[发明专利]一种基于多特征与集成学习结合的海面漂浮小目标检测方法

权利要求书

1.一种基于多特征与集成学习结合的海面漂浮小目标检测方法，其特征在于：包括以下步骤：

A：获取雷达回波数据

利用雷达发射机对海面发送信号，利用雷达接收机接收由海面反射回来的回波数据，获取雷达回波数据；该回波数据分为纯杂波数据和包含目标回波数据，从包含目标回波数据中选取部分距离单元作为训练单元，训练单元时间序列为：z(n),n＝1,2,...,N；将纯杂波数据的距离单元作为参考单元，参考单元时间序列为：z_p(n),n＝1,2,...,N，p＝1,2,...,Q，Q为参考单元数，N为时间序列的长度；将训练单元时间序列z和参考单元时间序列z_p分别截长度为M不重叠的短向量，即：

z＝[z₁,z₂,...,z_m,...,z_N/M]^T (1)

z_p＝[z_p,1,z_p,2,...,z_p,m,...,z_p,N/M]^T,p＝1,2,...,Q (2)

其中向量z_m表示训练单元时间训练的第m个短向量，z_p,m表示参考单元时间序列的第m个短向量，m＝1,2,...,N/M；

B：计算训练单元和参考单元的计算归一化平滑维格纳-威利分布

B1：利用公式(3)计算训练单元的平滑维格纳-威利分布，公式(3)如下：

B2：利用公式(4)计算参考单元的平滑维格纳-威利分布，公式(4)如下：

其中，上标*表示共轭，g(m)为时间平滑窗，h(k)为频率平滑窗，E表示时间平滑窗长的一半，F表示频率平滑窗长的一半，Δf_d为归一化多普勒频率的采样间隔，n＝1,2,...,N,l＝1,2,...,N；

B3：从参考单元的纯杂波时间序列z_p估计海杂波的均值函数(5)和方差函数(6)：

其中，P代表训练单元周围参考单元的数目；

B4：则归一化平滑维格纳-威利分布SPWVD如公式(7)计算：

C：从海杂波数据和包含目标回波数据的时间序列中提取X个特征，X≧1，

构造用于XGBoost训练的特征向量及训练矩阵；

利用上述提取的X个特征，构造特征向量η(z)＝[η₁(z),η₂(z),...,η₇(z)]，加上训练标签label,最终构造的训练数据矩阵为sum×(X+1)的大小，其中sum为训练的总样本数，每行的数据各为[η₁(z),η₂(z),...,η₇(z),label]；其中，训练数据矩阵的数据一部分来自包含目标的训练单元，另一部分来自包含海杂波的参考单元，将设置海杂波的训练数据的label为0，包含目标的训练数据的label为1；

D：训练XGBoost模型

采用K折交叉验证和网格搜索法确定适合XGBoost模型的超参数，将训练数据矩阵随机分成K组，K为正整数，其中K-1组作为训练集，剩下1组作为评估集，XGBoost模型在训练集上进行训练，在评估集上进行验证；每次选取不同的训练集和评估集，重复进行操作，直到每组数据都被用作评估集；

F：检测

将待检测单元的X个特征矩阵输入训练好的XGBoost模型，获得所有待测样本对应的分类概率值D_i,1≤i≤num,num为所有待测样本的总数；利用蒙特卡洛仿真确定最终的检测阈值T，比较待测样本分类概率值D_i和检测阈值T的大小，根据比较结果对目标检测进行判决：

如果D_i≥T，则认为有目标；

如果D_i≤T，则认为无目标。

2.根据权利要求1所述的基于多特征与集成学习结合的海面漂浮小目标检测方法，其特征在于：所述的步骤C中X个特征主要有：相对平均幅度、相对多普勒峰高、相对多普勒熵、Hurst指数、脊积累、连通区域个数和最大连通区域尺寸。