基于稀疏驱动ALE的支持向量机的水下目标检测方法及系统与流程

本发明涉及水下目标检测领域，具体涉及基于稀疏驱动ale的支持向量机的水下目标检测方法及系统。

背景技术：

随着减振降噪技术的发展，舰船辐射噪声水平大幅度降低，对于水下无人平台被动检测低噪声、安静型水下目标带来更大挑战。水下目标包含的线谱一般具有较好的相位稳定性以及更高强度，但弱目标的线谱受噪声连续谱方差的影响容易淹没在连续谱分量中，需要滤除信号中的宽带干扰及背景噪声。

常规的自适应线谱增强器(adaptivelineenhancer，ale)可以增强线谱信号并抑制宽带噪声，但由于自适应滤波的稳态误差问题限制了其性能；基于自动阈值的能量检测方法受非均匀噪声背景、强干扰等影响严重，弱目标检测能力难以满足水下无人平台要求的环境自主适应性。

技术实现要素：

本发明的目的在于克服上述技术缺陷，提供基于稀疏驱动ale的支持向量机的水下目标检测方法，用以解决水下无人平台在非均匀噪声背景、宽带强干扰等复杂环境中对弱目标检测能力的不足，提高对线谱弱目标的检测概率。

为实现上述目的，本发明的实施例1提供了基于稀疏驱动ale的支持向量机的水下目标检测方法，所述方法包括：

将水下无人平台的阵列接收数据进行波束形成；形成波束信号；

对波束信号进行稀疏驱动ale处理，得到增强后的波束域信号；

将增强后的波束域信号通过离散傅里叶变换转化为波束声谱，计算波束声谱的熵特性并绘制熵特性曲线；计算熵特性曲线的均值和标准差，构建二维熵特征；

将二维熵特征输入预先训练好的支持向量机，输出目标检测的判别结果。

作为上述方法的一种改进，所述对波束信号进行稀疏驱动ale处理，得到增强后的波束域信号，具体包括：

步骤s1)自适应滤波器的初始频域权值wf(0)表示为：

wf(0)＝[wf,0(0),wf,1(0),...,wf,l-1(0)]^t

令n表示迭代次数，初值为0；

步骤s2)第n次迭代自适应滤波器的时域输出y(n)表示为：

其中，wf(n)＝[wf,0(n),wf,1(n),...,wf,l-1(n)]^t为第n次迭代自适应滤波器的频域权值；x(n-δ)为时延后的波束信号：

x(n-δ)＝[x(n-δ)，x(n-δ-1)，...，x(n-δ-l+1)]^t

其中，x(n)是参考信号，δ为时延，l为滤波器阶数；

步骤s3)计算第n次迭代自适应滤波器的输出估计误差e(n)：

e(n)＝x(n)-y(n)

步骤s4)计算第n+1次自适应滤波器的频域权值wf(n+1)：

根据梯度下降原理，通过l1/2范数正则化的稀疏驱动ale处理，第n+1次迭代自适应滤波器的频域权值wf(n+1)为：

其中，表示向量的按位相乘运算，|·|^-3/2表示对向量按位取模的-3/2次方，μ为步长，ρ＝μκ为常数，κ为常数；xf(n-δ)为x(n-δ)的离散傅里叶变换；

步骤s5)若||wf(n+1)-wf(n)||小于阈值，则进入步骤s6)，否则，n加1后，转入步骤s2)；

步骤s6)计算经稀疏驱动ale处理后，最终的增强后的波束域信号y(n+1)：

其中，x(n+1-δ)＝[x(n+1-δ),x(n-δ),...,x(n-δ-l+2)]^t，xf(n+1-δ)为x(n+1-δ)的离散傅里叶变换。

作为上述方法的一种改进，所述将增强后的波束域信号通过离散傅里叶变换转化为波束声谱，计算波束声谱的熵特性并绘制熵特性曲线，具体包括：

将增强后的波束域信号y(n+1)通过离散傅里叶变换转化为波束声谱；

设第m个时间窗的波束声谱包含n个频点，其幅值分别为c1,c2,…cn，则第n个频点的权重pn为其幅值与该时间窗内全部频点幅值之和的比值：

根据其幅值权重，第m个时间窗的香农熵值entropym为：

entropym为波束声谱的熵特性；

以时间窗m为横坐标，entropym为纵坐标，绘制熵特性曲线。

作为上述方法的一种改进，所述计算熵特性曲线的均值和标准差，构建二维熵特征，具体包括：

计算熵曲线的均值eave及标准差estd：

其中，m为熵特性曲线中的熵值个数；

将熵曲线的均值eave及标准差estd组成二维特征向量，作为二维熵特征。

作为上述方法的一种改进，所述方法还包括：对支持向量机进行训练的步骤，具体包括：

建立训练集，包括：水下无人平台的阵列接收数据和其标签；

对训练集的水下无人平台的阵列接收数据进行波束形成；形成波束信号；对波束信号进行稀疏驱动ale处理，得到增强后的波束域信号；将增强后的波束域信号通过离散傅里叶变换转化为波束声谱，计算波束声谱的熵特性并绘制熵特性曲线；计算熵特性曲线的均值和标准差，构成二维熵特征；

选取高斯核函数作为支持向量机的二分类器；其输出为0时，代表假设检验h0：不存在目标；其输出为1时，代表假设检验h1：存在目标；

将训练集的二维熵特征输入支持向量机进行训练，并根据训练数据的特征分布优化支持向量机的参数。

本发明的实施例2提供了基于稀疏驱动ale的支持向量机的水下目标检测系统，其特征在于，所述系统包括：水下无人平台、训练好的用于目标检测的支持向量机、波束形成模块、稀疏驱动ale处理模块、二维熵特征构建模块和目标检测模块；

所述波束形成模块，用于将水下无人平台的阵列接收数据进行波束形成；形成波束信号；

所述稀疏驱动ale处理模块，用于对波束信号进行稀疏驱动ale处理，得到增强后的波束域信号；

所述二维熵特征构建模块，用于将增强后的波束域信号通过离散傅里叶变换转化为波束声谱，计算波束声谱的熵特性并绘制熵特性曲线；计算熵特性曲线的均值和标准差，构建二维熵特征；

所述目标检测模块，用于将二维熵特征输入预先训练好的支持向量机，输出目标检测的判别结果。

作为上述系统的一种改进，所述稀疏驱动ale处理模块的具体实现过程为：

步骤s1)自适应滤波器的初始频域权值wf(0)表示为：

wf(0)＝[wf,0(0),wf,1(0),...,wf,l-1(0)]^t

令n表示迭代次数，初值为0；

步骤s2)第n次迭代自适应滤波器的时域输出y(n)表示为：

其中，wf(n)＝[wf，0(n)，wf，1(n)，...，wf，l-1(n)]^t为第n次迭代自适应滤波器的频域权值；x(n-δ)为时延后的波束信号：

x(n-δ)＝[x(n-δ),x(n-δ-1),...,x(n-δ-l+1)]^t

其中，x(n)是参考信号，δ为时延，l为滤波器阶数；

步骤s3)计算第n次迭代自适应滤波器的输出估计误差e(n)：

e(n)＝x(n)-y(n)

步骤s4)计算第n+1次自适应滤波器的频域权值wf(n+1)：

根据梯度下降原理，通过l1/2范数正则化的稀疏驱动ale处理，第n+1次迭代自适应滤波器的频域权值wf(n+1)为：

其中，表示向量的按位相乘运算，|·|^-3/2表示对向量按位取模的-3/2次方，μ为步长，ρ＝μκ为常数，κ为常数；xf(n-δ)为x(n-δ)的离散傅里叶变换；

步骤s5)若||wf(n+1)-wf(n)||小于阈值，则进入步骤s6)，否则，n加1后，转入步骤s2)；

步骤s6)计算经稀疏驱动ale处理后，最终的增强后的波束域信号y(n+1)：

其中，x(n+1-δ)＝[x(n+1-δ)，x(n-δ),...,x(n-δ-l+2)]^t，xf(n+1-δ)为x(n+1-δ)的离散傅里叶变换。

作为上述系统的一种改进，所述二维熵特征构建模块的具体实现过程为：

将增强后的波束域信号y(n+1)通过离散傅里叶变换转化为波束声谱；

设第m个时间窗的波束声谱包含n个频点，其幅值分别为c1,c2,…cn，则第n个频点的权重pn为其幅值与该时间窗内全部频点幅值之和的比值：

根据其幅值权重，第m个时间窗的香农熵值entropym为：

entropym为波束声谱的熵特性；

以时间窗m为横坐标，entropym为纵坐标，绘制熵特性曲线；

计算熵曲线的均值eave及标准差estd：

其中，m为熵特性曲线中的熵值个数；

将熵曲线的均值eave及标准差estd组成二维特征向量，作为二维熵特征。

本发明的优势在于：

通过本发明所提供的水下目标检测方法，降低了ale的稳态误差，提高了稀疏驱动ale的线谱输出信噪比，提高了对线谱弱目标的检测概率，在非均匀噪声背景、宽带强干扰下提升了水下无人平台进行目标检测的环境适应性。

附图说明

图1是本发明的基于稀疏驱动ale的支持向量机的水下目标检测方法的流程图；

图2是本发明的稀疏驱动ale处理的流程图；

图3是仿真常规ale与稀疏驱动ale的稳态误差对比；

图4是仿真常规ale加权向量与最优维纳权值的幅频特性对比；

图5是仿真稀疏驱动ale加权向量与最优维纳权值的幅频特性对比；

图6是仿真常规ale输出lofar图；

图7是仿真稀疏驱动ale输出lofar图；

图8是本发明的海上试验数据训练与测试结果示意图。

具体实施方式

下面结合附图和具体实施例，对本发明的技术方案进行详细的描述。

如图1所示，本发明的实施例1提供了一种基于稀疏驱动ale监督学习的水下目标检测方法，包括如下步骤：

步骤1)将水下无人平台的阵列接收数据进行波束形成，形成波束信号；

水下无人平台的阵列包括m个阵元，接收的数据为：α0(n),…αm(n)…αm-1(n)；波束形成后的信号为：

x(n)＝s(n)+v(n)

其中，s(n)为线谱信号，v(n)为宽带噪声。

步骤2)对波束信号进行稀疏驱动ale处理，得到处理后的波束信号y(n)；

稀疏驱动ale是考虑线谱目标在频域的稀疏性，由于l1/2范数的稀疏性优于常用的l1范数，因此将稀疏性l1/2范数正则化模型与常规ale结合，通过频域自适应滤波的迭代使频域加权向量变得稀疏，加权后的输出信号在频域上可获得更为稀疏的线谱，以降低常规ale中的稳态误差，提高线谱输出信噪比。

常规ale是基于最小均方(leastmeansquare，lms)自适应滤波实现的，设输出y(n)表示为：

y(n)＝w^t(n)x(n-δ)

其中x(n-δ)＝[x(n-δ),x(n-δ-1),...,x(n-δ-l+1)]^t是滤波器的输入序列，自适应滤波器的输出估计误差为e(n)＝x(n)-y(n)，其中x(n)是参考信号，则根据lms准则，常规ale的代价函数为：

j(n)＝e²(n)

稀疏驱动ale是将稀疏正则化模型与常规ale结合，由于0<p<1时，lp范数正则化比l1范数正则化更具有稀疏性，因此稀疏驱动ale在自适应线谱增强的代价函数中引入频域加权向量的l1/2范数，则代价函数表示为

j(n)＝e²(n)+κ||wf(n)||1/2

其中κ为常数，采用梯度下降法，利用代价函数对加权向量求梯度

其中第一项梯度为

由于则第二项梯度为：

因此根据梯度下降原理，通过l1/2范数正则化的稀疏驱动ale权值更新公式为：

其中μ为步长，ρ＝μκ为常数。

如图2所示，该步骤具体包括：

步骤2-1)自适应滤波器的初始频域权值wf(0)表示为：

wf(0)＝[wf，0(0)，wf，1(0)，...，wf，l-1(0)]^t

令n表示迭代次数，初值为0；

步骤2-2)第n次迭代自适应滤波器的时域输出y(n)表示为：

其中，wf(n)＝[wf，0(n)，wf，1(n)，...，wf，l-1(n)]^t为第n次迭代自适应滤波器的频域权值；x(n-δ)为时延后的波束信号：

x(n-δ)＝[x(n-δ)，x(n-δ-1)，...，x(n-δ-l+1)]^t

其中，x(n)是参考信号，δ为时延，l为滤波器阶数；

步骤2-3)计算第n次迭代自适应滤波器的输出估计误差e(n)：

e(n)＝x(n)-y(n)

步骤2-4)计算第n+1次自适应滤波器的频域权值wf(n+1)：

根据梯度下降原理，通过l1/2范数正则化的稀疏驱动ale处理，第n+1次迭代自适应滤波器的频域权值wf(n+1)为：

其中，表示向量的按位相乘运算，|·|^-3/2表示对向量按位取模的-3/2次方，μ为步长，ρ＝μκ为常数，κ为常数；xf(n-δ)为x(n-δ)的离散傅里叶变换；

步骤2-5)若||wf(n+1)-wf(n)||小于阈值，则进入步骤2-6)，否则，n加1后，转入步骤2-2)；

步骤2-6)计算经稀疏驱动ale处理后，最终的增强后的波束域信号y(n+1)：

其中，x(n+1-δ)＝[x(n+1-δ),x(n-δ),...,x(n-δ-l+2)]^t，xf(n+1-δ)为x(n+1-δ)的离散傅里叶变换。

波束形成后对各个波束信号进行稀疏驱动ale处理，使目标波束声谱沿频率轴方向的功率分布具有更加明显的聚集特性，而非目标波束声谱沿频率轴方向的功率分布更加均衡。

步骤3)将增强后的波束域信号通过离散傅里叶变换转化为波束声谱，计算波束声谱的熵特性曲线，即波束声谱的香农熵随时间变化的曲线；

功率分布的聚集程度可以通过熵来体现，这里的熵是指香农熵，因此计算波束输出的熵。假设波束域信号中每一时间窗的声谱包含n个频点，其幅值分别为c1,c2,…cn，第n个频点的权重pn定义为其幅值与该时间窗内全部频点幅值之和的比值：

根据其幅值权重，第m个时间窗的香农熵值表示entropym为：

步骤4)提取各个波束声谱的熵特征，由熵特性曲线的均值和标准差构成二维特征向量；

有线谱目标波束与无线谱目标波束的声谱熵特征差异十分明显。由于线谱目标波束声谱的熵特性曲线中熵值较低且变化范围较大，本发明中采用熵曲线的均值eave及标准差estd组成二维特征向量：

步骤5)利用支持向量机的小样本学习能力，将熵特征输入给支持向量机进行训练，选取高斯核函数，并根据训练数据的特征分布优化支持向量机的参数；具体包括：

建立训练集，包括：水下无人平台的阵列接收数据和其标签；

对训练集的水下无人平台的阵列接收数据进行波束形成；形成波束信号；对波束信号进行稀疏驱动ale处理，得到增强后的波束域信号；将增强后的波束域信号通过离散傅里叶变换转化为波束声谱，计算波束声谱的熵特性并绘制熵特性曲线；计算熵特性曲线的均值和标准差，构成二维熵特征；

选取高斯核函数作为支持向量机的二分类器；将训练集的二维熵特征输入支持向量机进行训练，并根据训练数据的特征分布优化支持向量机的参数。

步骤6)将步骤4)的熵特征输入训练好的支持向量机，输出作为目标检测的判别结果。

当支持向量机的输出为0时，代表假设检验h0：不存在目标；当输出为1时，代表假设检验h1：存在目标。

本发明中采用支持向量机判别是否存在线谱目标。基于上述提取的(eave，estd)特征向量，选取高斯核进行支持向量机分类器训练，并通过参数优化寻求一个较优分界检测含有线谱的弱目标。

实施例2

本发明的实施例2提供了一种基于稀疏驱动ale的支持向量机的水下目标检测系统，所述系统包括：水下无人平台、训练好的用于目标检测的支持向量机、波束形成模块、稀疏驱动ale处理模块、二维熵特征构建模块和目标检测模块；

所述波束形成模块，用于将水下无人平台的阵列接收数据进行波束形成；形成波束信号；

所述稀疏驱动ale处理模块，用于对波束信号进行稀疏驱动ale处理，得到增强后的波束域信号；

所述二维熵特征构建模块，用于将增强后的波束域信号通过离散傅里叶变换转化为波束声谱，计算波束声谱的熵特性并绘制熵特性曲线；计算熵特性曲线的均值和标准差，构建二维熵特征；

所述目标检测模块，用于将二维熵特征输入预先训练好的支持向量机，输出目标检测的判别结果。

下面对稀疏驱动ale(l1/2-ale)进行仿真，以常规ale(c-ale)作为对比。仿真信号为76hz、88hz、138hz和194hz四个正弦信号的叠加信号，输入信噪比为-20db，滤波器阶数为2000，两种算法的步长参数均为μ＝10^-5，稀疏驱动ale的参数ρ＝9×10^-10。图3为常规ale与稀疏驱动ale的稳态误差对比，可以看出稀疏驱动ale的稳态误差明显低于常规ale。图4为达到稳态后常规ale加权向量与最优维纳权值(optimal)的幅频特性，图5为达到稳态后稀疏驱动ale加权向量与最优维纳权值(optimal)的幅频特性，对比看出稀疏驱动ale加权向量的幅频响应基本与最优维纳权值重合，稀疏性更强，非线谱位置的幅度更低。图6为常规ale的输出lofar图，图7为稀疏驱动ale的输出lofar图，对比看出稀疏驱动ale比常规ale的输出信噪比高。

下面利用水下无人平台海上试验数据验证本发明的检测性能。该试验合作目标声源固定深度10m，发射频率1～4khz含线谱的宽带噪声信号，平均谱级为115db，其中训练数据时长40s，测试数据时长120s。波束扫描间隔为1°，扫描范围为[-139°,150°]，对波束输出进行稀疏驱动ale线谱增强，从增强后的波束声谱中提取熵特征，训练集共5800个样本，测试集共17400个样本。支持向量机训练结果及训练集与测试集的熵特征分布如图8所示，将本发明与自动阈值方法对合作目标的检测性能对比情况列于表1，自动阈值方法受测试数据中宽带强干扰的影响，对远距离的合作目标检测概率较低，而本发明有效克服了对合作目标的漏检现象，具有较高的检测概率，受环境干扰影响较小。

表1

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。