基于动态自适应近邻算法的天波雷达RD图分类器设计

天波雷达的干扰检测问题可转化为距离-多普勒(Range-Doppler, RD)图像分类。在RD图分类器设计中,使用K近邻(K-Nearest Neighbor, KNN)算法时,k值的选取直接影响到干扰检测准确率。根据过往经验预设k值时,无法确定所设k值下的干扰检测准确率。为此,将互近邻条件引申为k值自动赋值方法,以局部均值为距离计算依据,设计动态自适应近邻(Dynamic Adaptive Nearest Neighbor, DANN)新算法。分别在多个UCI(University of California Irvine)数据集与现有RD图库上测试,与6个常数k值下K近邻算法进行对比分析。多个UCI数据集实验表明,DANN的平均准确率比不同k值下KNN的均值高6.21%,且比最优k值高3.7%;实测RD图库实验表明,DANN的平均准确率比不同k值下KNN的均值高2.9%,且比最优k值高0.56%。因此,该算法可以在干扰检测中减少人工参与,且能够获得较高的检测准确率。

基于最优误差自校正极限学习机的高频地波雷达RD谱图海面目标检测算法

高频地波雷达(High-frequency surface wave radar,HFSWR)在超视距舰船目标检测跟踪中有广泛应用.然而,HFSWR工作频段的电磁环境十分复杂,舰船目标信号往往被淹没在各种噪声中.本文提出一种基于最优误差自校正极限学习机(Optimized error self-adjustment extreme learning machine,OES-ELM)的HFSWR海面目标识别算法.该算法利用二级级联分类策略,可以显著提高目标的检测效率.首先利用灰度特征和线性分类器快速找出目标的潜在区域.然后利用Haar-like特征和OES-ELM分类器进一步辨识目标和海杂波.在OES-ELM中,首先利用L1=2正则算子裁剪隐层中的\微弱"神经元,以得到隐层神经元的最优个数;其次,通过网络误差回传至隐含层使网络的隐层权值和输出层权值迭代更新至最优状态.实验结果表明:和标准ELM相比,提出的OES-ELM网络具有更好的性能;此外,基于OES-ELM的HFSWR目标检测方法具有良好的实时性和目标检测性能.

基于原型与主动学习的天波雷达干扰检测方法

本文研究天波雷达基于距离⁃多普勒(Range⁃Doppler,RD)图像的干扰检测问题。在干扰检测过程中,错误检测可能是干扰的漏检与虚警问题,为此考虑采用主动学习方法,将算法模型难以判决的样本由专家标注,并将标注样本加入至训练集中以达到提升检测性能的目的。同时,也需要解决训练集样本的冗余问题,为此使用原型数据学习方法,建立有干扰和无干扰样本数据云,有效地降低训练集样本量。实测数据实验表明,原型方法将初始训练集样本数量降低至23.5%,主动学习方法取得的检测准确率为97.42%,而传统监督学习最近邻方法准确率为87.96%。因此,本文方法能够有效提升天波雷达干扰检测能力,为天波雷达是否需要进行干扰处理与换频检测等工作提供可靠依据。

基于冗余小波变换的高频地波雷达目标检测算法

为了从高频地波雷达(High Frequency Surface Wave Radar,HFSWR)信号生成的复杂距离多普勒(Range Doppler,RD)图像中准确提取运动点目标,提出了一种基于冗余小波变换(Redundant Discrete Wavelet Transformation,RDWT)的RD图像点目标检测算法.该算法根据点目标与海杂波、电离层杂波等特征的差异,首先在距离方向进行自适应RDWT以去除海杂波和地杂波,并在多普勒方向进行自适应RDWT以去除电离层杂波;然后利用图像形态学运算对背景噪声进行了抑制;最后进行阈值自适应分割以得到点目标.实验结果表明:该算法能有效抑制RD图像中的海杂波、电离层杂波和背景噪声,能从复杂的RD图像中实现点目标的有效检测,其检测性能优于改进的恒虚警率(Constant False Alarm Rate,CFAR)算法.