1.一种水下弱小目标检测方法,其特征在于包括下述步骤:
第一步:提取目标辐射噪声中的Lyapunov指数矩阵
每得到一个重构维数m并确定对应延迟时间τ,均可得到一个m×1的Lyapunov向量,将Lyapunov向量分别组成具有m列的矩阵,利用最小二乘方法得到目标辐射噪声中的Lyapunov指数特征量,详细步骤如下:
首先,根据Takens重构定理,根据G-P算法取不同的重构维数和延迟时间,得到信号在不同重构空间中的表征:
x(i)=[x(i),x(i+τ),...,x(i+(m-1)τ)]T,i=1,...,n (1)
其中x(i)表示信号,τ为延迟时间,[]T表示转置,n为信号长度,m为重构维数;
其次,分别采集e种1至5级海况下相同区域相同时间的海洋环境噪声,分别采集f种远海备选区域下相同海况相同时间的海洋环境噪声,分别采集g种3、6、9、12月各时间差异下相同海况相同海域下的海洋环境噪声,得到三个分别是m×e,m×f,m×g阶的Lyapunov指数矩阵;
采集h种航速海况、区域、时间相同的水中各目标辐射噪声和k种水文环境航速相同的水中各目标辐射噪声,分别得到p种目标的m×h,m×k阶Lyapunov指数矩阵;
将e、f、g种原始海洋环境噪声数据的任意一种数据,分别按照0.1、0.5、1和2的权重加入到h、k种中任意一种目标辐射噪声数据中,分别计算Lyapunov指数,每一个重构维数m对应一个Lyapunov指数,得到m×1维向量,形成h和k种数据组合,从而得到四种含有海洋环境噪声和各目标辐射噪声的m×h,m×k阶Lyapunov指数矩阵,利用最小二乘法得到基于Lyapunov指数的特征量;
第二步:提取目标辐射噪声及海洋环境噪声中的关联维数,利用神经网络的方法,建立m(m-1)/2个隐层,提取包含在各隐层的关联维数,得到基于关联维数的特征量;
具体步骤为:
利用式(2)计算关联积分Cn(r):
其中n为信号长度,θ为Heaviside单位函数,r表示距离,yi、yj为不同轨道的信号幅度,可得关联维数D:
建立m(m-1)/2个隐层,在预处理层通过G-P算法得到目标辐射噪声的时间延迟τ和重构维数m,得到目标辐射噪声的m列,n-(m-1)τ行重构矩阵Γ,重构矩阵Γ是由关联维数构成的特征量;
第三步:对Duffing振子系统在输入目标辐射噪声时的系统运动状态变化进行表征
Duffing振子系统表示为:
其中,x′为振动幅度,表示x′的导数,y′为x′的导数,f cos(ωt)为内策动力,f为内策动力幅度,F(x′)为输入信号,k′=0.5,α=1,β=1,ω=1;
分别将海洋环境噪声和各目标辐射噪声输入Duffing振子系统中,以0和1分别表征系统处于混沌状态或非混沌状态,得到基于混沌系统通过特性的特征向量;
第四步:利用C0算法进行系统复杂度分析
C0算法描述为:
其中C0(r,n)为系统复杂度,x(i)为原始数据,为原始数据通过FFT变换方法得到的原始数据的非规则部分,n为序列长度,r为到x(i)的距离,即
根据公式(5)分别计算海洋环境噪声和各目标辐射噪声的系统复杂度值,得到基于系统复杂度的特征量;
第五步:采用时域平均法、相关检测和高阶统计量,分别获得实录海洋环境噪声和多类目标辐射噪声的目标特征;
第六步:利用小波分析、小波包分析及经验模态分解的多分辨特性,得到0~1000Hz频段的目标辐射噪声信号的线谱数目,构成线谱数目特征;
第七步:构造优化测度指标
建立以信噪比与信噪比增益为指标的最优测度计算方法,得到测度特征,具体步骤如下:
信噪比与信噪比增益表述为在待测周期信号频率处,输出信号与背景嗓声的功率谱之比SNR(signal and noise racial)表迖式为:
其中:S(ω)表示信号功率谱密度,SN(Ω)为噪声在周期信号频率处的强度,ω为信号角频率,Ω为模拟信号频率;
第八步:特征层信息融合方法
利用核主成分分析(KPCA)从特征向量区分出主特征,通过非线性映射φ将原始向量X(X∈RN)映射到一个高维的特征空间F={φ(X):X∈RN},在F={φ(X):X∈RN}上进行PCA分析,将在输入空间无法线性分类的数据变换到特征空间中;
第一步至第七步得到的特征量包括Lyapunov指数特征、关联维数特征、混沌信息通过特性、系统复杂度特征、时域平均法、相关检测、高阶统计量特征、测度特征以及线谱数目特征,其中线谱数目特征即原始向量X(X∈RN),利用特征层信息融合方法将这些特征映射到同一高维空间中,实现分类;
利用单类SVM学习数据样本,构造模型以检测目标信号,给定个没有标签的数据点,通过非线性映射Φ:X→H;x→Φ(x),x∈X将样本从输入空间X映射到特征空间H中,映射通过核函数间接定义:
k(xi,xj)=<Φ(xi),Φ(xj)> (8)
One-class SVM在特征空间中构造一个球,该球包含大部分样本的像作为正常数据,由于噪声的存在,存在少部分非正常样本在球外面,非正常数据也称为新颖数据,球通过下面的原始问题实现:
s.t.||φ(xj)-a||2≤R2+ξj
ξj≥0
其中R是球半径,C为惩罚参数,a是球心坐标向量,ξj是允许数据点在球外引入的松弛变量,引入凸优化里Lagrangian乘子法求解:
单类SVM基于结构风险最小化原理,C对球的最小体积与正确分类取得折中,βj≥0和μj≥0为Lagrange乘子,根据Fletcher的KKT的互补条件得到
ξjμj=0 (11)
(R2+ξj-||φ(xj)-a||2)βj=0 (12)
利用公式(11)和(12)和凸优化将原始问题转换为求取对偶问题的解,得到以下形式:
0≤βj≤C
构造核函数,本发明为高斯核,样本点x到构造的超球面的半径为R=d(xi),d=||φ(xi)-a||,xi为支持向量;
第十步,检测
通过第九步中的分类结果,若高维空间中超球面一侧的样本点超过80%,则检测结果就和超过80%一侧的结果一致。