CN111582026A - 基于稀疏驱动ale的支持向量机的水下目标检测方法及*** - Google Patents

基于稀疏驱动ale的支持向量机的水下目标检测方法及*** Download PDF

Info

Publication number
CN111582026A
CN111582026A CN202010242406.6A CN202010242406A CN111582026A CN 111582026 A CN111582026 A CN 111582026A CN 202010242406 A CN202010242406 A CN 202010242406A CN 111582026 A CN111582026 A CN 111582026A
Authority
CN
China
Prior art keywords
entropy
ale
support vector
vector machine
sparse
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010242406.6A
Other languages
English (en)
Other versions
CN111582026B (zh
Inventor
金盛龙
黄海宁
迟骋
李宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Acoustics CAS
Original Assignee
Institute of Acoustics CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Acoustics CAS filed Critical Institute of Acoustics CAS
Priority to CN202010242406.6A priority Critical patent/CN111582026B/zh
Publication of CN111582026A publication Critical patent/CN111582026A/zh
Application granted granted Critical
Publication of CN111582026B publication Critical patent/CN111582026B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明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及***，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。本发明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。

Description

基于稀疏驱动ALE的支持向量机的水下目标检测方法及***
技术领域
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***。
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(Adaptive Line Enhancer，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。
发明内容
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：
Figure BDA0002433006050000021
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：
Figure BDA0002433006050000022
Figure BDA0002433006050000023
其中，
Figure BDA0002433006050000024
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)：
Figure BDA0002433006050000025
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：
Figure BDA0002433006050000031
根据其幅值权重，第m个时间窗的香农熵值Entropym为：
Figure BDA0002433006050000032
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：
Figure BDA0002433006050000033
Figure BDA0002433006050000034
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***，其特征在于，所述***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***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：
Figure BDA0002433006050000041
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：
Figure BDA0002433006050000051
Figure BDA0002433006050000052
其中，
Figure BDA0002433006050000056
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)：
Figure BDA0002433006050000053
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***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：
Figure BDA0002433006050000054
根据其幅值权重，第m个时间窗的香农熵值Entropym为：
Figure BDA0002433006050000055
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：
Figure BDA0002433006050000061
Figure BDA0002433006050000062
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(Least Mean Square，LMS)自适应滤波实现的，设输出y(n)表示为：
y(n)＝wT(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
Figure BDA0002433006050000071
求梯度
Figure BDA0002433006050000072
其中第一项梯度为
Figure BDA0002433006050000073
由于
Figure BDA0002433006050000074
则第二项梯度为：
Figure BDA0002433006050000075
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：
Figure BDA0002433006050000081
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：
Figure BDA0002433006050000082
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：
Figure BDA0002433006050000083
Figure BDA0002433006050000084
其中，
Figure BDA0002433006050000085
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)：
Figure BDA0002433006050000091
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：
Figure BDA0002433006050000092
根据其幅值权重，第m个时间窗的香农熵值表示Entropym为：
Figure BDA0002433006050000093
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：
Figure BDA0002433006050000094
Figure BDA0002433006050000095
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***，所述***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
Figure BDA0002433006050000111
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。

Claims (8)

1.一种基于稀疏驱动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。
2.根据权利要求1所述的基于稀疏驱动ALE的支持向量机的水下目标检测方法，其特征在于，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：
Figure FDA0002433006040000011
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：
Figure FDA0002433006040000012
||wF(n)||1/2＝(|wF，0(n)|1/2+|wF，1(n)|1/2+...+|wF，L-1(n)|1/2)2
其中，
Figure FDA0002433006040000021
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)：
Figure FDA0002433006040000022
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。
3.根据权利要求2所述的基于稀疏驱动ALE的支持向量机的水下目标检测方法，其特征在于，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：
Figure FDA0002433006040000023
根据其幅值权重，第m个时间窗的香农熵值Entropym为：
Figure FDA0002433006040000024
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。
4.根据权利要求3所述的基于稀疏驱动ALE的支持向量机的水下目标检测方法，其特征在于，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：
Figure FDA0002433006040000031
Figure FDA0002433006040000032
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。
5.根据权利要求4所述的基于稀疏驱动ALE的支持向量机的水下目标检测方法，其特征在于，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。
6.一种基于稀疏驱动ALE的支持向量机的水下目标检测***，其特征在于，所述***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。
7.根据权利要求6所述的基于稀疏驱动ALE的支持向量机的水下目标检测***，其特征在于，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：
Figure FDA0002433006040000041
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：
Figure FDA0002433006040000042
||wF(n)||1/2＝(|wF,0(n)|1/2+|wF，1(n)|1/2+...+|wF，L-1(n)|1/2)2
其中，
Figure FDA0002433006040000043
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)：
Figure FDA0002433006040000051
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。
8.根据权利要求7所述的基于稀疏驱动ALE的支持向量机的水下目标检测***，其特征在于，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：
Figure FDA0002433006040000052
根据其幅值权重，第m个时间窗的香农熵值Entropym为：
Figure FDA0002433006040000053
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：
Figure FDA0002433006040000054
Figure FDA0002433006040000055
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。
CN202010242406.6A 2020-03-31 2020-03-31 基于稀疏驱动ale的支持向量机的水下目标检测方法及*** Active CN111582026B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010242406.6A CN111582026B (zh) 2020-03-31 2020-03-31 基于稀疏驱动ale的支持向量机的水下目标检测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010242406.6A CN111582026B (zh) 2020-03-31 2020-03-31 基于稀疏驱动ale的支持向量机的水下目标检测方法及***

Publications (2)

Publication Number Publication Date
CN111582026A true CN111582026A (zh) 2020-08-25
CN111582026B CN111582026B (zh) 2023-05-23

Family

ID=72111458

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010242406.6A Active CN111582026B (zh) 2020-03-31 2020-03-31 基于稀疏驱动ale的支持向量机的水下目标检测方法及***

Country Status (1)

Country Link
CN (1) CN111582026B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112462352A (zh) * 2020-10-30 2021-03-09 哈尔滨工程大学 一种适用于低信噪比条件下的线谱增强方法
CN113343914A (zh) * 2021-06-30 2021-09-03 东南大学 一种辐射噪声线谱频域自适应增强方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101846594A (zh) * 2010-06-22 2010-09-29 上海交通大学 基于波束形成声像模式识别的故障检测装置及其检测方法
US20170004403A1 (en) * 2015-05-21 2017-01-05 Arizona Board Of Regents On Behalf Of Arizona State University Systems and methods for predicting personal attributes based on public interaction data
CN106355151A (zh) * 2016-08-30 2017-01-25 电子科技大学 一种基于深度置信网络的三维sar图像目标识别方法
CN107766818A (zh) * 2017-10-18 2018-03-06 哈尔滨工程大学 一种启发式的水下结构化环境线特征提取方法
CN109977724A (zh) * 2017-12-27 2019-07-05 中国科学院声学研究所 一种水下目标分类方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101846594A (zh) * 2010-06-22 2010-09-29 上海交通大学 基于波束形成声像模式识别的故障检测装置及其检测方法
US20170004403A1 (en) * 2015-05-21 2017-01-05 Arizona Board Of Regents On Behalf Of Arizona State University Systems and methods for predicting personal attributes based on public interaction data
CN106355151A (zh) * 2016-08-30 2017-01-25 电子科技大学 一种基于深度置信网络的三维sar图像目标识别方法
CN107766818A (zh) * 2017-10-18 2018-03-06 哈尔滨工程大学 一种启发式的水下结构化环境线特征提取方法
CN109977724A (zh) * 2017-12-27 2019-07-05 中国科学院声学研究所 一种水下目标分类方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112462352A (zh) * 2020-10-30 2021-03-09 哈尔滨工程大学 一种适用于低信噪比条件下的线谱增强方法
CN113343914A (zh) * 2021-06-30 2021-09-03 东南大学 一种辐射噪声线谱频域自适应增强方法

Also Published As

Publication number Publication date
CN111582026B (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
US9264799B2 (en) Method and apparatus for acoustic area monitoring by exploiting ultra large scale arrays of microphones
CN109444820B (zh) 杂波和干扰共存时多通道雷达先干扰抑制后目标检测方法
CN111965632B (zh) 一种基于黎曼流形降维的雷达目标检测方法
CN111582026B (zh) 基于稀疏驱动ale的支持向量机的水下目标检测方法及***
CN114595732B (zh) 基于深度聚类的雷达辐射源分选方法
CN110888105A (zh) 一种基于卷积神经网络和接收信号强度的doa估计方法
CN107479050B (zh) 基于对称谱特性和次对称特性的目标检测方法和装置
CN111650574B (zh) 基于稀疏恢复的水下空时自适应处理方法及***
CN107783096A (zh) 一种用于方位历程图显示的二维背景均衡方法
CN110361709B (zh) 一种基于动态虚警概率的车载毫米波雷达目标识别方法
CN114089307B (zh) 一种目标及干扰条件下的雷达检测和分类方法及***
CN116400335A (zh) 一种水平阵主动声纳目标回波检测方法及***
CN114841220A (zh) 水声目标识别模型的训练方法及水声目标识别方法
CN111931570B (zh) 一种基于全卷积网络的穿墙成像雷达人体目标检测方法
CN111414580B (zh) 一种低信混比条件下的混响抑制方法
Melkanovich Features of implementation of adaptive signals processing for a cylindrical antenna array with a horizontal generatrix
CN116679278B (zh) 一种强地物杂波干扰下的目标雷达检测方法
Li et al. Application research on vector coherent frequency‐domain batch adaptive line enhancement in deep water
CN112649787B (zh) 一种基于低频圆环阵的目标方位估计方法
CN115144830B (zh) 一种强地物杂波干扰下的小目标雷达检测方法
CN115062658B (zh) 基于自适应门限网络的交叠雷达信号调制类型识别方法
CN114299356A (zh) 一种基于多尺度卷积神经网络的被动水声目标识别方法
Hamid et al. Improvements in broadband processing of passive arrays for target detection in low SNR conditions
CN116755097A (zh) 一种用于仿蝠鲼航行器的多通道频域线谱增强方法及***
CN117970299A (zh) 一种强直达背景干扰下的目标回波时延估计方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant