[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

说明书

本发明提供了一种基于分形特征智能学习的海面目标检测方法，利用深度学习的方法对该二维联合分形特征参数进行学习，训练一神经网络进行杂波与目标智能化的区分，实现目标检测，将AR谱估计理论、联合分形特征和深度学习方法相结合，提出了一种基于AR谱联合分形特征的智能化新方法用于海面微弱目标检测，提高了海杂波背景下微弱目标检测的性能。克服了传统雷达目标检测方法因海杂波模型失配引起的检测性能下降的缺点，克服了传统时域、频域分形分析的缺点，充分考虑了时间相关性和频率相关性对海杂波分形特性分析的影响，提高了低信杂比背景下，海面微弱目标检测性能与稳定性，有更高的准确性与泛化能力。

技术领域

本发明涉及于雷达技术领域，具体涉及一种微弱目标智能化检测方法，可用于岸基警戒雷达或对海搜索雷达，通过分析雷达回波目标单元与海杂波单元间的AR谱联合分形特征参数的差异，结合深度学习的智能化方法实现雷达海面微弱目标检测，在低信杂比情况下具有较好的检测性能。

背景技术

海杂波是雷达发射脉冲照射海面的后向散射回波。对海杂波进行特性分析和建模仿真对于设计有效的雷达检测方案和评价雷达检测性能至关重要。传统的研究主要是研究其统计特性，建立统计分布模型。然而，这些模型把海杂波视为某一随机过程的样本函数，这在很大程度上并非因为海杂波的物理本质，而是出于其看似随机的波形。实际上，在高分辨率雷达和低掠射角情况下测量的海杂波，表现出非高斯、非平稳和非线性特性，经典雷达目标检测所作的独立、线性、平稳等假设均不符合真实情况，基于这些假设而采用的经典雷达目标最佳检测策略不可避免导致检测性能下降。然而分形理论作为非线性动力学的重要分支，它的发展不仅为数学和物理提供了全新的观察视角和观察深度，也为雷达海杂波建模、分析和目标检测方法提供了新的动力和方向。

分形理论在雷达信号处理领域有着重要的应用，Lo等人在“Fractalcharacterisation of sea-scattered signals and detection of sea-surfacetargets,IEE Proc.-F,Vol.140,No.4,1993”提出了基于海杂波时域单一分形维数的目标检测方法，但在信杂比较低的情况下检测性能较差。Guan等人在“Fractal characteristicin frequency domain for target detection within sea clutter,IET Radar,SonarNavigation,Vol.6,No.5,pp.2012”中提出了一种基于海杂波频域Hurst指数的目标检测方法。但傅里叶分析隐含地采用了一个看来似乎很自然的假设，即除了能得到的观测数据外，序列的其他值均被认为是零，但序列或其自相关函数的那些我们未能观测到或未估计出来的值，实际上并不全是零，并且通过傅里叶分析得到的频谱分辨率较差。

海杂波AR谱盒维数是一易于计算的分形特征参数，可以用于海杂波粗糙程度的描述；Log-Log曲线截距可以在一定程度上反映出海杂波的波动情况。将AR谱盒维数(Log-Log曲线斜率)与Log-Log曲线截距相结合，构成海杂波在二维联合域上的分形特征参数，用于更加精细化的描述海杂波与目标的分形特征差异。

发明内容

为了克服现有技术的不足，本发明提供一种基于分形特征智能学习的海面目标检测方法，针对目标与海杂波在AR谱二维联合分形决策空间的主要差异，结合深度学习的智能化方法，提出一种基于海杂波AR谱联合分形特征的海面微弱目标检测方法，本发明提高了海杂波背景下微弱目标检测的性能。本发明拟利用深度学习的方法对该二维联合分形特征参数进行学习，训练一神经网络进行杂波与目标智能化的区分，实现目标检测，将AR谱估计理论、联合分形特征和深度学习方法相结合，提出了一种基于AR谱联合分形特征的智能化新方法用于海面微弱目标检测，提高了海杂波背景下微弱目标检测的性能。

本发明解决其技术问题所采用的技术方案包括如下步骤：

(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)；