[发明专利]基于K均值聚类与SVM的海杂波弱目标分类方法及系统有效
| 申请号： | 202110204039.5 | 申请日： | 2021-02-24 |
| 公开（公告）号： | CN112906579B | 公开（公告）日： | 2022-08-02 |
| 发明（设计）人： | 时艳玲;刘子鹏;李君豪;姚婷婷 | 申请（专利权）人： | 南京邮电大学 |
| 主分类号： | G06K9/00 | 分类号： | G06K9/00;G06K9/62;G06F17/16 |
| 代理公司： | 南京纵横知识产权代理有限公司 32224 | 代理人： | 邵斌 |
| 地址： | 210012 江*** | 国省代码： | 江苏;32 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 基于 均值 svm 海杂波弱 目标 分类 方法 系统 | ||
1.一种海杂波弱目标分类方法，其特征是，包括：
对雷达回波数据进行多角度特征提取，构建特征矩阵，并进行归一化处理，得到海杂波特征样本；
将海杂波特征样本输入构建的海杂波弱目标分类器中，获得分类后的各项指标；
其中，所述海杂波弱目标分类器的构建及训练方法，包括：
设定训练集和测试集；从海杂波特征样本和目标样本中各随机选取一半作为训练集，剩下的一半作为测试集；
将训练集中的海杂波特征样本进行K均值聚类，聚类的簇数为K，获得各个样本簇{Ck},k＝1,…,K，簇的中心tk，k＝1,…,K；将聚类后的海杂波特征样本与目标样本{T}进行一一组合得到多个训练集Train1＝{C1,T},Train2＝{C2,T},…,TrainK＝{CK,T},并设置训练集的标签；
利用训练集中样本簇的中心tk作为初始聚类中心对测试集中的杂波样本进行K均值聚类；其余参数不变，得到各簇{C′k},k＝1,…,K；聚类后的杂波样本集与目标样本集{T'}进行组合得到测试集Test1＝{C′1,T'},Test2＝{C′2,T'},…,TestK＝{C′K,T'}，并设置测试集的标签；
对训练集采用SVM进行训练，获得海杂波弱目标分类器训练模型{Model1},{Model2},…,{ModelK}；其中，Model1，Model2，…，ModelK表示训练所得的K个模型；将g作非线性映射φ：Rn→H,H为高维特征空间，则有：
g→φ(g)＝(φ(g1),φ(g2),…,φ(gM))T (14)
则可以得到最优分类函数为：
其中，gm,m＝1,2,…,M为输入样本，ym∈{+1，-1}为两类数据的类别值，αm＞0为拉格朗日系数，b为超平面截距。
2.根据权利要求1所述的海杂波弱目标分类方法，其特征是，所述多角度特征提取，包括极化特征角度均值归一化散射功率特征提取、时域角度相对平均幅度特征提取以及快速傅里叶变换域非广延熵特征提取。
3.根据权利要求2所述的海杂波弱目标分类方法，其特征是，所述极化特征角度均值归一化散射功率特征提取，通过以下公式获得：
其中，表示待检测单元，表示均值归一化散射功率，反映了极化散射矩阵中球体散射的比例，反映了极化散射矩阵中双平面散射的比例，反映了极化散射矩阵中螺旋散射的比例，表示相对球体散射功率，表示相对双平面散射功率，表示相对螺旋散射功率。
4.根据权利要求2所述的海杂波弱目标分类方法，其特征是，所述时域角度相对平均幅度特征提取，通过以下公式获得：
其中，为回波时间序列，c＝{HH,VV,HV,VH}，c{1}＝{HH}，c{2}＝{VV}，c{3}＝{HV}，c{4}＝{VH}，为四种极化方式，RAAc表示相对平均幅度，表示待检测单元周围的回波强度，i＝1,2,...,I，I是参考单元的总数。
5.根据权利要求2所述的海杂波弱目标分类方法，其特征是，所述快速傅里叶变换域非广延熵特征提取，通过以下公式获得：
其中，表示非广延熵，γ表示频域，表示待检测单元的多普勒谱概率密度函数，非广延参数q是基于多普勒谱的非广延熵的阶数。
6.一种海杂波弱目标分类系统，其特征是，包括：
第一模块，用于对雷达回波数据进行多角度特征提取，构建特征矩阵，并进行归一化处理，得到海杂波特征样本；
第二模块，用于将海杂波特征样本输入构建的海杂波弱目标分类器中，获得分类后的各项指标；
其中，所述海杂波弱目标分类器的构建及训练方法，包括：
设定训练集和测试集；从海杂波特征样本和目标样本中各随机选取一半作为训练集，剩下的一半作为测试集；
将训练集中的海杂波特征样本进行K均值聚类，聚类的簇数为K，获得各个样本簇{Ck},k＝1,…,K，簇的中心tk，k＝1,…,K；将聚类后的海杂波特征样本与目标样本{T}进行一一组合得到多个训练集Train1＝{C1,T},Train2＝{C2,T},…,TrainK＝{CK,T},并设置训练集的标签；
利用训练集中样本簇的中心tk作为初始聚类中心对测试集中的杂波样本进行K均值聚类；其余参数不变，得到各簇{C′k},k＝1,…,K；聚类后的杂波样本集与目标样本集{T'}进行组合得到测试集Test1＝{C′1,T'},Test2＝{C′2,T'},…,TestK＝{C′K,T'}，并设置测试集的标签；
对训练集采用SVM进行训练，获得海杂波弱目标分类器训练模型{Model1},{Model2},…,{ModelK}；其中，Model1，Model2，…，ModelK表示训练所得的K个模型；将g作非线性映射φ：Rn→H,H为高维特征空间，则有：
g→φ(g)＝(φ(g1),φ(g2),…,φ(gM))T (14)
则可以得到最优分类函数为：
其中，gm,m＝1,2,…,M为输入样本，ym∈{+1，-1}为两类数据的类别值，αm＞0为拉格朗日系数，b为超平面截距。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于南京邮电大学，未经南京邮电大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/202110204039.5/1.html，转载请声明来源钻瓜专利网。
