基于机器学习的海面弱目标探测技术研究

发布时间：2020-04-07 14:11

【摘要】：海面目标探测已经成为获取海面信息的重要途径,在军事与民用领域有着举足轻重的作用。对海观测雷达在探测海面目标时,有以下几类目标:小木船、潜望镜等小尺寸目标;隐身舰艇、隐身潜艇等隐身目标;巡航导弹、预警机等高机动目标;远海打捞渔船、远海救援目标等远距离目标,这几类目标通常具有低可观测特性,统称为弱目标。弱目标的低可观测特性和海杂波的复杂特性导致雷达回波的信杂比较低,如何从雷达回波信号中有效检测出海面弱目标成为了亟需解决的重大科学问题。本论文构造了一个具有高区分度的特征空间,并采用支持向量机作为分类器,完成了从雷达回波信号中检测弱目标的目的。在特征空间的构造中,经研究发现目标信号相较于海杂波在幅度分布上具有更高的非平稳性,这种差异性可以用信息熵去量化,因此本论文基于信息熵作为区分指标构建一维特征空间。然而,在恶劣海洋环境下,海杂波中会存在大量的海尖峰,使得海杂波的非平稳度也大幅增加,从而导致信息熵对于目标信号和海杂波的区分度有可能被严重削弱。针对这种现象,通过进一步研究发现,雷达回波信号的分形特形在一定程度上可以避免海尖峰对目标信号的影响。因此,本文提取可以用以描述雷达回波信号分形特性的赫斯特指数,与信息熵一同构建二维特征空间。有趣的是,在研究过程中,还发现当雷达回波信号经过离散傅里叶变换后,目标信号相较于海杂波在频域中的尖峰聚集程度更为明显。基于此,设计了频域峰均比这一指标量化这种现象。通过IPIX雷达实测数据表明,有些数据在由信息熵、赫斯特指数以及频域峰均比构造的特征空间中呈现出线性可分性,然而有些数据在特征空间中表现出非线性可分性。这也就要求检测器能够处理线性可分和线性不可分的数据。而支持向量机作为机器学习中的一种经典方法,对于线性可分或线性不可分数据均具有良好的分类效果。虽然,在以往的研究中,也有采用支持向量机作为区分目标信号和海杂波的检测器。但是,鲜有文献研究在定量虚警概率下基于支持向量机的检测器对弱目标的检测概率。因此,本文针对这个问题,通过设计算法,使得支持向量机能够在给定虚警概率下工作。并研究基于支持向量机的检测器在给定虚警概率下的检测性能。采用IPIX雷达实测数据集测试并分析信杂比、采样时长以及训练数据的不同对检测器性能所造成的影响。同时与已有的一些经典算法进行对比,本论文设计的检测器大幅提高了对弱目标的检测概率。
【图文】：

示意图,惩罚因子,超平面,示意图

图 4-1 惩罚因子影响超平面形成示意图在海洋弱目标探测中，，检测概率都是在一定的虚警概率下得到的，为了适应海上目标探测这一领域的需求，本文通过设计算法调节惩罚因子，从而控制超平面的位置，进而得到在确定虚警概率下的检测概率。对于式(4-3)的约束优化问题通过拉格朗日变换将上述优化问题转换为对偶问题 1 , 10111max ,2s.t. C1: 0 , 0, 1, ,C2 : 0 , 0 , 1, ,C3 : 0n ni i j i j i ji i ji ii ini iiy y k x xy i Ny i Ny (4 4)式中代表的是拉格朗日乘子，只有支持向量的乘子为非零，k( )代表的是核函数。而对于此问题的求解，在 1998 年 J.Platt 针对上述问题提出序列最小优化（SMO）算
【学位授予单位】：华中科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP181;P714

【参考文献】