一种基于黎曼流形杂波分类的自适应检测方法

摘要: 本发明涉及雷达信号处理,尤其涉及一种基于黎曼流形杂波分类的自适应检测方法。背景技术:1、自适应检测技术是雷达目标检测领域的核心技术之一,其基本思想是利用待检测单...
一种基于黎曼流形杂波分类的自适应检测方法

本发明涉及雷达信号处理,尤其涉及一种基于黎曼流形杂波分类的自适应检测方法。

背景技术:

1、自适应检测技术是雷达目标检测领域的核心技术之一,其基本思想是利用待检测单元的回波数据及其相邻辅助数据,通过自适应处理实现对目标的有效检测。kelly提出的广义似然比检测器(generalized likelihood ratio test, glrt)和自适应归一化匹配滤波器(adaptive normalized matched filter, anmf)是该领域的经典方法,在杂波功率均匀分布且统计特性平稳的先验假设条件下具有良好的检测性能。然而,实际雷达工作环境受到复杂地理背景、多变气象条件以及人为电磁干扰等多重因素影响,杂波数据往往呈现出显著的非平稳性与非高斯特性,致使传统自适应检测算法所依赖的统计模型假设难以成立,目标检测的准确率与鲁棒性随之严重退化。

2、为克服上述问题,复合高斯模型(compound gaussian model, cgm)被引入雷达信号处理领域,用于描述功率谱随时间变化的非均匀杂波特性。基于该模型,研究者提出了匹配滤波器,通过辅助单元对模型参数进行估计以适配杂波环境。然而,在包含多种统计分布类型的复杂异构杂波环境中,单一参数模型难以全面刻画各类杂波的统计特性,上述检测器的性能仍面临显著退化。因此,有必要将辅助数据划分为若干统计特性均匀的子集,从中筛选出与待检测单元具有相同统计分布的数据,进而构建与当前杂波环境精确匹配的自适应检测器。

3、近年来,神经网络方法凭借其强大的非线性特征提取与数据驱动建模能力,在雷达信号处理与杂波识别领域展现出广阔的应用前景。已有研究尝试将深度学习技术引入杂波建模与目标检测任务,但现有方法大多依赖欧氏空间中的线性近似处理,难以充分挖掘雷达回波数据中蕴含的流形几何结构信息。因此,亟需一种能够利用流形空间几何特性对异构杂波进行精细化分类,并据此自适应选取同分布辅助数据构建检测器的方法,以突破多杂波共存的复杂环境下传统检测性能受限的技术瓶颈,提升雷达目标检测的环境适应性与鲁棒性。

技术实现思路

1、本发明的主要目的在于提供一种基于黎曼流形杂波分类的自适应检测方法。

2、本发明的另一个目的在于提出一种电子设备。

3、本发明的第三个目的在于提出一种非临时性计算机可读存储介质。

4、为达上述目的,本发明第一方面实施例提出了一种基于黎曼流形杂波分类的自适应检测方法,包括:

5、获取雷达回波数据,构造各距离单元回波的厄米特正定自协方差矩阵,得到矩阵流形数据集;

6、基于矩阵流形数据集,构建基于双流形局部-全局黎曼判别网络的杂波分类模型,通过训练流形网络将所述矩阵流形数据集映射至高维再生核希尔伯特空间,利用核判别分析器进行分类,得到划分的均匀子集类别及其对应的统计特性;

7、基于所述均匀子集类别及其统计特性,从辅助单元中选取与待检测单元具有相同统计分布特性的数据,构建相应的自适应检测器,并根据该检测器获取待检测单元的检测统计量;

8、基于蒙特卡洛实验确定检测门限,将所述检测统计量与所述检测门限进行比较,根据比较结果判断是否存在目标,完成雷达目标的自适应检测判决。

9、可选的,构造各距离单元回波的厄米特正定自协方差矩阵,得到矩阵流形数据集,包括:

10、将距离单元对应的复基带回波序列视为复随机向量,依次计算序列中不同间隔下的相关系数;

11、以各阶相关系数为元素,构造具有对称toeplitz结构的厄米特正定自协方差矩阵;

12、将各距离单元对应的协方差矩阵作为流形空间中的样本点,组合形成矩阵流形数据集。

13、可选的,构建基于双流形局部-全局黎曼判别网络的杂波分类模型,包括:

14、设置流形降维模块,通过双向二维主成分分析法对所述矩阵流形数据集进行降维处理,在保持流形几何结构的同时降低特征维度,得到降维后的流形数据;

15、设置流形映射层,通过多层双线性映射网络对降维后的流形数据进行层级式几何特征提取,并将流形数据映射至高维再生核希尔伯特空间;

16、设置局部映射层,基于重叠滑动窗口机制对深层几何特征进行局部子流形划分与独立映射,生成多个子流形特征表示;

17、设置特征融合层,将各子流形的局部特征进行堆叠融合,并通过子流形注意力机制对融合特征进行自适应重标定,增强有效几何特征,抑制无关噪声特征;

18、设置对数展平层,通过矩阵对数映射将重标定后的子流形特征表示从流形空间映射至切空间,并展平为一维向量,得到深层流形特征表示;

19、设置输出分类层,接收所述一维向量,通过核函数计算特征间的非线性相似度,在核空间中最大化类间距离并最小化类内距离,输出杂波分类预测结果,完成对待检测距离单元的均匀子集类别划分。

20、可选的,通过训练流形网络将所述矩阵流形数据集映射至高维再生核希尔伯特空间,利用核判别分析器进行分类,得到划分的均匀子集类别及其对应的统计特性,包括:

21、基于所述矩阵流形数据集,为各样本分配对应的杂波分布类别标签,不同统计分布类型对应不同的标签值,各分布类别的杂波样本数量保持相同以维持样本分布平衡;

22、将带标签的样本按预设比例随机划分为训练集和测试集;

23、将训练集样本输入所述双流形局部-全局黎曼判别网络,经过流形映射和特征提取后,在切空间中利用核判别分析器进行判别分析;

24、通过可微分的广义特征值分解计算类间散度矩阵与类内散度矩阵的广义特征向量,得到最优判别投影方向;

25、将投影后的特征与各类别中心之间的距离作为分类依据,采用交叉熵损失函数,通过反向传播算法迭代优化网络参数直至收敛,得到训练后的杂波分类模型;

26、将待检测单元的协方差矩阵输入训练后的模型,输出其所属的均匀子集类别及对应的统计分布特性。

27、可选的,基于所述均匀子集类别及其统计特性,从辅助单元中选取与待检测单元具有相同统计分布特性的数据,构建相应的自适应检测器,包括:

28、根据所述杂波分类模型输出的待检测单元的均匀子集类别,确定待检测单元所属的杂波统计分布类型;

29、在与待检测单元相邻的距离单元中,筛选出与待检测单元具有相同统计分布特性的辅助单元,作为协方差矩阵估计的数据支撑;

30、基于筛选出的辅助单元数据估计杂波协方差矩阵;

31、根据所述杂波分类模型输出的均匀子集类别确定待检测距离单元所属杂波类型的纹理变量概率密度函数,并将纹理变量的概率密度函数引入检测器的判决统计量中,通过对纹理变量进行积分处理,构造包含纹理统计信息的判决统计量表达式;

32、基于判决统计量,在无目标和有目标两种假设状态下分别构建联合概率密度函数,以两种假设状态下联合概率密度函数的比值作为检测统计量,构建与当前杂波环境相匹配的自适应检测器。

33、可选的,基于蒙特卡洛实验确定检测门限,将所述检测统计量与所述检测门限进行比较,根据比较结果判断是否存在目标,包括:

34、在无目标假设条件下,仿真生成多组独立同分布的纯杂波数据样本,构成基准数据集;

35、将纯杂波样本输入训练后的杂波分类模型,根据输出的类别标签筛选出与待检测距离单元同分布的杂波样本作为辅助数据;

36、将待检测数据和辅助数据代入所述自适应检测器进行遍历检测运算,得到每个纯杂波样本对应的检测统计量,构建原始统计量集合;

37、对原始统计量集合进行降序排列,根据预设的虚警概率确定截断位置,将截断位置对应的统计量数值确定为检测门限;

38、在存在目标假设条件下,将待检测数据和辅助数据代入所述自适应检测器得到检验统计量;

39、将所述检验统计量与所述检测门限进行比较,若所述检验统计量小于所述检测门限,则判定当前距离单元不存在目标,若所述检验统计量不小于所述检测门限,则判定当前距离单元存在目标,完成雷达目标的自适应检测判决。

40、为达上述目的,本技术第二方面实施例提出了一种电子设备,包括:处理器和存储器;其中,所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于实现如第一方面实施例所述的一种基于黎曼流形杂波分类的自适应检测方法。

41、为达上述目的,本技术第三方面实施例提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面实施例所述的一种基于黎曼流形杂波分类的自适应检测方法。

42、本发明实施例具有以下有益效果:

43、(1)通过将雷达回波数据构造为厄米特正定自协方差矩阵,将各距离单元样本表示为流形空间中的点,利用双流形局部-全局黎曼判别网络在流形几何结构上进行分类,摆脱了对欧氏空间线性近似假设的依赖,能够准确识别不同统计分布类型的杂波数据,为异构杂波环境下的辅助数据筛选提供了可靠的分类依据。

44、(2)通过全局流形映射与局部子流形划分的双层特征提取结构,结合通道注意力机制对特征进行自适应重标定,能够充分挖掘不同分布杂波在黎曼空间中的深层几何差异,显著提升异构杂波背景下多类杂波数据的分类准确率。

45、(3)基于分类结果筛选与待检测单元具有相同统计分布特性的辅助数据构建自适应检测器,有效避免了传统方法中因辅助数据统计特性不一致导致的协方差矩阵估计偏差,解决了异构杂波环境下检测器性能退化的核心问题。

46、(4)本方法在多种杂波类型共存的环境中目标检测概率显著提高,达到相同检测概率所需的信杂比更低,在保持恒虚警特性的同时增强了雷达在复杂非均匀环境下的自适应检测鲁棒性。