一种基于集成学习的多维特征虚警剔除方法技术

本发明专利技术涉及一种基于集成学习的多维特征虚警剔除方法，包括：a)对雷达下行AD数据进行信号处理形成强度图；b)基于信号处理后的强度图进行低阈值恒虚警检测；c)对低阈值恒虚警检测结果进行帧内凝聚；d)对凝聚后的疑似目标点进行解模糊且提取多维模糊特征；e)利用集成学习虚警剔除模型对输入的多维模糊特征进行预测，舍弃其中预测为虚警所对应的疑似目标，实现虚警剔除；f)对虚警剔除后的目标进行帧间凝聚，得到最后点迹结果。本发明专利技术提供了一种目标多维特征空间构建方法，并基于所构建的特征空间以一种数据驱动的方法，采用集成学习方法对低阈值预检测的疑似目标进行进一步判别，实现雷达系统检测能力的提升。雷达系统检测能力的提升。雷达系统检测能力的提升。

【技术实现步骤摘要】
Radio Science Conference(AP
‑
RASC),March 2019,New Delhi,India
[0009][4]Xiaolong Chen；Ningyuan Su；Yong Huang；Jian Guan,“False
‑
Alarm
‑
Controllable Radar Detection for Marine Target Based on Multi Features Fusion via CNNs”,in IEEE Sensors Journal,21(7):9099
‑
111,2021
[0010][5]D.Callaghan；J.Burger；Amit K Mishra，“A Machine Learning Approach to Radar Sea Clutter Suppression”，in 2017 IEEE Radar Conference(RadarConf),2017,Seattle,WA,USA
[0011][6]胡文,李梦霞,狄佳颖,王伟光,汪亚东,陈杰，“一种基于机器学习的雷达杂波抑制方法”，公开号：CN109444840B

技术实现思路

[0012]为解决现有的技术问题，本专利技术提供了一种基于集成学习的多维特征虚警剔除方法。
[0013]本专利技术的具体内容如下：一种基于集成学习的多维特征虚警剔除方法，包括如下步骤：
[0014]a)对雷达下行AD数据进行信号处理形成强度图；
[0015]b)基于信号处理后的强度图进行低阈值恒虚警检测；
[0016]c)对低阈值恒虚警检测结果进行帧内凝聚；
[0017]d)对凝聚后的疑似目标点进行解模糊且提取多维模糊特征；
[0018]e)利用集成学习虚警剔除模型对输入的多维模糊特征进行预测，舍弃其中预测为虚警所对应的疑似目标，实现虚警剔除；
[0019]f)对虚警剔除后的目标进行帧间凝聚，得到最后点迹结果；
[0020]上述步骤中某些可省略，例如若雷达下行数据直接为每帧积累后的强度图可省略步骤a；若雷达下行数据为阈值检测后的疑似目标点迹结果则步骤a
‑
c均可省略；即使雷达下行数据为AD数据，步骤c帧内凝聚和步骤f帧间凝聚步骤也可省略。
[0021]进一步的，步骤a中对AD数据进行处理包括但不限于脉冲压缩、数字波束形成、脉冲多普勒和空时自适应处理，各处理顺序可调整。
[0022]进一步的，提取的多维模糊特征构建多维特征空间，包括：
[0023]采用目标测量的属性构建多维特征空间，包括不限于目标的距离、方位、俯仰、多普勒速度、SNR、SCR、ACE、RCS、目标扩展距离门个数、目标扩展多普勒个数；
[0024]采用目标在解模糊多帧上测量属性的距离构建多维特征空间，包括不限于目标的距离维距离、方位维距离、俯仰维距离、多普勒速度维距离、SNR维距离、SCR维距离、ACE维距离、RCS维距离，这里属性的距离计算可采用但不限于曼哈顿距离、欧式距离、马氏距离、闵可夫斯基距离、相关系数距离和余弦相似度距离。
[0025]进一步的，步骤e中，集成学习虚警剔除模型的构建方法包括：
[0026](11)选择输入的点迹：
[0027]可利用解模糊后的疑似点迹目标作为输入，也可选择解模糊前的疑似目标点迹作为输入，通过解模糊操作后获取得到解模糊的疑似点迹目标；在选择解模糊前的疑似目标点迹作为输入时可选择CFAR检测后未经凝聚的疑似目标进行解模糊，也可采用凝聚后的疑
似目标进行解模糊；
[0028](12)误差修正：
[0029]对作为真值的外源信息与雷达检测疑似目标点迹对比，修正外源信息和雷达检测间的系统偏差；
[0030](13)匹配：
[0031]将解模糊后的疑似目标点迹结果和作为真值的外源信息进行匹配，将匹配上的疑似目标标注为真实目标，而无法匹配上的标注为虚假目标；
[0032](14)数据标注:
[0033]将解模糊后的疑似目标多维特征结合对应的标注，构建数据集；
[0034](15)数据建库:
[0035]将数据集中的一部分作为训练数据以训练基于集成学习的多维特征虚警剔除模型，其余部分作为验证或测试数据，其中验证数据集和测试数据集可省略。
[0036]进一步的，步骤(12)中修正外源信息和雷达检测间的系统偏差，包括但不限于时间偏置、距离偏置、方位偏置、俯仰偏置和速度偏置；步骤(13)的匹配可在时间
‑
距离
‑
方位
‑
俯仰
‑
速度中的某些或所有维度上进行，匹配中距离计算包括但不限于曼哈顿距离、欧式距离、马氏距离、闵可夫斯基距离、相关系数距离和余弦相似度距离。
[0037]进一步的，集成学习虚警剔除模型包括多个基学习器，集成学习虚警剔除模型的输出由各个基学习器的输出汇聚融合生成，模型训练过程包括如下步骤：
[0038](21)训练预定一共执行T0轮，可设定是否提前终止；
[0039](22)每轮迭代从原始训练数据集中随机选取m个样本，训练构建每个基学习器，选取的样本数量m小于等于整个原始训练数据集的样本数量m0；
[0040](23)在每轮生成基学习器后通过验证数据集评估验证损失，若在第T轮迭代时达到提前终止条件则终止训练，其中，T≤T0；
[0041](24)重复T次独立抽样后生成T个不同的基学习器，通过融合汇聚策略将这些基学习器的分类结果结合起来，得到最终的分类结果。
[0042]进一步的，步骤(21)中，可根据但不限于每轮迭代中采用验证数据集评估验证损失的方式设定提前终止策略；
[0043]步骤(22)中，每个基学习器可以为决策树、支持向量机或卷积神经网络，且各个基学习器可相同或不同，每轮迭代从原始训练数据集中随机选取样本，选取策略可为有放回地选取也可为不放回地选取；随机选取策略可为均匀随机选取或加权概率选取；
[0044]步骤(23)中，在训练每个基学习器时各样本对应的损失可加权或不加权；
[0045]步骤(24)中，基学习器输出的汇聚融合策略可选用投票策略也可采用加权平均的方式；
[0046]样本选取策略、基学习器训练方法及基学习器输出的汇聚融合方法对应算法包括但不限于Bagging、Boosting、Stacking、GBDT、xgboost和随机森林及其变种。
[0047]进一步的，集成学习虚警剔除模型对输入进行推理预测，可直接选取置信度高的一类作为输出类别，也可选定某一阈值，当某一类别的置信度高于该阈值时判定输入为该类别。
[0048]进一步的，仅保留判定为真实目标的对应疑似目标点作为输出点迹结果。
[0049]进一步的，在进行集成学习模型构建时可根据需要设定K
F
类不同的虚假目标类别和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于集成学习的多维特征虚警剔除方法，其特征在于：包括如下步骤：a)对雷达下行AD数据进行信号处理形成强度图；b)基于信号处理后的强度图进行低阈值恒虚警检测；c)对低阈值恒虚警检测结果进行帧内凝聚；d)对凝聚后的疑似目标点进行解模糊且提取多维模糊特征；e)利用集成学习虚警剔除模型对输入的多维模糊特征进行预测，舍弃其中预测为虚警所对应的疑似目标，实现虚警剔除；f)对虚警剔除后的目标进行帧间凝聚，得到最后点迹结果；上述步骤中某些可省略，例如若雷达下行数据直接为每帧积累后的强度图可省略步骤a；若雷达下行数据为阈值检测后的疑似目标点迹结果则步骤a
‑
c均可省略；即使雷达下行数据为AD数据，步骤c帧内凝聚和步骤f帧间凝聚步骤也可省略。2.根据权利要求1所述的基于集成学习的多维特征虚警剔除方法，其特征在于：步骤a中对AD数据进行处理包括但不限于脉冲压缩、数字波束形成、脉冲多普勒和空时自适应处理，各处理顺序可调整。3.根据权利要求1所述的基于集成学习的多维特征虚警剔除方法，其特征在于：提取的多维模糊特征构建多维特征空间，包括：采用目标测量的属性构建多维特征空间，包括不限于目标的距离、方位、俯仰、多普勒速度、SNR、SCR、ACE、RCS、目标扩展距离门个数、目标扩展多普勒个数；采用目标在解模糊多帧上测量属性的距离构建多维特征空间，包括不限于目标的距离维距离、方位维距离、俯仰维距离、多普勒速度维距离、SNR维距离、SCR维距离、ACE维距离、RCS维距离，这里属性的距离计算可采用但不限于曼哈顿距离、欧式距离、马氏距离、闵可夫斯基距离、相关系数距离和余弦相似度距离。4.根据权利要求1所述的基于集成学习的多维特征虚警剔除方法，其特征在于：步骤e中，集成学习虚警剔除模型的构建方法包括：(11)选择输入的点迹：可利用解模糊后的疑似点迹目标作为输入，也可选择解模糊前的疑似目标点迹作为输入，通过解模糊操作后获取得到解模糊的疑似点迹目标；在选择解模糊前的疑似目标点迹作为输入时可选择CFAR检测后未经凝聚的疑似目标进行解模糊，也可采用凝聚后的疑似目标进行解模糊；(12)误差修正：对作为真值的外源信息与雷达检测疑似目标点迹对比，修正外源信息和雷达检测间的系统偏差；(13)匹配：将解模糊后的疑似目标点迹结果和作为真值的外源信息进行匹配，将匹配上的疑似目标标注为真实目标，而无法匹配上的标注为虚假目标；(14)数据标注:将解模糊后的疑似目标多维特征结合对应的标注，构建数据集；(15)数据建库:将数据集中的一部分作为训练数据以训练基于集成学习的多维特征虚警剔除模型，其
余部分作为验证或测试数据，其中验证数据集和测试数据集可省略。5.根据权利要求4所述的基于集成学习的多维特征虚警剔除方法，其特征在于：步骤(12)中修正外源信息和雷达检测间的系统...

【专利技术属性】
技术研发人员：王治飞，于俊朋，杨予昊，李品，
申请(专利权)人：中国电子科技集团公司第十四研究所，
类型：发明
国别省市：