[发明专利]基于堆栈自编码器的海面目标检测方法

说明书

本发明公开了一种基于堆栈自编码器的海面目标检测方法，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。本发明能够有效抑制虚警，提高检测率，在低SNR的情况下相较于传统的CA‑CFAR检测具有更好的检测性能。

技术领域

本发明涉及一种结合深度学习的雷达信号处理算法，具体是涉及一种基于堆栈自编码器(SAE)的海面目标检测方法，属于雷达目标检测技术领域。

背景技术

海面目标的检测与分类在军事和民用等领域有广泛应用，雷达是海上目标探测和监视的重要手段，但受复杂海洋环境产生的海杂波以及海面目标类型多样化的影响，可靠和稳健的海面目标检测和分类始终是需要研究的关键技术之一。当前海杂波统计特性的研究领域中的重点是对复合K分布进行参数估计以及进行仿真，详见文献“赵海云,胡学成.时空二维相关K分布雷达海杂波建模与仿真[J].中国电子科学研究院学报,2008,3(5):515-519”。

传统的平均恒虚警检测(CA-CFAR)基于高斯分布模型进行参数估计从而计算检测门限，详见文献“Richards M A.雷达信号处理基础[J].2008”。其要求较高的目标与背景对比度，但是实际杂波海尖峰较多，导致检测性能下降，同时容易因临近目标进入参考单元而造成检测困难。文献“蔡克珏.低信杂比条件下海面弱目标检测[D].华中科技大学,2019.”指出雷达回波信杂比低于5dB时，常用的基于雷达回波幅度分布的检测器的检测概率不高于50％，难以满足实际应用的需求。因此，迫切需要一种更有效的海面目标检测方法。

近年来，深度学习理论在模式识别领域掀起了一股研究热潮，相关的理论和研究成果不断涌现。雷达领域同样可以通过深度学习算法实现对信号的相应的信息处理。在海面目标检测中，目标呈现小团不规则的点状，机器学习的前期处理中很难提取及组合出合适的特征。深度网络模型隐含层的功能就是逐层对输入数据进行有效编码从而获得原始数据的高层特征表示。其中，堆栈自编码器(SAE)作为深度学习的网络之一，具有优异的特征表达能力。详见参考文献“汪荣贵,杨娟,薛丽霞.机器学习及其应用[M].机械工业出版社,2019”。目前堆栈自编码器在雷达领域的应用主要集中在SAR图像、ISAR图像(具有具体轮廓形状的物体)以及海面目标一维数据的检测，如文献“郭赛.基于深度学习的海面目标检测研究[D].中国科学技术大学,2018”。二维海面目标的检测未见公开报道。

发明内容

针对传统CA-CFAR检测对SNR的要求较高，且容易出现漏检的情况的问题，本发明的目的是提供一种基于堆栈自编码器的海面目标检测方法。

为实现上述目的，本发明采用的技术方案为：

一种基于堆栈自编码器的海面目标检测方法，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。