[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

说明书

本发明公开了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，主要解决单一的特征难以保证各种环境下的性能稳健问题和单一分类器检测时存在的稳定性差的问题；过程是：1获取雷达回波数据；2计算归一化平滑维格纳‑威利分布；3提取海杂波和目标的多个特征构成训练矩阵；构造用于XGBoost训练的数据；4采用K折交叉验证和网格搜索法确定XGBoost模型的超参数，训练XGBoost模型；5将待检测单元的多特征矩阵输入训练好的XGBoost模型，计算检测统计量D和检测门限T，根据检测统计量D与检测门限T的比较结果判断是否存在目标，做检测统计量D大于等于检测门限T，判定目标存在，反之，判定目标不存在。

技术领域

本发明涉及信号处理技术领域，尤其涉及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。

背景技术

海杂波是雷达接收到的从海表面反射回来的雷达回波，海面搜索雷达在对海面探测时，海杂波难免会对海面上诸如浮冰、小船、航标等漂浮小目标的检测造成影响。海杂波的强度会随雷达参数、照射方向、海况等的不同而发生改变。由于高分辨海杂波的空时非平稳性，传统目标检测方法面临低检测概率，高虚警的问题，使得海杂波背景下对海面漂浮小目标的检测成为难点。

针对这一难题，很多学者进行大量尝试与研究。自适应匹配滤波类方法是以假设海杂波满足统计模型为前提而提出的。在K分布海杂波模型下，可以得到最优K分布检测器。当海杂波序列满足Pareto分布时，可以得到该海杂波模型下的最优检测器。但是由于现有统计模型很难描述海杂波的复杂特性，海杂波具有较宽的多普勒带宽，海面目标通常速度较低，海面目标常常淹没在海杂波宽带内，因此上述方法在对海面目标特别是漂浮小目标检测时，检测器性能出现较大程度的下滑。

另外，基于分形的目标检测方法在观测时间较长时能达到很好的检测结果，然而当观测时间缩短时，检测性能会有明显下降，无法满足对海搜索雷达的要求。

传统上，雷达接收到的时间序列具有时域功率特性和频域的多普勒特性，检测算法基于某个特定统计量，即单特征来执行的。在面临高分辨海杂波背景下的漂浮小目标时，这些传统检测方法损失性能较大。由于海洋环境和雷达工作参数的影响，海杂波和目标都呈现出复杂的特性变化。利用单一的特征难以保证各种环境下的性能稳健。另外，基于特征类的检测方法可以转化为对海杂波和目标的分类。目前的分类器除了对海杂波和目标的多个特征缺乏充分的利用，方法的智能化程度还不高，只使用设计得到的单分类模型进行分类，使得实际应用中的分类效果完全依赖于所设计的单分类模型。若分类器的性能较差，则直接影响最终的分类性能。

发明内容

本发明的目的是提供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，通过集成多个分类模型来有效区别海杂波与目标，以提高对海面漂浮小目标的检测性能，满足雷达对海搜索的要求。

本发明采用的技术方案为：

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)