没有合适的资源?快使用搜索试试~ 我知道了~
基于标签传播算法的海面漂浮小目标检测方法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 99 浏览量
2023-02-23
20:01:14
上传
评论
收藏 632KB DOCX 举报
温馨提示
试读
13页
基于标签传播算法的海面漂浮小目标检测方法.docx
资源推荐
资源详情
资源评论
1. 引言
对海探测雷达作为海上战场的重要感知设备之一,常常负责检测海面小目标,常见的
海面小目标有冰山、蛙人、潜艇潜望镜等。由于这些目标的雷达散射截面积(Radar Cross
Section, RCS)较小,为了对其有效检测,雷达常被设计成高分辨率以降低海杂波的功率水
平从而提高目标的信杂比(Signal-to-Clutter Ratio, SCR),而高分辨情况下的海杂波特性变得
异常复杂。在这种情况下,海杂波具有非均匀、非平稳、非高斯特性,小目标容易被海浪
影响产生复杂的振幅和多普勒调制现象。因此难以对海杂波和海面小目标进行建模
[1]
,基
于统计模型的传统检测方法产生了一定的性能瓶颈。为了应对这种情况,“双高”体制也就
是空间高分辨、多普勒高分辨是主要的技术途径,目前“双高”体制主要有宽发窄收模式、
泛探雷达体制、快速普查加疑似点驻留的模式
[1]
。
对于“双高”体制下的海面小目标检测问题,基于特征的检测方法被提出。早期学者采
用海杂波的分形特征
[2]
进行目标检测并取得了良好的检测结果,随着特征检测的发展,不
同变换域的特征被提出,例如微动特征
[3]
、时频分布差异特征
[4]
、极化特征
[5]
等。特征检测
由单一的特征检测逐渐演变为联合多特征检测,Shui 等人
[6]
提出了相对平均幅度(Relative
Average Amplitude, RAA)、相对多普勒峰高(Relative Doppler Peak Height, RDPH)、相对向
量熵(Relative Vector Entropy, RVE) 3 个特征,采用凸包学习算法在 3 维特征空间中进行检
测并获得了良好的检测结果。为了获得时域中无法得到的信息,基于时频三特征
[4]
的检测
器也被提出。时艳玲等人
[7]
提出了基于图联通密度的检测器,将图论引入了特征检测。除
了上述特征外,基于人工智能的自主特征选择方法也是当前雷达目标检测研究的重点方向
[8,9]
。对于海面目标,苏宁远等人
[10]
提出了基于卷积神经网络的海上微动目标检测与识别方
法。但是这一类方法需要有可解释性才能更好地应用到对海目标检测中
[1]
,设计可解释性
的人工智能方法是一个重要的课题。
由于各种不同的特征实现了互补效应,理论上联合更多的特征就能获取更好的检测结
果,但是凸包学习算法无法应用在高维空间,所以 Shui 等人
[11]
又提出了基于特征压缩的检
测器,将高维特征压缩到 3 维,之后又有学者陆续提出了基于支撑向量机(Support Vector
Machine, SVM)
[12]
和基于决策树
[13]
等机器学习的检测方法,这两种方法可以获得很好的检
测性能,并且也可以在高维空间使用。此外还有基于可控虚警 K 近邻的海面小目标检测
[14]
,这种方法突破了凸包的维数限制,在高维空间中有效提升了检测性能,但是虚警率的
控制需要通过改变近邻数[Math Processing Error]k 的大小来实现,而凸包学习算法是根据
虚警率设置需要去掉的虚警点数,对虚警率的控制更加精确。在文献[12-14]中,都需要使
用已有的目标回波数据或仿真目标回波数据进行训练,存在灵活性或真实性不足等问题。
针对这些问题,本文提出基于社区发现中的标签传播算法(Label Propagation
Algorithm, LPA)
[15]
来进行海面漂浮目标的检测。社区发现常被用来在手机 APP 中为用户选
择推送消息,它的核心就是依靠用户的各种行为特征把用户分进多个不同的社区,以此来
判断用户的喜好。LPA 是一种半监督的社区发现算法,核心是依靠节点的标记信息预测周
边节点的标记信息。本文利用了已有的 7 个特征,提出了一种基于 LPA 的特征检测方法,
通过对节点网络进行划分,有效地区分杂波特征与目标特征,使用 LPA 算法对待检测回波
进行分类,并在 IPIX 数据集
[16]
、海航数据
[17]
上进行了验证,实验结果说明所提出的方法相
比于已有的几种特征检测方法有着一定的性能提升,能够更精准地控制虚警,且对决策区
域的凸性质不进行强制约定,更加符合实际情况。并且,该方法只需要杂波数据作为训练
集,在不同环境下有较高的适用性。
2. 7 种特征概述
雷达目标检测可以归结为一个 2 元检测问题
[Math Processing
Error]H0{z(n)=c(n),n=1,2,
⋯
,nzp(n)=cp(n),p=1,2,
⋯
,PH1{z(n)=s(n)+c(n),n=1,2,
⋯
,nzp(n)=cp(n),p=1,2,
⋯
,P}
(1)
其中,[Math Processing Error]z(n),s(n),c(n)分别表示待检测单元的雷达回波、目标回
波和海杂波,[Math Processing Error]zp(n),cp(n)分别表示参考单元的雷达回波和海杂波,可
以认为参考单元内的海杂波特性与待检测单元内的海杂波特性相同,零假设[Math
Processing Error]H0 表示待检测单元中没有目标,假设[Math Processing Error]H1 表示待检
测单元中含有目标。
本文使用的 7 个特征按顺序分别为归一化 Hurst 指数(Normalized Hurst Exponent,
NHE)
[2]
、相对平均幅度(RAA)、相对多普勒峰高(RDPH)、相对向量熵(RVE)
[6]
、脊积累
(Ridge Integration, RI)、最大连通区域尺寸(Maximal Size of connected regions, MS)、连通区
域数(Number of connected Regions, NR)
[4]
。其中 RAA, NHE 是幅度特征,RDPH, RVE 是多
普勒特征,RI, MS, NR 是时频特征。文中特征按以上顺序排列,后文不再赘述。7 个特征
对检测结果的影响从强到弱排序为:NR, MS, RI, RDPH, RVE, NHE, RAA
[11]
。
RAA 是回波中比较直观的检验统计量,NHE 可以描述待检测单元与参考单元的 Hurst
指数的差别,它们在雷达回波包含目标时较大,在只有海杂波时较小。RDPH 可以区分多
普勒谱中目标与杂波的回波能量,RVE 可以描述目标所在单元多普勒能量的混乱度与杂波
能量混乱度的区别,当待检测单元中含有目标时,RDPH 较大,RVE 较小,待检测单元是
纯杂波时则相反。在时频图中,RI 是时频脊的能量累积,MS 和 NR 是由重要时频点构成
的二值图的最大连通区域尺寸与连通区域数目,当待检测单元包含目标时,回波的 RI, MS
取值较大,NR 取值较小,待检测单元仅为纯杂波时则相反。
3. 基于改进的 LPA 算法的特征检测器
3.1 传统 LPA 算法
标签传播算法的基本理论是:每个节点根据相似度将自己的标签传播给相邻的节点,
对于传播的一个节点,它通过计算与周围节点的相似度,根据相似度大的节点的标签来更
新附近的标签,最终相似度大的节点的标签都会被分为同一标签。如果该过程依靠相似度
构造传播概率矩阵,那么传播最后相似度高的节点会具有相似的概率分布
[15]
。具体算法如
下:
(1)已标注数据集合[Math Processing Error]\boldsymbolS0={(x1,y1),(x2,y2),
⋯
,(xm,ym)},
其中[Math Processing Error]yi 代表节点[Math Processing Error]xi 的标签,未标注数据集合
[Math Processing Error]\boldsymbolS1={(xm+1,ym+1),(xm+2,ym+2),
⋯
,(xm+n,ym+n)},其中
[Math Processing Error]ym+u 代表未标注标签。
(2)对于所有节点创建一个完全连接图,其边的权重定义为
[Math Processing Error]ωij=exp(−dij2σ2)
(2)
其中,[Math Processing Error]dij2 可以定义为两点之间的距离,[Math Processing
Error]σ 可以定义为标准差或者自定义参数。
(3)构造一个[Math Processing Error](l+u)×(l+u)的传播矩阵[Math Processing
Error]\boldsymbolT 表示点[Math Processing Error]j 到[Math Processing Error]i 的传播概率
[Math Processing Error]\boldsymbolTij=P(j→i)=ωij∑k=1l+uωkj
(3)
(4)定义类别[Math Processing Error]{12
⋯
D}表示所需的分类结果,定义一个[Math
Processing Error](l+u)×D 的标签矩阵[Math Processing Error]\boldsymbolY,令[Math
Processing Error]\boldsymbolYid=δ(yi,d),其中第[Math Processing Error]i 行表示节点[Math
Processing Error]yi, [Math Processing Error]d 表示节点[Math Processing Error]yq 的标签,
[Math Processing Error]\boldsymbolYid=1 时表示节点属于标签[Math Processing Error]d,反
之[Math Processing Error]\boldsymbolYid=0,未标注节点的初始标签可以随机设置为任意
值,但是需要每行都是标准化的。
(5)保持标签矩阵中[Math Processing Error]\boldsymbolY 的已标注节点的标签不变,通
过计算周围节点的权重和更新所有未标注节点,不断迭代直到[Math Processing
Error]\boldsymbolY 收敛。
LPA 算法能快速有效地将不同节点划分到不同类别之中,但是对于雷达目标特征检测
来说存在两个问题,第一,目标检测通常使用大量的杂波数据作为训练集,而目标数据通
常较少,如果构建一个完全连接图进行迭代将会浪费大量的计算时间;第二,目标检测中
虚警概率比漏检概率更重要,通常虚警概率需要低于[Math Processing Error]10−3,因此需
要对虚警进行控制。
3.2 改进的 LPA 算法
剩余12页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3907
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功