[发明专利]一种基于多分类思想的海面小目标检测方法

说明书

本发明公开一种基于多分类思想的海面小目标检测方法，用于处理类别非均衡问题。海面小目标检测中，海杂波数据远远多于目标数据，存在类别非均衡问题。因此，提出一种基于多分类思想的海面小目标检测方法。该方法通过划分海杂波数据集，使得划分后的海杂波子数据集中的训练样例数目与目标数据集的训练样例数目均衡，借鉴多分类思想中“一对一”的概念，将海杂波子数据集与目标数据集一一配对作为子训练集，通过该子训练集来构造子分类器，子分类器的选择可视情况而定，根据子分类器的输出结果进行综合判断，该算法不改变海杂波样本的总体分布，避免了采样法带来的偶然性，又不需要人工仿真目标数据，提高了分类精度。

技术领域

本发明属于对海雷达慢速小目标检测领域，具体是利用多分类思想，结合传统二分类算法进行目标检测的方法。

背景技术

该方法主要针对于海面小目标检测中的类别非均衡问题，即海杂波数据远远多于目标数据，提出新的解决方案。

模式识别中处理类别不均衡问题的方法有过采样，欠采样，人工仿真数据等。传统的机器学习算法，例如KNN，SVM，神经网络等，在应用于海面小目标检测时，为了应对类别非均衡问题，往往采用人工仿真目标数据来扩充目标数据集。该方法前端工作复杂，并且人工仿真数据与真实数据存在一定差距。而基于多分类思想的二分类算法是解决这一问题的另一个有效途径。

发明内容

本发明针对现有技术的不足，采样法带有偶然性，可能会改变原始样本的分布，人工仿真数据和真实数据存在一定差距，带来分类性能的损失。提出一种基于多分类思想的海面小目标检测方法。本发明的核心技术是借鉴多分类中“一对一”的思想，将训练样例较多的海杂波数据集进行划分，与训练样例较少的目标数据集一一对应构造多个二分类器，通过多个二分类器进行联合判决。本发明的使用，能够实现在不改变海杂波样本的总体分布，不需要人工仿真目标数据的情况下，进行分类器的训练，提高检测精度。本发明是对海雷达慢速小目标检测领域的创新发展。

为了实现上述目的，本发明采用的技术方案如下所述：

本发明的算法分为三个部分。

步骤一：将训练样例较多的海杂波数据集记为S₀，标签为H₀，训练样例数目为m₀，训练样例较少的目标数据集记为S₁,标签为H₁，训练样例数目为m₁，且m₀＝n·m₁，n为正整数；

首先将S₀根据S₁的训练样例数目分成n块，记为每一块都是S₀的子数据集，每一个子数据集的数量记为且该操作使得的S₀的子数据集与S₁的训练样例数目基本均衡，即

步骤二：将划分后的S₀的子数据集与S₁一一对应构成n个训练集P₁,P₂,...,P_n，根据这n个训练集构造n个二分类器；设每个二分类器的判别函数为g_i(x)；对于单个二分类器而言，判定准则为

每个二分类器都构造了一个分类面，通过分类面的判别函数进行分类；

步骤三：将n个分类器的结果汇总进行联合判决，判决规则为：

即所有分类器输出结果为H₁时，最终结果为H₁，只要有一个分类器输出结果为H₀，则最终结果为H₀。