[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

说明书

本发明公开了雷达目标分类技术领域的一种基于K均值聚类与SVM的海杂波弱目标分类方法及系统，对雷达接收回波信号从时域、频域以及极化分解等多个角度提取特征并进行特征组合，保证了所提取特征的最优性，能在实测海杂波数据实验中面对不同的目标获得较好的分类性能。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。

技术领域

本发明属于雷达目标分类技术领域，具体涉及一种基于K均值聚类与SVM的海杂波弱目标分类方法及系统。

背景技术

海杂波的建模与目标检测问题一直以来都是国内外研究的热点与难点，其所具有的非高斯、非线性和非平稳特性使得实际海杂波偏离假设的统计模型分布，从而造成了恒虚警检测器性能严重下降。随着机器学习技术的发展，越来越多的学者结合改进的机器学习算法对海杂波和目标进行智能化处理和研究。其中，机器学习方法在杂波分类以及海杂波抑制方面得到了较为成功的应用。然而在海杂波和目标的分类研究中，提取合适的特征以及采取行之有效的分类方法依旧是现今分类研究中的难题。现有技术中海杂波样本数目远大于目标样本的数目，存在样本不平衡的问题，同时存在海杂波局部聚集性造成的海杂波和目标特征混叠的问题。

发明内容

为解决现有技术中的不足，本发明提供一种基于K均值聚类与SVM的海杂波弱目标分类方法及系统，对雷达接收回波信号从时域、频域以及极化分解等多个角度提取特征并进行特征组合，保证了所提取特征的最优性，能在实测海杂波数据实验中面对不同的目标获得较好的分类性能。

为达到上述目的，本发明所采用的技术方案是：一种海杂波弱目标分类方法，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。

进一步地，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。

进一步地，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。

进一步地，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，RAA_c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。

进一步地，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。