[发明专利]基于堆栈自编码器的海面目标检测方法

权利要求书

1.一种基于堆栈自编码器的海面目标检测方法，其特征在于：包括以下步骤：

步骤1，对海面回波数据进行预处理，得到二维图像，并将其按方位向时间分为训练集和测试集；

步骤2，基于堆栈自编码器进行海面目标检测，所述堆栈自编码器由输入层，2个由自编码器构成的隐含层，logistic分类器依次连接组成，海面目标检测包括以下三个步骤：逐层无监督预训练、有监督微调以及测试集的测试；

步骤3，利用测试集对步骤2训练好的网络模型进行性能测试，并将测试集的分类标签反映射为图像中心待检测单元的分类标签；计算出堆栈自编码器算法下的虚警概率p_fa和检测概率p_d；

所述步骤1的具体步骤为：在已知合作目标的前提下，将目标标记为1，海杂波标记为0，得到每个单元所对应的标签；从图像域出发，采用滑窗模式将海面回波数据中每个单元拓展成二维图像，并将单元标签映射为对应拓展图像的标签，从而获得大量的二维图像及其对应标签，以方位向时间作为划分依据，其前半部分拓展的图像作为训练集，后半部分作为测试集；

所述步骤2包括以下步骤：

步骤2-1，逐层无监督训练：随机初始化模型参数，对于给定的m个训练集D:{(x⁽¹⁾,y⁽¹⁾),…，(x⁽ⁱ⁾,y⁽ⁱ⁾),…,(x^(m),y^(m))}，x为每个训练样本所有单元组成的向量，y为其对应的标签，上标(1)、(i)、(m)为样本计数，将D中数据集记为D₁′＝{x⁽¹⁾,x⁽²⁾,…,x^(m)}；

设第一个自编码器对于样本x⁽ⁱ⁾的输出为并记为一阶特征；f(·)取sigmoid函数为激活函数，W₁、b₁分别表示第一个自编码器的系数权重系数和偏置项，则根据D₁′构造如下的代价函数：

其中，||·||表示l₂范式，λ表示超参数；采用梯度下降算法对代价函数进行优化，直至收敛：

其中，α为学习效率，取值范围为(0,1]；

将一阶特征作为第二个编码器的输入，重复上述步骤完成对第二个自编码器的训练，获取二阶特征

步骤2-2，有监督微调：舍弃堆栈自编码器的“解码”层，用训练logistic分类器，将二阶特征作为分类器的输入，然后将训练集标签{y⁽¹⁾,y⁽²⁾,…,y^(m)}代入，使用随机梯度下降法并结合反向传播算法调整所有层的参数以最小化代价函数，为了防止虚警的发生，考虑在代价函数中加入正负样本权值[α,β]，其整体代价函数J(W,b)表示为：

其中，s_l表示第l层的神经单元个数，h_W,b(x)表示最后输出结果，表示第l层第i单元与第l+1层第j单元间的权重系数，n_l表示整个模型的层数。

2.根据权利要求1所述的基于堆栈自编码器的海面目标检测方法，其特征在于：所述步骤3中，由虚警概率p_fa和检测概率p_d分析得出性能，虚警概率p_fa和检测概率p_d的计算公式如下：