一种基于T-GCN的海面小目标检测方法及系统

本发明涉及雷达信号处理，具体为一种基于t-gcn的海面小目标检测方法及系统。

背景技术：

1、海杂波具有非线性非平稳特性且动态范围大，微弱信号常淹没在海杂波背景中。海杂波中微弱信号产生的源头是海面漂浮小目标，这些目标的特点有雷达散射截面积(radar cross section,rcs)小和受到海面环境的严重干扰。因此，如何在混沌海杂波背景下实现海面小目标存在区间的精确定位，是一项重要的研究课题。

技术实现思路

1、(一)解决的技术问题

2、针对现有技术的不足，本发明提供了一种基于t-gcn的海面小目标检测方法及系统，解决了如何在混沌海杂波背景下实现海面小目标存在区间的精确定位的问题。

3、(二)技术方案

4、为实现以上目的，本发明通过以下技术方案予以实现：

5、第一方面，提供了一种基于t-gcn的海面小目标检测方法，包括：

6、接收待检测的海杂波；

7、将海杂波进行相空间重构，获得最优时间延迟τ＝1,嵌入维数m＝5，并对相空间重构后的海杂波进行归一化处理；

8、在对海杂波进行相空间重构和归一化处理后，选择不同的邻域半径生成不同的递归图，计算每个递归图的递归参量，把量化后的每段海杂波序列转化成未加权的图，描述海杂波的拓扑结构；

9、采取递归定量分析法，选取熵、确定性、层状性三种特征量对海杂波序列进行递归分析，将递归定量分析与时间滑动移窗相结合，获得特征矩阵；

10、将进行相空间重构和归一化处理的海杂波进行数据集划分，划分为训练集和测试集，80％的数据作为训练集，剩下的20％作为测试集；将训练集输入到预设的时间图卷积网络模型中对模型进行训练，并将测试集输入到训练完成的模型中获得预测结果；

11、根据预测结果评估训练完成的模型的性能，从预测误差中有效区分有目标信号和无目标信号的海杂波。

12、优选的，将海杂波进行相空间重构，获得最优时间延迟τ＝1,嵌入维数m＝5，具体包括：

13、利用关联积分来计算海杂波的统计量，非参数检验方法检验统计量的核心是相关积分，结合非参数检验方法统计结论确定统计量的相关特性，利用相空间点平均分布的思想确定最优的嵌入窗τw和时间延迟τ，最后利用τw＝(m-1)τ求出嵌入维m。

14、优选的，选择不同的邻域半径生成不同的递归图，计算每个递归图的递归参量，把量化后的每段海杂波序列转化成未加权的图，描述海杂波的拓扑结构，具体包括：

15、对海杂波序列重构相空间后，选取不同的领域半径ε就会得到不同的递归图；递归图矩阵表达公式为：

16、ri，j＝h(ε-||xi-xj||)i，j＝1，2,···，n

17、其中，ε表示一个被预先给定的邻域半径值；||xi-xj||表示用于计算重构相空间后的所有状态向量间的空间距离；h(·)表示heavside函数:

18、

19、当ri,j＝0时，在递归图中用白点表示；当ri,j＝1时，在递归图中用黑点表示；构造出的二维矩阵图关于主对角线分布，能够描述海杂波序列的内部动力学机理，反映时间序列在各个可能的时间尺度上的相关程度；

20、对归一化后的数据u(k)进行均匀量化，量化后的间隔为1/δ，量化公式为：

21、

22、当||xi-xj||的值最小时，q(k)＝0；

23、把量化后的每段序列转换成图g，图g由顶点集v和边集e构成，公式为:

24、g＝(v,e)

25、定义量化级为nδ＝{1,2,···,i,···,δ}；当q(k)＝0时，重新定义量化级nδ+1＝{0,nδ}，把量化级nδ+1中的元素映射到顶点集v的元素v上，得到顶点集v：

26、v＝{v0,v1,···,vi,···,vδ}

27、若顶点va对应的量化值为q(k)，而顶点va对应的量化值为q(k+1)，则表示va与vb是连接的。否则，这两个点无连接；图的边集e为：

28、e＝{eab|<a,b>∈nδ+1×nδ+1}

29、

30、其中，eab是无向边。

31、优选的，采取递归定量分析法，选取熵、确定性、层状性三种特征量对海杂波序列进行递归分析，将递归定量分析与时间滑动移窗相结合，获得特征矩阵，具体包括：

32、利用递归定量分析法，定量描述递归特性的特征量；熵是分析递归图中45°对角线长度分布，代表动力学信息量或随机性的程度，递归图的图面结构愈复杂，熵值愈高；其公式为：

33、

34、确定性是指递归图中构成45°对角线结构的递归点的百分比，能够用来描述轨迹周期递归的程度；det值越大，表示原时间序列的确定性越强、周期性成分越明显；公式如下：

35、

36、层状性是指递归图中组成竖直、水平线段结构的递归点的百分比，可反映时间序列变化的相对快慢程度；同时，层状性也能说明时间序列的稳定性，lam值越大，则时间序列的变化状态越稳定，反之则越不稳定；公式如下：

37、

38、将递归定量分析与时间滑动移窗技术相结合，对时间序列施加滑动窗来获得局部序列，再绘制出局部递归图并进行局部递归定量分析，获得随时间变化的非线性特征量的分布，即邻接矩阵a，对邻接矩阵a的每行求和得到度矩阵d，则对应的特征矩阵x表示为：

39、x＝d-a。

40、优选的，将进行相空间重构和归一化处理的海杂波进行数据集划分，划分为训练集和测试集，将训练集输入到预设的时间图卷积网络模型中对模型进行训练，并将测试集输入到训练完成的模型中获得预测结果，具体包括：

41、建立海杂波动力学映射函数：

42、[xt+1，...xt+t]＝f(g；(xt-n，...，xt-1，xt))

43、式中的n是历史时间序列长度，t是当前时刻，t是所需预测的时间序列长度；

44、t-gcn将图卷积(gcn)和门控循环单元(gru)结合起来；具体计算过程如下：

45、ut＝σ(wu[f(a，xt)，ht-1]+bu

46、rt＝σ(wr[f(a，xt)，ht-1]+br

47、ct＝tanh(wc[f(a，xt)，(rt*ht-1)]+bc

48、ht＝ut*ht-1+(1一ut)*ct

49、f(a，xt)表示图卷积过程，w为训练过程的权重，b为偏置；

50、将训练集数据作为训练过程的输入，将测试集数据作为测试过程的输入；时间图卷积网络模型使用adam优化器进行训练；对t-gcn模型中的超参数设置范围，设置隐藏层的大小分别为8、16、32、64、128，通过比较预测结果rmse和mae来选择最优值：

51、

52、

53、第二方面，提供了一种基于t-gcn的海面小目标检测系统，所述系统包括以下模块：

54、接收模块，用于接收待检测的海杂波；

55、重构模块，用于将海杂波进行相空间重构，获得最优时间延迟，嵌入维数，并对相空间重构后的海杂波进行归一化处理；

56、预处理模块，用于在对海杂波进行相空间重构和归一化处理后，选择不同的邻域半径生成不同的递归图，计算每个递归图的递归参量，把量化后的每段海杂波序列转化成未加权的图，描述海杂波的拓扑结构；

57、处理模块，用于采取递归定量分析法，选取熵、确定性、层状性三种特征量对海杂波序列进行递归分析，将递归定量分析与时间滑动移窗相结合，获得特征矩阵；

58、训练模块，用于将进行相空间重构和归一化处理的海杂波进行数据集划分，划分为训练集和测试集，将训练集输入到预设的时间图卷积网络模型中对模型进行训练，并将测试集输入到训练完成的模型中获得预测结果；

59、评估模块，用于根据预测结果评估训练完成的模型的性能，从预测误差中有效区分有目标信号和无目标信号的海杂波。

60、第三方面，提供了一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述的方法中的任一方法。

61、第四方面，提供了一种基于t-gcn的海面小目标检测方法的计算设备，包括：

62、一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。

63、(三)有益效果

64、本发明一种基于t-gcn的海面小目标检测方法及系统，将量化后的每段序列转化成未加权的图，有效获取海杂波信号的拓扑结构。将递归定量分析与时间滑动移窗相结合，准确表征原始信号序列的动态变化特性，获取邻接矩阵和特征矩阵。建立海杂波动力学模型，将训练集输入到t-gcn模型中对模型进行训练，隐藏单元数量是t-gcn模型的一个重要的参数为了选择最优值，本发明对不同的隐藏单元进行实验，并通过比较预测结果来选择最优值。评估预测网络的性能，从预测误差中有效区分有目标信号和无目标信号的海杂波。并对比模型进行实验以验证其效果。实验结果表明，所提的t-gcn模型，与只考虑空间特征的gcn模型相比，rmse降低了两个数量级。与仅考虑时间特征的svr模型、gru模型相比，t-gcn的rmse误差分别降低了约4.2％和0.76％，mae误差分别降低了约2.3％和0.53％。本发明提出的方法的预测性能有明显提升，可以准确高效地检测海杂波中的小目标。