趙軍輝　康克成　胡海森

摘 要：針對復(fù)雜海面背景條件下弱小目標(biāo)的檢測問題，提出了一種低虛警檢測概率的弱小目標(biāo)檢測算法，定義了復(fù)雜海面背景下弱小目標(biāo)的信雜比，并基于粒子濾波算法的多模式搜索功能和弱小目標(biāo)的分形特性，應(yīng)用支持向量機(jī)（SVM）進(jìn)行了檢測。該檢測方法計(jì)算簡單、準(zhǔn)確度高。

關(guān)鍵詞：粒子濾波；弱小目標(biāo)；雷達(dá)回波信號；搜索策略

中圖分類號：TN957.51 文獻(xiàn)標(biāo)識碼：A DOI：10.15913/j.cnki.kjycx.2016.03.077

在復(fù)雜海面背景下的弱小目標(biāo)檢測中，海雜波是主要干擾源，因此，根據(jù)弱小目標(biāo)與海雜波的穩(wěn)定特征差異檢測和識別目標(biāo)是提高算法檢測準(zhǔn)確性的關(guān)鍵。針對復(fù)雜海面背景下低信雜比弱小目標(biāo)的檢測，本文提出了一種運(yùn)算速度較快的目標(biāo)檢測算法。該算法利用粒子濾波抑制了海雜波，并基于弱小目標(biāo)的分形特性，剔除了海雜波等虛警干擾。

1 弱小目標(biāo)的信雜比

在研究弱小目標(biāo)檢測算法和評估算法的性能時(shí)，必須明確弱小目標(biāo)的信雜比是指目標(biāo)回波信號與背景海雜波起伏的比值。在復(fù)雜海面的背景下，即使在目標(biāo)局部信雜比較高的情況下，受到背景海雜波起伏的影響，目標(biāo)的全局信雜比比在平緩背景下低很多。因此，目標(biāo)檢測算法必須能有效抑制背景干擾，從而實(shí)現(xiàn)低全局信雜比檢測。此外，在虛警剔除階段，可根據(jù)目標(biāo)局部信雜比確認(rèn)雜波干擾是否被剔除。本文處理的雷達(dá)回波信號為線性調(diào)頻（LFM）信號。

2 粒子濾波

粒子濾波具備多模式搜索功能，能在全局空間中找到最優(yōu)結(jié)果。因此，其比單模式的搜索策略具有更好的魯棒性。但粒子濾波在多模式搜索中也存在一定的不足：①采用該算法在連續(xù)維持目標(biāo)分配的多種模態(tài)時(shí)比較不穩(wěn)定，期望跟蹤所有的模式，直到不確定性能會被自然解決；②當(dāng)有不足的量測、噪聲或多目標(biāo)時(shí)，無法確定目標(biāo)狀態(tài)，在此情況下，跟蹤所有目標(biāo)時(shí)，常發(fā)生所有粒子快速合并至一種模式，拋棄其他模式的情況，導(dǎo)致粒子采樣過早貧瘠，無法實(shí)現(xiàn)對多目標(biāo)的跟蹤。本文采用粒子濾波主要用于抑制海雜波，以減少海雜波的能量聚集。經(jīng)過濾波、去噪后，含有目標(biāo)的回波分形維數(shù)與不含有目標(biāo)的回波分形維數(shù)間的差異更加明顯，可以更好地計(jì)算回波的分形維數(shù)。

3 分形特性

海洋平面是復(fù)雜、動態(tài)、粗糙的面，變化不規(guī)則，但又不是完全隨機(jī)的。應(yīng)用分形理論分析海面后發(fā)現(xiàn)，海雜波具有多重分形特性。弱小目標(biāo)的分形特性與海雜波的不同，即含有弱小目標(biāo)雷達(dá)回波信號的多重分形譜與只含有海雜波的雷達(dá)回波信號多重分形譜區(qū)別明顯。通過計(jì)算多重分形譜，可區(qū)分回波信號中是否有目標(biāo)存在。本文采用的多重分形譜是通過legendre的變換而得，并對其進(jìn)行了離散化，作為檢測單元輸入到SVM分類器中。

4 SVM分類器

信號多重分形譜的離散采樣值經(jīng)過SVM分類器后會輸出1個(gè)二值結(jié)果，即有目標(biāo)狀態(tài)和無目標(biāo)狀態(tài)，分別記為“1”和“0”。根據(jù)系統(tǒng)辨識理論，可用于辨識的特征數(shù)據(jù)越多，辨識效果越好，準(zhǔn)確率越高。SVM檢測分類識別過程分為以下2步：①基于一定量的訓(xùn)練樣本，訓(xùn)練SVM神經(jīng)網(wǎng)絡(luò)，得到期望的訓(xùn)練判斷SVM網(wǎng)絡(luò)；②對需要判定的數(shù)據(jù)進(jìn)行分類判斷。數(shù)據(jù)樣本在初期訓(xùn)練中的誤差較大，這是因?yàn)槟承┯?xùn)練不充分而導(dǎo)致的。為了提高訓(xùn)練精度，需要增加數(shù)據(jù)樣本集的數(shù)量，并確定訓(xùn)練次數(shù)的下限。

5 試驗(yàn)結(jié)果

通過分析海雜波，并對比BP神經(jīng)網(wǎng)絡(luò)的多重分形檢測法發(fā)現(xiàn)，基于多重分形的SVM檢測算法比采用BP神經(jīng)網(wǎng)絡(luò)的多重分形檢測算法的效果好，且其在計(jì)算過程中的魯棒性和穩(wěn)定性較高，但計(jì)算量較大、計(jì)算過程較為復(fù)雜。試驗(yàn)結(jié)果如表1所示。

6 結(jié)束語

本文提出的檢測方案通過粒子濾波降低了海雜波對目標(biāo)回波的干擾，通過對分形特征的提取，有效區(qū)分了含有目標(biāo)和不含有目標(biāo)的雷達(dá)信號回波，并借助SVM的強(qiáng)大分類能力，有效提高了目標(biāo)檢測的準(zhǔn)確率。但該算法存在計(jì)算量大、計(jì)算過程復(fù)雜等不足，需要進(jìn)一步改進(jìn)，以提高其運(yùn)算效率。

參考文獻(xiàn)

[1]王永誠，吳小飛.海雜波的分?jǐn)?shù)維測量在對海面目標(biāo)探測中的應(yīng)用研究[J].現(xiàn)代雷達(dá)，2000，22（5）.

[2]石志廣，周健雄，趙宏鐘.海雜波的多重分形特性分析[J].數(shù)據(jù)采集與處理，2006，21（2）.

[3]Haykin S.Detection of signals in chaos[J].Proc of IEEE，1995（1）.

〔編輯：張思楠〕