一种基于多域特征提取和机器学习的海尖峰识别方法、设备及存储介质与流程

本发明属于海面雷达信号处理领域，特别涉及该领域中的一种基于多域特征提取和机器学习的海尖峰识别方法、设备及存储介质。

背景技术：

1、海尖峰识别技术是雷达海面目标检测中的重要研究方向，广泛应用于海上目标探测、海洋监测等领域。海尖峰是海杂波中的一种高能瞬态散射现象，其回波特征与海面弱小目标具有较高相似性，是导致海面雷达虚警的重要因素之一。开展海尖峰识别研究，不仅有助于提高海杂波建模与仿真精度，还能够为海面目标检测、杂波抑制提供可靠的特征先验与判决准则，对于提升复杂海洋环境下雷达系统的目标检测性能具有重要的理论意义和工程应用价值。

2、在现有技术中，通常采用基于规则判据的方法对海尖峰进行识别，例如通过设定幅度阈值、最小持续时间以及最小时间间隔等条件对回波信号进行判决。该方法实现简单、物理意义明确，在工程应用中具有一定实用性，但其识别性能对阈值参数的选取较为敏感，参数通常依赖人工经验设定，在复杂海况及不同观测条件下适应性较差，难以满足实际应用中对识别精度与鲁棒性的要求。

技术实现思路

1、针对复杂海杂波环境下传统海尖峰识别技术存在的阈值参数依赖人工经验设定，且参数取值易受海况条件、雷达工作参数以及观测环境变化影响，导致识别准确度和环境适应性不足的问题，本发明提供一种基于多域特征提取与机器学习的海尖峰识别方法、设备及存储介质。从时域、频域及时频域多个维度提取能够表征海尖峰的特征参数，利用机器学习算法建立多域特征与海尖峰类别标签之间的非线性映射关系，实现对海尖峰与海杂波的自动识别与分类，为海面目标检测和海杂波抑制提供了一种有效的技术手段。

2、本发明采用如下技术方案：

3、一种基于多域特征提取和机器学习的海尖峰识别方法，其改进之处在于，包括如下步骤：

4、步骤1，对每组海面雷达回波数据进行预处理，形成海尖峰与海杂波样本集合；

5、步骤2，对步骤1形成的海尖峰与海杂波样本集合中的样本进行时域、频域和时频域特征提取，将提取到的特征拼合成一个特征矩阵，并打上标签，形成海尖峰与海杂波特征数据集；

6、步骤3，随机打乱步骤2形成的海尖峰与海杂波特征数据集的顺序后，按照8:2的比例划分为训练集和测试集，使用xgboost模型对训练集进行训练，并利用测试集对训练好的xgboost模型的正确性进行验证，最终使用训练好的xgboost模型作为海尖峰识别模型，输出海尖峰识别结果。

7、进一步的，在步骤1中：

8、基于c组海面雷达回波数据，令，将第c组海面雷达回波数据表示为i×维的复数矩阵，i代表距离单元数，代表脉冲数，i，，对海面雷达回波数据进行脉冲块划分并设定脉冲块长度；

9、基于海尖峰标签值，将海尖峰所在距离单元和脉冲块的个采样复数值记为海尖峰样本；基于海尖峰标签值，选取与海尖峰相同距离单元的任一非海尖峰脉冲块的个采样复数值作为海杂波样本，形成海尖峰与海杂波样本集合，将样本集合的样本总数记为s。

10、进一步的，在步骤2中：

11、将待提取特征的样本记为，，表示第n个采样复数值；

12、对进行时域特征的提取，提取出的7个时域特征分别为：相对平均幅度raa、归一化幅度方差nav、归一化幅度偏度sk、归一化幅度峰度ku、幅度分布形参v、幅度分布尺参b、相关时间长度tcl；

13、对进行频域特征的提取，提取出的4个频域特征分别为：多普勒偏移dc、多普勒带宽db、多普勒谱熵dse、多普勒峰值功率比ppr；

14、对进行时频域特征的提取，提取出的3个时频域特征分别为：时频脊能量ri、连通区域个数rn、最大连通区域尺寸lrs；

15、将提取到的14个特征拼合成一个14维特征矩阵，并打上标签，海尖峰标记为“1”，海杂波标记为“0”，形成海尖峰与海杂波特征数据集。

16、进一步的，在步骤3中：由200棵决策树加权组合形成强分类器，训练过程中，每棵新增决策树以当前模型损失函数的负梯度方向作为拟合目标，从14维特征中选取最优分裂特征与分裂点，单棵树最大深度不超过6层；新树训练完成后以学习率0.1的权重加入模型，模型以对数损失函数为优化目标，完成200轮迭代后输出训练好的分类器。

17、一种基于多域特征提取和机器学习的海尖峰识别设备，其改进之处在于，包括：处理器；存储器，其中存储有所述处理器的可执行指令；所述处理器配置为经由执行所述可执行指令来执行上述方法的步骤。

18、一种计算机可读存储介质，用于存储程序，其改进之处在于：所述程序被执行时实现上述方法的步骤。

19、本发明的有益效果是：

20、本发明所公开的方法，克服了传统海尖峰识别方法主要依赖幅度阈值、最小持续时间及最小时间间隔等经验判据进行检测，导致识别结果对人工参数设置敏感、复杂海况下环境适应性不足的问题。通过构建融合时域、频域和时频域信息的多维特征数据集，并利用xgboost模型建立海尖峰与海杂波之间复杂的非线性映射关系，实现了对海尖峰的自动识别与分类。与传统方法相比，本发明方法能够充分利用海尖峰与海杂波在多域特征空间中的差异信息，减少人为因素对识别结果的影响，提高在复杂海杂波环境下海尖峰的识别精度、鲁棒性、稳定性和泛化能力，可以为海面雷达目标检测与海杂波分析抑制提供更加准确可靠的技术支撑。

1.一种基于多域特征提取和机器学习的海尖峰识别方法，其特征在于，包括如下步骤：

2.根据权利要求1所述基于多域特征提取和机器学习的海尖峰识别方法，其特征在于，在步骤1中：

3.根据权利要求2所述基于多域特征提取和机器学习的海尖峰识别方法，其特征在于，在步骤2中：

4.根据权利要求3所述基于多域特征提取和机器学习的海尖峰识别方法，其特征在于，在步骤3中：由200棵决策树加权组合形成强分类器，训练过程中，每棵新增决策树以当前模型损失函数的负梯度方向作为拟合目标，从14维特征中选取最优分裂特征与分裂点，单棵树最大深度不超过6层；新树训练完成后以学习率0.1的权重加入模型，模型以对数损失函数为优化目标，完成200轮迭代后输出训练好的分类器。

5.一种基于多域特征提取和机器学习的海尖峰识别设备，其特征在于，包括：处理器；存储器，其中存储有所述处理器的可执行指令；所述处理器配置为经由执行所述可执行指令来执行权利要求1所述方法的步骤。

6.一种计算机可读存储介质，用于存储程序，其特征在于：所述程序被执行时实现权利要求1所述方法的步骤。