专利名称：基于小波降噪的ls-svm海面小目标检测的方法
技术领域：
本发明涉及的是一种雷达信号处理技术领域的目标检测方法。
背景技术：
雷达的海表面目标检测(特别是海表面的小目标检测)技术，在民用中均占有非常重要的地位。在各种检测方法中，对目标所在背景环境中的噪声处理十分重要，这直接影响目标检测的性能。正确描述海杂波运动的困难性，使海杂波中的小目标检测成为雷达信号处理中最复杂的问题之一。与本发明相关的报道有1、“基于最小二乘支持向量回归的混沌时间序列预测研究”(《海军航空工程学院》2009年第M卷第3期)，介绍了支持向量机的核心理论以及最小二乘支持向量机回归的原理，最后利用最小二乘支持向量机对混沌时间序列进行了预测。2、“高频地波雷达海杂波神经网络选择集成预测”(《系统工程与电子技术》2009年第 31卷第12期)，提出了一种新的海杂波神经网络预测方法，该方法在重构的相空间中估计所有神经网络在预测样本邻域内的预测性能和错误关联，进行神经网络的自适应选择和动态集成，实现了海杂波的神经网络的动态集成。3、“一种改进的自适应GA-SVM参数选择研究”(《电子科技》2010年第23卷第5期)，将改进的自适应遗传算法与支持向量机相结合，设计了一种自动优选支持向量机模型参数的方法。该方法根据适应度值自动调整交叉概率和变异概率，减少了遗传算法的收敛时间并且提高了遗传算法的精度。4、“Radar sea clutter modelling and simulation-Recent progress and futurechallenges" (IEEE, IET Seminar Digest 2008)，主要根据经验观察，综述了当前海杂波建模的发展，以及涵盖的统计模型，并对模拟海表面的电磁散射进行了建模。虽然已有很多关于海面小目标检测的研究，但是都没能从系统上完整的给出海杂波背景下小目标检测的方法，这使得其更具有实际工程意义。
发明内容
本发明的目的在于提供在强海杂波干扰背景下、适用于实际应用的基于小波降噪的LS-SVM海面小目标检测的方法。本发明的目的是这样实现的本发明基于小波降噪的LS-SVM海面小目标检测的方法，其特征是(1)选取一段原始海杂波数据Xtl，首先利用小波分解方法进行去噪，再通过GP法或者Wolf法对其进行混沌性判断，判定其为混沌序列后提取嵌入维数η及时间延迟τ ；(2)另取一段原始海杂波数据X1,进行小波分解去噪，滤除海杂波噪声，并作归一化处理；(3)利用粒子群算法搜索支持向量机回归的最佳参数c和g 首先初始化种群及速度，再根据适应度函数值不断更新粒子的速度，设置最大迭代次数Uermax为终止条件，如已达到，输出最优解并结束；若尚未达到，则更新速度和个体继续搜索，直至搜索到最优解并输出；(4)通过用步骤(1)和步骤(3)得出的结果，以最小二乘支持向量机即LS-SVM为工具，训练步骤⑵得到的数据，以达到重现海杂波混沌模型的目的；(5)再取一组海杂波数据&，对其做步骤O)的预处理，再通过相空间重构方法， 应用步骤(4)得到的海杂波模型对数据&进行预测，得到其相应的短期预测数据；(6)将步骤( 得到的短期预测数据与只经过预处理的数据值做差取绝对值，得到绝对误差，用粒子群优化过的LS-SVM进行分类，二元信息分类等价于门限判定，最终实现强海杂波背景下的小目标的检测。本发明的优势在于1、一种基于小波分解的信号去噪算法。在强海杂波噪声背景下，尤其是海尖峰噪声严重影响检测性能时，海杂波噪声的去除是成功检测海面小目标的首要关键。而线性滤波器对非平稳信号滤波效果往往不佳。这里通过采用小波分解的方法实现海杂波的去噪， 有效地分离了海杂波与海杂波噪声，尤其是容易造成虚警的海尖峰噪声，大大降低了虚警概率，从而改善了检测性能。2、采用LS-SVM对海杂波进行建模和预测，它能够简化计算复杂度，在保留支持向量机优点的同时使计算量大大减少，从而减少了预测时间。PSO是一种基于群体智能的演化计算技术，它是一种全局寻优算法，它的搜索更新过程是跟随当前最优解的过程，与其他全局搜索算法相比，大多数情况下，所有粒子能够更快的收敛于最优解。应用PSO对LS-SVM 的惩罚参数c和核函数参数g进行寻优，优化LS-SVM，可以更好的达到海杂波建模预测的目的。3、采用LS-SVM对误差进行分类的方法代替传统门限判定。这种方法克服了传统的门限选取对人的经验和实验数据的数量及采集背景的依赖性，泛化性较差的缺点。将得到的预测结果与只经过预处理的数据值做差取绝对值，得到绝对误差，用粒子群优化过的 LS-SVM(之前用有目标和无目标的情况下得到的绝对误差训练过)进行分类，由于是二元信息分类，等价于门限判定，最终实现了强海杂波背景下的小目标的检测。
图1为本发明的流程图；图2为本发明的粒子群搜索参数流程图；图3LS-SVM回归预测流程图；
图4LS-SVM分类判定流程图。
具体实施例方式下面结合附图举例对本发明做更详细地描述结合图1 4，具体的实现过程如下所示(1)选取一段原始海杂波数据^，首先利用小波分解方法进行去噪，再通过GP法或者Wolf法对其进行混沌性判断，判定其为混沌序列后提取嵌入维数η及时间延迟τ ；(2)另取一段原始海杂波数据X1,进行小波分解去噪，滤除海杂波噪声，尤其是容易引起虚警的海尖峰噪声，并作归一化处理；
(3)粒子群算法搜索支持向量机回归的最佳参数c和g。首先初始化种群及速度， 再根据适应度函数值不断更新粒子的速度，设置最大迭代次数Uermax为终止条件，如已达到，输出最优解并结束；若尚未达到，则更新速度和个体继续搜索，直至搜索到最优解并输出；(4)通过用步骤⑴和步骤(3)得出的结果，以最小二乘支持向量机为工具，训练步骤⑵得到的数据，以达到重现海杂波混沌模型的目的；(5)再取一组海杂波数据& (可含可不含小目标)，先做步骤O)的预处理，通过相空间重构方法，应用步骤(4)得到的海杂波模型对数据&进行预测，得到其相应的短期预测数据；(6)将得到的预测结果与只经过预处理的数据值做差取绝对值，得到绝对误差。用粒子群优化过的LS-SVM(之前用有目标和无目标的情况下得到的绝对误差训练过)进行分类，由于是二元信息分类，等价于门限判定，最终实现了强海杂波背景下的小目标的检测。一种新型的强海杂波小目标检测方法，该方法一方面通过小波分解能够有效提取非平稳信号中的瞬态、稳态信息和信号波形特征，去除海杂波噪声，尤其是海尖峰噪声，降低了虚警概率；另一方面，通过研究海杂波噪声不确定性的存在，以及传统门限选取对经验的依赖性，使用了 LS-SVM对检测误差进行分类的方法，在符合实际工程时间的要求上，提高了小目标检测的性能。实际海杂波的数据收集往往掺杂了大量的海杂波噪声，这些海杂波噪声包括飞沫、雷达的测量噪声(量化噪声和接收机噪声)、粗糙海面动态噪声，因此海杂波噪声的去除是成功检测海面小目标的首要关键。传统的去噪方法是基于线性滤波器的，最常用的有维纳线性滤波器。然而由于实际生活中的绝大多数信号都是非线性非平稳的，使得利用线性滤波器的滤波效果往往不佳。由此，本文提出一种基于小波分解的信号去噪算法。通过采用小波分解的方法实现海杂波的去噪，有效地分离了海杂波与海杂波噪声，尤其是容易造成虚警的海尖峰噪声，大大降低了虚警概率，从而改善了检测性能。基于粒子群优化的LS-SVM的方法来对海杂波进行回归预测建模。由于海杂波具有混沌特性，表现出短时可预测性，而海面小目标会破坏海杂波的混沌性。为达到小目标检测的目的，可应用SVM对海杂波进行回归预测，与经过小波分解去噪的海杂波数据对比并计算预测误差。这里采用LS-SVM，它能够简化计算复杂度，在保留支持向量机优点的同时使计算量大大减少，从而减少了预测时间。PSO是一种基于群体智能的演化计算技术，它是一种全局寻优算法，它的搜索更新过程是跟随当前最优解的过程，与其他全局搜索算法相比， 大多数情况下，所有粒子能够更快的收敛于最优解。应用PSO对LS-SVM的惩罚参数c和核函数参数g进行寻优，优化LS-SVM，可以更好的达到海杂波建模预测的目的。实现过程大体如下(1)将原始数据(不含小目标)做小波分解预处理。多次实验选取较好的小波层数、阈值估计方法及阈值模式；(2)用PSO对回归的最佳参数c和g进行搜索，并用所得到最佳参数c和g对 LS-SVM进行训练，得到海杂波预测模型。(3)利用得到的海杂波预测模型，对经过小波分解预处理的待预测(可能含有小目标)数据进行回归预测，计算出预测误差。
5
基于LS-SVM分类的判决方法。在海杂波背景下小目标检测的方法实现过程中，由于噪声不确定性的存在，导致误差是变化的。而传统的门限选取是经由实验经验选取，过分依赖于人的经验和实验数据的数量及采集背景，泛化性较差。本文提出采用LS-SVM对误差进行分类的方法代替传统门限判定。由于模式分类的本质是提取样本的特征信息，再用某种方法或准则进行分类。这里将所得预测误差视为与之对应的二元信号特征信息，提取该信息后就可以利用LS-SVM分类器对信号进行分类，由于是二元信号，所以其分类等价于信号检测。杂波的预测误差正负不定，对预测误差分析造成一定的困难，因此这里对预测误差取绝对值，即绝对预测误差。通过LS-SVM的分类判决，最终实现最优的检测的过程。结合图1所示，将采集到的原始海杂波数据通过小波分解有效分离非平稳信号中的瞬态、稳态信息和信号波形特征，去除海杂波噪声，尤其是海尖峰噪声，降低了虚警概率， 继续进行归一化处理，结合混沌特性，并用PSO优化过的LS-SVM进行回归预测，最后通过 LS-SVM分类器代替传统门限，判定是否有小目标存在。系统可在符合实际工程时间的要求上，提高小目标检测的性能。结合图2所示，为粒子群搜索最优参数流程图。PSO是一种基于群体智能的演化计算技术，它是一种全局寻优算法，它的搜索更新过程是跟随当前最优解的过程，与其他全局搜索算法相比，大多数情况下，所有粒子能够更快的收敛于最优解。 首先确定适应度函数，初始化种群及速度，再计算适应度函数，适应度定标看是否满足终止条件，如满足，则输出最优解并结束；若不满足，则更新速度和个体继续搜索，直至搜索到最优解并输出。结合图3所示，LS-SVM回归预测流程图。用PSO搜索到的最优参数优化LS-SVM， 取一段预处理后的海杂波数据训练LS-SVM，结合海杂波的混沌特性，(使用G-P法计算海杂波的嵌入维数n，自相关法计算其时间延迟τ)构建LS-SVM的回归模型，通过该模型可实现对海杂波数据的预测。结合图4所示，LS-SVM分类判定流程图。将得到的预测结果与只经过预处理的数据值做差取绝对值，得到绝对误差。用粒子群优化过的LS-SVM(之前用有目标和无目标的情况下得到的绝对误差训练过)进行分类，由于是二元信息分类，等价于门限判定，最终实现了强海杂波背景下的小目标的检测。
权利要求
1.基于小波降噪的LS-SVM海面小目标检测的方法，其特征是(1)选取一段原始海杂波数据^，首先利用小波分解方法进行去噪，再通过GP法或者 Wolf法对其进行混沌性判断，判定其为混沌序列后提取嵌入维数η及时间延迟τ ；(2)另取一段原始海杂波数据X1，进行小波分解去噪，滤除海杂波噪声，并作归一化处理；(3)利用粒子群算法搜索支持向量机回归的最佳参数c和g首先初始化种群及速度， 再根据适应度函数值不断更新粒子的速度，设置最大迭代次数Uermax为终止条件，如已达到，输出最优解并结束；若尚未达到，则更新速度和个体继续搜索，直至搜索到最优解并输出；(4)通过用步骤(1)和步骤(3)得出的结果，以最小二乘支持向量机即LS-SVM为工具， 训练步骤⑵得到的数据，以达到重现海杂波混沌模型的目的；(5)再取一组海杂波数据&，对其做步骤O)的预处理，再通过相空间重构方法，应用步骤(4)得到的海杂波模型对数据、进行预测，得到其相应的短期预测数据；(6)将步骤( 得到的短期预测数据与只经过预处理的数据值做差取绝对值，得到绝对误差，用粒子群优化过的LS-SVM进行分类，二元信息分类等价于门限判定，最终实现强海杂波背景下的小目标的检测。
全文摘要
本发明的目的在于提供基于小波降噪的LS-SVM海面小目标检测的方法，选取一段原始海杂波数据，进行去噪，再对其进行混沌性判断，提取嵌入维数及时间延迟；另取一段原始海杂波数据，进行小波分解去噪，并作归一化处理；搜索支持向量机回归的最佳参数；以LS-SVM为工具，训练得到的数据；再取一组海杂波数据，对其做预处理，再应用得到的海杂波模型对数据进行预测，得到其相应的短期预测数据；将得到的短期预测数据与只经过预处理的数据值做差取绝对值，得到绝对误差，用粒子群优化过的LS-SVM进行分类，二元信息分类等价于门限判定，最终实现强海杂波背景下的小目标的检测。本发明大大降低了虚警概率，从而改善了检测性能。
文档编号G01S7/41GK102540159SQ201110309450
公开日2012年7月4日 申请日期2011年10月13日 优先权日2011年10月13日
发明者李莹, 马惠珠 申请人:哈尔滨工程大学