【技术实现步骤摘要】
本专利技术属于雷达目标分类领域，具体涉及基于代价敏感焦点损失卷积神经网络的海面目标检测方法。
技术介绍
1、由于海面目标通常为非合作目标，且数量较少，因此在雷达目标检测中，海面小目标的样本量相对较小，相对而言的海杂波就成为了大样本，这样必然导致数据集样本不平衡。这对于深度学习等基于数据驱动的算法来说，可能会影响模型的训练效果和最终的检测性能，因为模型倾向于更好地识别样本量较大的类别，而忽略了样本量较少的重要类别。这种偏向性可能导致分类结果的偏差，从而引发决策错误的情况。
2、在深度学习领域，特别是cnn的应用中，损失函数扮演着至关重要的角色。它衡量了模型预测结果与实际标签之间的差异，指导模型通过学习过程不断优化参数，以提高预测的准确性。常见的几种传统损失函数包括均方误差损失(mean squared error loss,mseloss)、交叉熵损失(cross-entropy loss,ce loss)和hinge损失等。
3、均方误差(mean squared error,mse)损失函数通过计算模型预测值与实际值之间差异的平方的平均值来衡量模型的性能。mse在整个定义域内是连续可微的，这使得它非常适合用于梯度下降等优化算法。通过计算梯度，模型可以逐步调整参数以最小化损失。由于mse对误差进行平方处理，较大的误差会被放大，从而对总损失产生较大影响。这意味着在数据集中存在异常值时，mse可能导致模型偏向于这些异常值，从而影响整体性能。
4、交叉熵损失(cross entropy loss,c
5、hinge损失(hinge loss)是支持向量机中常用的损失函数，特别适用于二分类问题。它的设计目标是找到一个决策边界，使得正负样本不仅被正确分开，而且两者之间的间隔尽可能大。这种最大化间隔的策略有助于提高模型的泛化能力。然而，hinge损失也存在一些局限性，首先hinge损失主要用于二分类任务，在多分类问题中需要采用“一对一”或“一对所有”等策略，这会增加模型的复杂性和训练时间。其次，hinge损失对那些已经被正确分类且远离决策边界的样本不敏感，这可能导致模型忽视这部分数据的潜在信息。
6、随着对样本不平衡问题的关注增加，lin等人在2017年提出了焦点损失(focalloss,fl)，旨在改善分类模型的性能。focal loss是交叉熵损失的变种，通过调整损失贡献的比例，减少易分类样本的权重，使模型更关注难以分类或被错误分类的样本。尽管focalloss在处理不平衡问题方面表现良好，但它仍然未能考虑不同类型错误的实际代价。因此，本专利技术提出了代价敏感焦点损失函数，旨在为不同的分类错误分配不同的代价，以优化整体模型的性能。
技术实现思路
1、针对现有技术的不足，本专利技术的目的在于提供基于代价敏感焦点损失卷积神经网络的海面目标检测方法，解决了现有技术中的问题。
2、本专利技术的目的可以通过以下技术方案实现：
3、基于代价敏感焦点损失卷积神经网络的海面目标检测方法，包括以下步骤：
4、采用雷达获取海杂波和目标回波的数据，并对海杂波和目标回波的数据进行预处理；
5、根据预处理的数据提取目标时间序列与海杂波时间序列的高维特征，构建特征数据集，用于训练卷积神经网络模型；
6、结合焦点损失函数和代价敏感学习机制，设置卷积神经网络模型的损失函数；
7、动态调整代价矩阵中的误分类代价值以优化训练过程；
8、利用优化训练后的卷积神经网络模型，输出检测结果。
9、进一步地，构建特征数据集的步骤包括：
10、s21，分别对海杂波时间序列和目标时间序列提取两个幅度特征、两个多普勒特征以及两个时频特征，共六个显著特征；
11、其中，两个幅度特征为：时域信息熵和时间赫斯特指数；两个多普勒特征为：相对多普勒峰高和相对向量熵，两个时频特征为：脊累积和连通区域数目。
12、s22，分别将海杂波时间序列和目标时间序列的六个显著特征构建成六维特征向量，并分别将六维特征向量组成海杂波特征矩阵g0和目标特征矩阵g1，然后构建特征数据集gfea为：
13、gfea＝g0∪g1
14、其中：gfea的维数为6×m，6是特征个数，m是海杂波时间序列和目标时间序列的特征样本数目之和。
15、进一步地，在计算所述卷积神经网络模型输出层的softmax函数对应的判决门限threshold时，将所需控制的虚警概率pfa引入其中，判决门限threshold的计算式为：
16、pa＝softmax(clu(a)；h0|h0),a＝1…a
17、output＝{p1,p2,…pa,…pβ,…pa}
18、threshold＝pβ,β＝pfa*a
19、其中：h0表示待检测样本不包含目标，clu(a)表示为第a个海杂波时间序列的特征向量经过卷积池化操作后得到的特征序列，pa为特征序列经过softmax函数后被判为海杂波的输出概率，output为输出概率的集合，该集合的样本按概率值从小到大进行排序，a为海杂波样本特征序列的数量大小；利用蒙特卡罗方法，取第β个位置的输出概率pβ作为检测阈值。
20、进一步地，所述代价敏感学习机制中的代价矩阵为：
21、
22、其中，ωtp,ωfn,ωfp,ωtn分别表示真正类、假负类、假正类和真负类的成本；
23、所述卷积神经网络模型的损失函数表达式为：
24、
25、其中，d(i)表示第i个样本的实际标签，p(i)表示模型预测第i个样本为正类的概率，μ(i)用于调节正类样本在损失计算中的权重。
26、进一步地，动态调整代价矩阵中的误分类代价的过程为：
27、所述误分类代价值ωfn,ωfp表示为：
28、
29、其中，ω(i)表示第i个样本所对应的误分类代价值，即如果该样本为正类，则表示假负类代价值ωfn，反之若为负类，则表示假正类代价值ωfp；θ(i)和r(i)分别代表固定因子和每次训练迭代后的调整因子，通过调节ω(i)来控制损失函数的计算；ntotal表示样本总数，ni表示第i个样本所对应的类别的样本数量，σ是超参数，用于调整类别成本权重的尺度；n10表示被错误预测为负样本的正样本的数量，n11 n11表示被正确预测的正样本的数量，而当第i个样本为负类时，其r(i)的值始终为0；同时，当本文档来自技高网...
【技术保护点】
1.基于代价敏感焦点损失卷积神经网络的海面目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于代价敏感焦点损失卷积神经网络的海面目标检测方法，其特征在于，构建特征数据集的步骤包括：
3.根据权利要求1所述的基于代价敏感焦点损失卷积神经网络的海面目标检测方法，其特征在于，在计算所述卷积神经网络模型输出层的Softmax函数对应的判决门限Threshold时，将所需控制的虚警概率Pfa引入其中，判决门限Threshold的计算式为：
4.根据权利要求1所述的基于代价敏感焦点损失卷积神经网络的海面目标检测方法，其特征在于，所述代价敏感学习机制中的代价矩阵为：
5.根据权利要求4所述的基于代价敏感焦点损失卷积神经网络的海面目标检测方法，其特征在于，动态调整代价矩阵中的误分类代价的过程为：
6.根据权利要求1所述的基于代价敏感焦点损失卷积神经网络的海面目标检测方法，其特征在于，输出检测结果的步骤包括：
7.基于代价敏感焦点损失卷积神经网络的海面目标检测系统，其特征在于，包括：
8.一种计算
9.一种电子设备，其特征在于，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
10.一种计算机程序产品，包括计算机指令，其特征在于，所述计算机指令指示计算设备执行如权利要求1-6中任一所述的基于代价敏感焦点损失卷积神经网络的海面目标检测方法对应的操作。
...【技术特征摘要】
1.基于代价敏感焦点损失卷积神经网络的海面目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于代价敏感焦点损失卷积神经网络的海面目标检测方法，其特征在于，构建特征数据集的步骤包括：
3.根据权利要求1所述的基于代价敏感焦点损失卷积神经网络的海面目标检测方法，其特征在于，在计算所述卷积神经网络模型输出层的softmax函数对应的判决门限threshold时，将所需控制的虚警概率pfa引入其中，判决门限threshold的计算式为：
4.根据权利要求1所述的基于代价敏感焦点损失卷积神经网络的海面目标检测方法，其特征在于，所述代价敏感学习机制中的代价矩阵为：
5.根据权利要求4所述的基于代价敏感焦点损失卷积神经网络的海面目标检测方法，其特征在于，动态调整代价矩阵中的误分类...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。