[发明专利]一种基于分形特征智能学习的海面目标检测方法

权利要求书

1.一种基于分形特征智能学习的海面目标检测方法，其特征在于包括下述步骤：

(1)海杂波的时域回波信号为X＝{x_k,k＝1,2,3..N}，其中，N为时域回波序列长度，采用Yule-walker方程法估计海杂波的时域回波信号X的AR谱序列S(f)；

(2)海杂波AR谱联合分形特征参数计算；

针对步骤(1)中求得的AR谱序列S(f)，用序列的最大值max(S(f))对AR谱序列S(f)进行归一化处理，得到序列S_u(f)：

S_u(f)＝S(f)/max(S(f))

计算AR谱盒维数D_AR：

其中，S_u为归一化后的AR谱序列，N_δ(·)表示尺度δ下与S_u交叠的盒子个数，δ为尺度参数，通过改变尺度参数δ，使用最小二乘法拟合得到lgN_δ(S_u)～(-lgδ)曲线，即Log-Log曲线；曲线斜率即为AR谱盒维数，同时获得曲线截距；AR谱盒维数即Log-Log曲线斜率与Log-Log曲线截距构成AR谱联合分形特征参数；

(3)使用基于Keras的深度学习模型搭建并训练神经网络；

利用雷达实测回波数据，依照步骤(1)和步骤(2)，分别获得目标单元与海杂波单元的AR谱联合分形特征参数，构成数据集，将得到的数据集划分为训练集与测试集，利用训练集数据对搭建的Keras神经网络进行训练学习，得到训练好的神经网络；

所述的基于Keras的深度学习模型为四层的全连接模型，包括输入层、两个隐藏层和输出层，神经元个数分别为20、16、20、1，网络前三层采用relu激活函数，有效避免了训练模型过程中出现梯度消失和梯度爆炸现象，最后输出层采用sigmoid函数，用于二分类的问题；

(4)利用神经网络进行智能化目标区分与检测；

将测试集数据输入步骤(3)中训练好的神经网络，完成海杂波单元与目标单元的区分，实现海杂波环境下海面微弱目标的智能化检测。

2.根据权利要求1所述的一种基于分形特征智能学习的海面目标检测方法，其特征在于：

所述δ的取值范围为0＜δ＜1。

3.根据权利要求1所述的一种基于分形特征智能学习的海面目标检测方法，其特征在于：

所述训练集与测试集的数据量比例是1：1。