的外源信息与雷达检测疑似目标点迹对比，修正外源信息和雷达检测间的系统偏差；
(13)匹配：
将解模糊后的疑似目标点迹结果和作为真值的外源信息进行匹配，将匹配上的疑似目标标注为真实目标，而无法匹配上的标注为虚假目标；
(14)数据标注:
将解模糊后的疑似目标多维特征结合对应的标注，构建数据集；
(15)数据建库:
将数据集中的一部分作为训练数据以训练基于集成学习的多维特征虚警剔除模型，其余部分作为验证或测试数据，其中验证数据集和测试数据集可省略。
进一步的，步骤(12)中修正外源信息和雷达检测间的系统偏差，包括但不限于时间偏置、距离偏置、方位偏置、俯仰偏置和速度偏置；步骤(13)的匹配可在时间-距离-方位-俯仰-速度中的某些或所有维度上进行，匹配中距离计算包括但不限于曼哈顿距离、欧式距离、马氏距离、闵可夫斯基距离、相关系数距离和余弦相似度距离。
进一步的，集成学习虚警剔除模型包括多个基学习器，集成学习虚警剔除模型的输出由各个基学习器的输出汇聚融合生成，模型训练过程包括如下步骤：
(21)训练预定一共执行T0轮，可设定是否提前终止；
(22)每轮迭代从原始训练数据集中随机选取m个样本，训练构建每个基学习器，选取的样本数量m小于等于整个原始训练数据集的样本数量m0；
(23)在每轮生成基学习器后通过验证数据集评估验证损失，若在第T轮迭代时达到提前终止条件则终止训练，其中，T≤T0；
(24)重复T次独立抽样后生成T个不同的基学习器，通过融合汇聚策略将这些基学习器的分类结果结合起来，得到最终的分类结果。
进一步的，步骤(21)中，可根据但不限于每轮迭代中采用验证数据集评估验证损失的方式设定提前终止策略；
步骤(22)中，每个基学习器可以为决策树、支持向量机或卷积神经网络，且各个基学习器可相同或不同，每轮迭代从原始训练数据集中随机选取样本，选取策略可为有放回地选取也可为不放回地选取；随机选取策略可为均匀随机选取或加权概率选取；
步骤(23)中，在训练每个基学习器时各样本对应的损失可加权或不加权；
步骤(24)中，基学习器输出的汇聚融合策略可选用投票策略也可采用加权平均的方式；
样本选取策略、基学习器训练方法及基学习器输出的汇聚融合方法对应算法包括但不限于Bagging、Boosting、Stacking、GBDT、xgboost和随机森林及其变种。
进一步的，集成学习虚警剔除模型对输入进行推理预测，可直接选取置信度高的一类作为输出类别，也可选定某一阈值，当某一类别的置信度高于该阈值时判定输入为该类别。
进一步的，仅保留判定为真实目标的对应疑似目标点作为输出点迹结果。
进一步的，在进行集成学习模型构建时可根据需要设定KF类不同的虚假目标类别和KT类不同的真实目标类别，在推理时判定输入目标多维模糊特征对应KT类不同的真实目标类别中任意一种则保留该目标作为点迹结果输出。
有别于传统单纯能量阈值检测方法，本发明提供了一种全新的目标多维特征空间构建方法，并基于所构建的特征空间以一种数据驱动的方法，采用集成学习方法对低阈值预检测的疑似目标进行进一步判别，实现雷达系统检测能力的提升。
附图说明
下面结合附图对本发明的具体实施方式做进一步阐明。
图1为基于集成学习的虚警剔除处理流程图；
图2为基于集成学习的虚警剔除模型构建流程图；
图3为基于集成学习的虚警剔除模型训练流程图；
图4为基于Bagged-trees的多维特征虚警剔除构建示例；
图5为某雷达检测点迹的距离-方位结果，其中，(a)为经过正常阈值检测的点迹结果；(b)为集成学习多维特征虚警剔除结合低阈值检测的点迹结果。
具体实施方式
本发明公开了一种基于集成学习的多维特征虚警剔除方法，本发明通过建立一种全新的目标多维特征空间，构建集成学习虚警剔除模型对所建立的多维特征进行有效处理，实现对虚假目标的有效抑制。结合低阈值检测，利用所构建的基于集成学习的多维特征虚警剔除模型对低阈值检测得到的疑似点迹进行虚警剔除，可实现降低虚警率的同时提高目标检测率，从而有效提升雷达探测感知效能。
如图1所示，基于集成学习的多维特征虚警剔除方法，包括如下步骤：
a)对雷达下行AD数据进行信号处理形成强度图；
对雷达在每个波位上的下行AD数据进行包括但不限于脉冲压缩、数字波束形成和脉冲多普勒(PD)处理和空时自适应处理(STAP)等处理步骤后获得积累后的强度图。其中，某些处理步骤可省略，顺序也可调整，本实施例中，采用脉冲压缩、数字波束形成和脉冲多普勒(PD)处理后获得积累后的强度图，其维度为距离-多普勒-波束。
b)基于信号处理后的强度图进行低阈值恒虚警(CFAR)检测；
在CFAR检测中选用十字区域作为参考单元，选用测试单元相邻单元作为保护单元；选用较低检测门限，例如10dB；CFAR检测后获取到疑似目标点所在距离门和多普勒门等信息。
c)对低阈值恒虚警检测结果进行帧内凝聚；
计算CFAR检测出来的疑似目标点之间的距离门差和多普勒门差，对于任意两个疑似目标点距离门差和多普勒门差在设定阈值范围内的选择SNR(信噪比)较大疑似目标点保留而舍弃SNR较小疑似目标点。
d)对凝聚后的疑似目标点进行解模糊且提取多维模糊特征；
在进行解模糊之前，根据需要可在采用和和测角或和差测角对凝聚后的各个目标点进行测角，同时计算其对应ACE值，再对凝聚测角后的疑似目标点解模糊，并提取疑似目标的多维模糊特征。
将当前帧疑似目标点和第前i帧(i＜N，N为用于解模糊的帧数目)之间疑似目标点在距离、多普勒速度和方位上进行匹配，输出匹配上的疑似目标点迹结果作为解模糊后疑似目标点迹结果，并记录每个解模糊后的疑似目标所在的当前帧和第前i帧上测量得到的距离差、方位差、多普勒速度、SNR、SCR、ACE和RCS等如表1所示多维模糊特征。
表1多位模糊特征
符号 解释
v<sub>1</sub> 疑似目标在第一帧中的速度
SNR<sub>1</sub> 疑似目标在第一帧中的信噪比(SNR)
SCR<sub>1</sub> 疑似目标在第一帧中的信杂比(SCR)
ACE<sub>1</sub> 疑似目标在第一帧中的自适应相干估计值(ACE)
RCS<sub>1</sub> 疑似目标在第一帧中的雷达截面积(RCS)
v<sub>2</sub> 疑似目标在第二帧中的速度
SNR<sub>2</sub> 疑似目标在第二帧中的SNR
SCR<sub>2</sub> 疑似目标在第二帧中的SCR
ACE<sub>2</sub> 疑似目标在第二帧中的ACE
RCS<sub>2</sub> 疑似目标在第二帧中的RCS
ΔR 疑似目标两次测量的距离差
Δθ 疑似目标两次测量的方位差
Δφ 疑似目标两次测量的俯仰差
e)进行集成学习多维特征虚警剔除；
将解模糊后的疑似目标点以及对应的模糊特征输入到构建的集成学习虚警剔除模型中，由集成学习模型预测疑似目标是否为真实目标，舍弃其中预测为虚假目标的疑似目标点，实现虚警的抑制。
f)对虚警剔除后的目标进行帧间凝聚，得到最后点迹结果；
计算虚警剔除后的相邻n帧内(n为预设值，例如3)目标点之间的距离差和多普勒差，对于任意两个目标点距离差和多普勒差在设定阈值范围内的选择SNR较大目标点保留而舍弃SNR较小目标点。
以上步骤a-f中某些可省略，例如若雷达下行数据直接为每帧积累后的强度图即可省略步骤a；若雷达下行数据为阈值检测后的疑似目标点迹结果则步骤a-c均可省略；即使雷达下行数据为AD数据，步骤c帧内凝聚和步骤f帧间凝聚步骤可省略。
本实施例优选的，步骤d中，提取目标多维特征构建多维特征空间。其中，采用目标测量的属性构建多维特征空间，包括不限于目标的距离、方位、俯仰、多普勒速度、SNR、SCR、ACE、RCS、目标扩展距离门个数、目标扩展多普勒个数。
采用目标在解模糊多帧上测量属性的距离构建多维特征空间，包括不限于目标的距离维距离、方位维距离、俯仰维距离、多普勒速度维距离、SNR维距离、SCR维距离、ACE维距离、RCS维距离等，这里属性的距离计算可采用但不限于曼哈顿距离、欧式距离、马氏距离、闵可夫斯基距离、相关系数距离和余弦相似度距离。
本实施例优选的，步骤e中，基于集成学习的多维特征虚警剔除模型的构建流程如图2所示，其步骤为：
(11)输入经过CFAR检测后解模糊前的点迹。
(12)对这些点迹进行常规解模糊处理，获取解模糊后的疑似点迹结果以及解模糊过程中产生的多次测量属性集合，即上述目标多维解模糊特征。
以上步骤中，可利用解模糊后的疑似点迹目标作为输入，也可选择解模糊前的疑似目标点迹作为输入通过解模糊操作后获取得到解模糊的疑似点迹目标。在选择解模糊前的疑似目标点迹作为输入时可选择CFAR检测后未经凝聚的疑似目标进行解模糊，也可采用凝聚后的疑似目标进行解模糊。
(13)将解模糊后的点迹结果和作为真值的如ADS-B或二次航迹的外源信息进行匹配，将匹配上的疑似目标标注为真实目标，而无法匹配上的标注为虚假目标。
对作为真值的如ADS-B或二次航迹的外源信息与雷达检测疑似目标点迹对比前，修正外源信息和雷达检测间的系统偏差，包括但不限于时间偏置、距离偏置、方位偏置、俯仰偏置和速度偏置等。
匹配可在时间-距离-方位-俯仰-速度中的某些或所有维度上进行，匹配中距离计算包括但不限于曼哈顿距离、欧式距离、马氏距离、闵可夫斯基距离、相关系数距离和余弦相似度距离等。
(14)通过结合提取的模糊特征和标注信息，构建数据集。
(15)将数据集中的一部分作为训练数据以训练基于集成学习的多维特征虚警剔除模型，其余部分作为验证或测试数据。其中验证数据集和测试数据集可省略。
本实施例中，集成学习虚警剔除模型由多个基学习器组成，每个基学习器的种类可以相同也可以不同，具体形式可为决策树、支持向量机(SVM)、卷积神经网络(CNN)等。而集成学习模型输出由各个基学习器的输出汇聚融合生成。训练的流程可描述如下：
(21)训练预定一共执行T0轮，可设定是否提前终止；
(22)每轮迭代从原始训练数据集中随机选取m个样本，训练构建每个基学习器，选取的样本数量m小于等于整个原始训练数据集的样本数量m0；
(23)在每轮生成基学习器后通过验证数据集评估验证损失，若在第T轮迭代时达到提前终止条件则终止训练，其中，T≤T0，终止条件与对应的基学习器种类相关，根据基学习器种类选择终止条件；
(24)重复T次独立抽样后生成T个不同的基学习器，通过融合汇聚策略将这些基学习器的分类结果结合起来，得到最终的分类结果。
本实施例优选的，步骤(21)中，可根据但不限于每轮迭代中采用验证数据集评估验证损失的方式设定提前终止策略；
步骤(22)中，每个基学习器可以为决策树、支持向量机(SVM)或卷积神经网络(CNN)，且各个基学习器可相同或不同，每轮迭代从原始训练数据集中随机选取样本，选取策略可为有放回地选取也可为不放回地选取；随机选取策略可为均匀随机选取或加权概率选取；生成每个基学习器时采用相应的训练方法。例如若基学习器为决策树，则可采用分类和回归树(CART)、ID3和C4.5等；若基学习器为CNN，则选用Adam、SDG等优化器采用梯度下降方法优化损失函数以训练生成CNN模型。
步骤(23)中，在训练每个基学习器时各样本对应的损失可加权或不加权；
步骤(24)中，基学习器输出的汇聚融合策略可选用投票策略，即采用数量更多的基学习器的某一分类输出作为集成学习虚警剔除模型输出；也可采用加权平均的方式，即给不同的基学习器赋予不同的权重；
样本选取策略、基学习器训练方法及基学习器输出的汇聚融合方法对应算法包括但不限于Bagging、Boosting、Stacking、GBDT、xgboost和随机森林及其变种。
本实施例以一种集成决策树模型，Bagged-trees为例描述本发明所提出的集成学习多维特征虚警剔除模型构建，其伪代码如图4所示。其中Xm和ym分别是第m个疑似目标的模糊特征和标签，每个基学习器均为一个决策树。其模型训练的主要步骤如下：
设定训练一共执行T轮，且不进行验证和提前终止。
在每轮迭代中从原始训练数据集中有放回地随机选取m个样本，作为训练集来训练决策树。本实施例中，m＝0.8×N，N为训练数据集样本数。
利用分类和回归树(CART)算法基于所选取的m个样本构建每个决策树。CART是一棵二叉树，采用二元切分法，每次把数据切成两份，分别进入左子树、右子树。而且每个非叶子节点都有两个孩子，所以CART的叶子节点比非叶子多1。
CART分类时，使用基尼指数(Gini)来选择最好的数据分割的特征。CART中每一次迭代都会降低Gini系数，其计算公式如下所示。
Figure BDA0003823731020000091
其中，数据集为D，数据集中第k类样本所占比例为
Figure BDA0003823731020000092
Figure BDA0003823731020000093
为第k类样本组成的集合。Gini(D)反映了数据集D中随机抽取两个样本其类别不一致的概率，因此Gini(D)值越小代表数据集D纯度越高。
而对于多维模糊特征空间A中某一维特征a的基尼系数Gini(D|a)的表达式如下。
Figure BDA0003823731020000094
其中V为特征a可能取值的集合。若采用特征a对数据集D进行划分，则可能产生V个分支节点，其中第v个分支节点包含D中所有在特征A上取值为av的样本即为Dv。
CART在多维模糊特征空间A中选择使得划分后基尼系数最小的属性作为划分属性。
当划分的决策树的叶子节点数目达到预设的最小值或决策树深度达到预设的最大深度后停止划分，即一个基学习器生成完成。
(4)采用投票策略汇聚融合根据以上步骤生成的T个决策树的输出，其表达式为
Figure BDA0003823731020000095
其中，ht(x)为第t个决策树在给定输入特征x的输出，当ht(x)与给定标签y一致时
Figure BDA0003823731020000096
否则
Figure BDA0003823731020000097
Y为所有标签类别的集合，在本例中Y＝{0,1}，其中0代表虚假目标而1代表真实目标。
图5给出了一次基于某雷达检测点迹的距离-方位结果对比。其中图(a)为经过传统CFAR能量阈值检测且采用13.5dB阈值检测的点迹结果；图(b)为本发明所提出的集成学习多维特征虚警剔除结合低阈值CFAR检测的点迹结果。通过对比两图可见，低阈值检测结合集成学习多维特征虚警剔除能明显提升雷达检测能力，并很好地控制虚警率，相比于正常阈值结果至少多出3条明显目标轨迹，而目标总数较正常阈值少，即虚警率更低。
本发明通过充分利用真实目标在用于解模糊的多帧中测量属性的相似性构建全新的多维特征空间，并基于数据驱动的方法对特征空间进行自动精细化分区处理，采用集成学习模型对真实目标和虚假目标进行准确区分，实现虚警的有效抑制；并结合低阈值检测，可在降低虚警率的同时提升检测率。本发明具有以下优点：较传统能量阈值检测方法虚警率更低、结合低阈值预检测可实现检测率提升、与传统信号处理和检测流程兼容，可通过嵌入本发明技术即可实现性能提升、本发明所提技术运算效率高，满足实时需求、本发明所提模型涉及的参数少，模型性能对非关键参数取值不敏感，极大减轻人为调参压力。
在以上的描述中阐述了很多具体细节以便于充分理解本发明。但是以上描述仅是本发明的较佳实施例而已，本发明能够以很多不同于在此描述的其它方式来实施，因此本发明不受上面公开的具体实施的限制。同时任何熟悉本领域技术人员在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。

Claims (10)

1.一种基于集成学习的多维特征虚警剔除方法，其特征在于：包括如下步骤：
a)对雷达下行AD数据进行信号处理形成强度图；
b)基于信号处理后的强度图进行低阈值恒虚警检测；
c)对低阈值恒虚警检测结果进行帧内凝聚；
d)对凝聚后的疑似目标点进行解模糊且提取多维模糊特征；
e)利用集成学习虚警剔除模型对输入的多维模糊特征进行预测，舍弃其中预测为虚警所对应的疑似目标，实现虚警剔除；
f)对虚警剔除后的目标进行帧间凝聚，得到最后点迹结果；
上述步骤中某些可省略，例如若雷达下行数据直接为每帧积累后的强度图可省略步骤a；若雷达下行数据为阈值检测后的疑似目标点迹结果则步骤a-c均可省略；即使雷达下行数据为AD数据，步骤c帧内凝聚和步骤f帧间凝聚步骤也可省略。
2.根据权利要求1所述的基于集成学习的多维特征虚警剔除方法，其特征在于：步骤a中对AD数据进行处理包括但不限于脉冲压缩、数字波束形成、脉冲多普勒和空时自适应处理，各处理顺序可调整。
3.根据权利要求1所述的基于集成学习的多维特征虚警剔除方法，其特征在于：提取的多维模糊特征构建多维特征空间，包括：
采用目标测量的属性构建多维特征空间，包括不限于目标的距离、方位、俯仰、多普勒速度、SNR、SCR、ACE、RCS、目标扩展距离门个数、目标扩展多普勒个数；
采用目标在解模糊多帧上测量属性的距离构建多维特征空间，包括不限于目标的距离维距离、方位维距离、俯仰维距离、多普勒速度维距离、SNR维距离、SCR维距离、ACE维距离、RCS维距离，这里属性的距离计算可采用但不限于曼哈顿距离、欧式距离、马氏距离、闵可夫斯基距离、相关系数距离和余弦相似度距离。
4.根据权利要求1所述的基于集成学习的多维特征虚警剔除方法，其特征在于：步骤e中，集成学习虚警剔除模型的构建方法包括：
(11)选择输入的点迹：
可利用解模糊后的疑似点迹目标作为输入，也可选择解模糊前的疑似目标点迹作为输入，通过解模糊操作后获取得到解模糊的疑似点迹目标；在选择解模糊前的疑似目标点迹作为输入时可选择CFAR检测后未经凝聚的疑似目标进行解模糊，也可采用凝聚后的疑似目标进行解模糊；
(12)误差修正：
对作为真值的外源信息与雷达检测疑似目标点迹对比，修正外源信息和雷达检测间的系统偏差；
(13)匹配：
将解模糊后的疑似目标点迹结果和作为真值的外源信息进行匹配，将匹配上的疑似目标标注为真实目标，而无法匹配上的标注为虚假目标；
(14)数据标注:
将解模糊后的疑似目标多维特征结合对应的标注，构建数据集；
(15)数据建库:
将数据集中的一部分作为训练数据以训练基于集成学习的多维特征虚警剔除模型，其余部分作为验证或测试数据，其中验证数据集和测试数据集可省略。
5.根据权利要求4所述的基于集成学习的多维特征虚警剔除方法，其特征在于：步骤(12)中修正外源信息和雷达检测间的系统偏差，包括但不限于时间偏置、距离偏置、方位偏置、俯仰偏置和速度偏置；步骤(13)的匹配可在时间-距离-方位-俯仰-速度中的某些或所有维度上进行，匹配中距离计算包括但不限于曼哈顿距离、欧式距离、马氏距离、闵可夫斯基距离、相关系数距离和余弦相似度距离。
6.根据权利要求4所述的基于集成学习的多维特征虚警剔除方法，其特征在于：集成学习虚警剔除模型包括多个基学习器，集成学习虚警剔除模型的输出由各个基学习器的输出汇聚融合生成，模型训练过程包括如下步骤：
(21)训练预定一共执行T0轮，可设定是否提前终止；
(22)每轮迭代从原始训练数据集中随机选取m个样本，训练构建每个基学习器，选取的样本数量m小于等于整个原始训练数据集的样本数量m0；
(23)在每轮生成基学习器后通过验证数据集评估验证损失，若在第T轮迭代时达到提前终止条件则终止训练，其中，T≤T0；
(24)重复T次独立抽样后生成T个不同的基学习器，通过融合汇聚策略将这些基学习器的分类结果结合起来，得到最终的分类结果。
7.根据权利要求6所述的基于集成学习的多维特征虚警剔除方法，其特征在于：
步骤(21)中，可根据但不限于每轮迭代中采用验证数据集评估验证损失的方式设定提前终止策略；
步骤(22)中，每个基学习器可以为决策树、支持向量机或卷积神经网络，且各个基学习器可相同或不同，每轮迭代从原始训练数据集中随机选取样本，选取策略可为有放回地选取也可为不放回地选取；随机选取策略可为均匀随机选取或加权概率选取；
步骤(23)中，在训练每个基学习器时各样本对应的损失可加权或不加权；
步骤(24)中，基学习器输出的汇聚融合策略可选用投票策略也可采用加权平均的方式；
样本选取策略、基学习器训练方法及基学习器输出的汇聚融合方法对应算法包括但不限于Bagging、Boosting、Stacking、GBDT、xgboost和随机森林及其变种。
8.根据权利要求7所述的基于集成学习的多维特征虚警剔除方法，其特征在于：集成学习虚警剔除模型对输入进行推理预测，可直接选取置信度高的一类作为输出类别，也可选定某一阈值，当某一类别的置信度高于该阈值时判定输入为该类别。
9.根据权利要求7所述的基于集成学习的多维特征虚警剔除方法，其特征在于：仅保留判定为真实目标的对应疑似目标点作为输出点迹结果。
10.根据权利要求9所述的基于集成学习的多维特征虚警剔除方法，其特征在于：在进行集成学习模型构建时可根据需要设定KF类不同的虚假目标类别和KT类不同的真实目标类别，在推理时判定输入目标多维模糊特征对应KT类不同的真实目标类别中任意一种则保留该目标作为点迹结果输出。
CN202211051394.4A 2022-08-31 2022-08-31 一种基于集成学习的多维特征虚警剔除方法 Pending CN115409064A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211051394.4A CN115409064A (zh) 2022-08-31 2022-08-31 一种基于集成学习的多维特征虚警剔除方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211051394.4A CN115409064A (zh) 2022-08-31 2022-08-31 一种基于集成学习的多维特征虚警剔除方法

Publications (1)

Publication Number Publication Date
CN115409064A true CN115409064A (zh) 2022-11-29

Family

ID=84163596

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211051394.4A Pending CN115409064A (zh) 2022-08-31 2022-08-31 一种基于集成学习的多维特征虚警剔除方法

Country Status (1)

Country Link
CN (1) CN115409064A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116908806A (zh) * 2023-09-13 2023-10-20 中国电子科技集团公司第十四研究所 一种基于自监督学习的多维特征目标检测方法
CN116990773A (zh) * 2023-09-27 2023-11-03 广州辰创科技发展有限公司 基于自适应门限的低慢小目标检测方法、装置和存储介质
EP4425211A1 (fr) * 2023-03-02 2024-09-04 Thales Systeme de classification de pistes radar en fausses pistes anges, correspondant a des anges radar, et en autres pistes correspondant a des cibles d'interet commes des aeronefs ou des missiles

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4425211A1 (fr) * 2023-03-02 2024-09-04 Thales Systeme de classification de pistes radar en fausses pistes anges, correspondant a des anges radar, et en autres pistes correspondant a des cibles d'interet commes des aeronefs ou des missiles
FR3146357A1 (fr) * 2023-03-02 2024-09-06 Thales Système de classification de pistes radar en fausses pistes anges, correspondant à des anges radar, et en autres pistes correspondant à des cibles d'intérêt comme des aéronefs ou des missiles.
CN116908806A (zh) * 2023-09-13 2023-10-20 中国电子科技集团公司第十四研究所 一种基于自监督学习的多维特征目标检测方法
CN116908806B (zh) * 2023-09-13 2023-12-01 中国电子科技集团公司第十四研究所 一种基于自监督学习的多维特征目标检测方法
CN116990773A (zh) * 2023-09-27 2023-11-03 广州辰创科技发展有限公司 基于自适应门限的低慢小目标检测方法、装置和存储介质

Similar Documents

Publication Publication Date Title
CN115409064A (zh) 一种基于集成学习的多维特征虚警剔除方法
Shao et al. Deep fusion for radar jamming signal classification based on CNN
Li et al. Deinterleaving of pulse streams with denoising autoencoders
Cain et al. Convolutional neural networks for radar emitter classification
CN104835178A (zh) 一种低信噪比运动小目标的跟踪与识别的方法
WO2020209918A2 (en) Detection of cyber attacks targeting avionics systems
CN112395987A (zh) 基于无监督域适应cnn的sar图像目标检测方法
CN112036239B (zh) 一种基于深度学习网络的雷达信号工作模式识别方法及系统
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
EP3417311B1 (en) A method for motion classification using a pulsed radar system
CN116866129A (zh) 一种无线通信信号检测方法
Mottier et al. Deinterleaving and clustering unknown radar pulses
CN112213697B (zh) 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法
CN114114166A (zh) 一种基于dtm算法的雷达脉冲去交错方法
WO2017188905A1 (en) A method for motion classification using a pulsed radar system
Chen et al. Function recognition of multi-function radar via cnn-gru neural network
CN115902804B (zh) 一种无人机集群类型识别方法和系统
Kang et al. Classification method for network security data based on multi-featured extraction
Dai et al. Clustering of DOA data in radar pulse based on SOFM and CDbw
CN116466314A (zh) 一种雷达个体分选方法、装置、存储介质及设备
KR102407834B1 (ko) 긴 펄스 레이더 신호의 속성 기반 분류 방법 및 장치
Jordanov et al. Sets with incomplete and missing data—NN radar signal classification
Apfeld Machine learning for electronic intelligence
Zheng et al. An reconstruction bidirectional recurrent neural network‐based deinterleaving method for known radar signals in open‐set scenarios
Feng Towards self-supervised learning for multi-function radar behavior state detection and recognition

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