本发明涉及水声信号处理技术领域，具体为一种目标检测方法。
背景技术：
为了应对“海洋世纪”带来的新的机遇与挑战，进一步振兴海洋事业，要按照“建设海洋强国”的战略思想，着力发展海洋科技，提高我国的海防实力，海洋安全领域的研究至关重要，而水中弱目标检测则是海洋安全领域的一个重要研究方向。
水中弱目标的检测方法中较为常用的是线谱检测，线谱检测中常用的方法有自相关检测方法、快速傅里叶变换方法、自适应线谱增强方法等，但这些方法很多需要得到线谱频率等先验信息，无此先验信息时，检测结果会受到很大的影响。同时，由于声隐身技术的高速发展，机械设备主动隔振、主动约阻尼、声学智能结构等技术的陆续应用，水中弱目标辐射噪声的线谱得到了很好的控制，线谱的幅值变得很小、线谱能量大幅度降低、甚至数量可控。
张安清等人通过对大量实测海洋背景噪声数据的特征进行统计分析发现，海洋背景噪声伴有显著脉冲的非高斯特性。这种具有脉冲特性的噪声，会带来某些特征值数值幅度上的变化，从而引起虚警，造成检测性能的降低。
针对特征线谱先验信息难以获得以及脉冲噪声带来的虚警干扰等问题，结合复杂海洋环境下的非线性特征表征的需要，本发明通过提取目标辐射噪声中固有的非线性特征，提供一种不需任何先验信息的水中目标远距离检测方法，并利用svm对多种特征进行融合，避免了背景噪声中脉冲成分所引起的虚警，进一步提高了目标检测的性能，提升了方法的可适用性。
技术实现要素：
为了克服现有技术的不足，本发明提供一种水中弱目标检测方法。针对水下微弱信号检测的背景噪声复杂多样、低信噪比检测难度大、先验信息获取困难和脉冲噪声的虚警干扰等问题，提出一种通过提取数据的相对变化熵、关联维数、lyapunov指数等多种特征量，并利用svm的方法，将多种特征量映射到同一高纬特征空间，最后通过svm的分类结果实现对水中弱目标进行检测的方法。本发明利用混沌理论，准确描述与实现目标信号和环境噪声中非线性特征的提取，实现了在缺少先验信息条件下水中弱目标的低信噪比检测，并利用多种特征量的不同特性以及特征融合的方法，有效避免了背景噪声中脉冲成分带来的虚警，结果表明，采用本发明公开的方法对水中弱目标进行检测，提高了对水中弱目标的检测能力，是一种行之有效的检测方法。
针对特征线谱先验信息难以获得以及脉冲噪声带来的虚警干扰等问题，结合复杂海洋环境下的非线性特征表征的需要，本发明通过提取目标辐射噪声中固有的非线性特征，提供一种不需任何先验信息的水中目标远距离检测方法，并利用svm对多种特征进行融合，避免了背景噪声中脉冲成分所引起的虚警，进一步提高了对目标检测的性能，提升了方法的可适用性。
本发明解决其技术问题所采用的技术方案的步骤如下：
步骤一：利用水听器采集海洋中的声信号，记为a(t)，即为输入信号，将输入信号按照下式(1)处理，使方差变为1；
其中：a(ti)为声信号a(t)第i个数据，n′为声信号a(t)的数据个数；
步骤二：根据takens重构定理对步骤一中的s(t)进行相空间重构；
利用g-p算法求取s(t)的重构维数与时间延迟，最后完成s(t)的相空间重构：
s(ti)＝[s(ti),s(ti τ),s(ti 2τ),…,s(ti (m-1)τ)](2)
其中s(t)表示输入信号，s(ti)表示重构后信号第i列，τ为延迟时间，m为嵌入维数，i为数据的下标；
步骤三：计算相空间重构后s(t)的相对变化熵数值，具体步骤为：
将初始时刻接收到的n个数据作为参考数据进行相空间重构，其中，n为数据处理时的数据个数，得到重构后的数据s1(t)，然后按照下式(3)对s1(t)进行微分得到s′1(t)，最后求取s′1(t)的奇异值并记为参考向量a；
其中：j＝1、2…m代表重构后的数据维度值，t代表数据采用率，i＝1、2…n-1代表重构后某一维数据的下标，s1(t)为重构后的数据，s′1(t)为s1(t)微分后的数据，
将初始时刻n个数据之后接收的数据作为待测数据s2(t)进行相空间重构，重构完成后按照式(3)求取s2(t)的微分s′2(t)，并求取s′2(t)的奇异值并记为待测向量b；
将待测向量b与参考向量a按照式(4)进行处理，得到相对向量c：
按照式(5)求取接收数据的相对变化熵h0：
其中：i＝1、2…m，代表相应向量中元素的下标，g(c)表示相对向量c中m个元素的乘积，td为固定长度的时间段，n0＝td×t÷n，h0为固定时间段td内数据的相对变化熵；
步骤四：计算s(ti)的lyapunov指数最大值；
利用式(7)计算最大lyapunov指数：
其中m为迭代次数，li为ti时刻s(ti)与邻近点s1(ti)的间距，l'i为ti时刻s(ti)与邻近点s1(ti)经过固定时间演化后的间距，为求最大lyapunov指数，只保留大于li的l'i，t0为初始时刻，tm为从初始时刻迭代m次后的时间；
步骤五：计算s(ti)的关联维数数值；
利用式(8)与式(9)计算关联维数：
其中cn(r)表示为式(9)计算的关联积分，θ为heaviside单位函数，k＝n-(m-1)τ表示重构后相空间中矢量点的个数，r为矢量点间距值；
其中，dgp为关联维数数值；
步骤六：构建水下多目标数据集；
通过水听器录取的背景噪声与水中目标辐射噪声的数据作为样本集，然后利用上述步骤一至步骤五，分别求取样本集的相对变化熵、lyapunov指数和关联维数三个特征值，并记为l＝{x3,y3}；
其中：x3为训练集，y3为测试集，l为总的特征值集；
将x3＝{x1,x2,x3}作为训练集，送入到svm分类器进行训练，y3＝{y1,y2,y3}作为送入测试集到svm分类器中进行测试；
步骤七：用svm测试机进行检测，把多类svm分类器的测试集给出的分类结果，作为最终对水中弱目标的检测结果。
本发明的有益效果在于公开一种水中弱目标检测方法，利用相对变化熵分析方法，对接收数据的两个不同渐进指数速率差相对变化进行分析，并对其变化的程度进行表征，可以有效避免环境噪声本身能量波动带来的干扰。同时利用关联维数、lyapunov指数等分析方法从另外的几个测度提取数据的非线性特性的变化，并在最后用特征融合方法，进一步避免环境噪声中脉冲成分所带来的干扰。因此利用这种方法对水中目标进行检测，能够做到无先验信息的水中目标远距离检测，具有检测距离远、不需先验信息等优点。
附图说明
图1是本发明的路线检测方法的流程图。
图2是本发明的相对变化熵技术路线。
图3是本发明的svm检测结果图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明的流程图如图1所示。
步骤一：利用水听器采集海洋中的声信号，记为a(t)，即为输入信号，将输入信号按照下式(1)处理，使方差变为1；
其中：a(ti)为声信号a(t)第i个数据，n′为声信号a(t)的数据个数；
步骤二：根据takens重构定理对步骤一中的s(t)进行相空间重构；
利用g-p算法求取s(t)的重构维数与时间延迟，最后完成s(t)的相空间重构：
s(ti)＝[s(ti),s(ti τ),s(ti 2τ),…,s(ti (m-1)τ)](2)
其中s(t)表示输入信号，s(ti)表示重构后信号第i列，τ为延迟时间，m为嵌入维数，i为数据的下标；
步骤三：计算相空间重构后s(t)的相对变化熵数值，如图2所示具体步骤为：
将初始时刻接收到的n个数据作为参考数据进行相空间重构，按照步骤一、二对其进行相空间重构，其中，n为数据处理时的数据个数，本发明n为4000，得到重构后的数据s1(t)，然后按照下式(3)对s1(t)进行微分得到s′1(t)，最后求取s′1(t)的奇异值并记为参考向量a；
其中：j＝1、2…m代表重构后的数据维度值，t代表数据采用率，i＝1、2…n-1代表重构后某一维数据的下标，s1(t)为重构后的数据，s′1(t)为s1(t)微分后的数据，
将初始时刻n个数据之后接收的数据作为待测数据s2(t)进行相空间重构，重构完成后按照式(3)求取s2(t)的微分s′2(t)，并求取s′2(t)的奇异值并记为待测向量b；
将待测向量b与参考向量a按照式(4)进行处理，得到相对向量c：
按照式(5)求取接收数据的相对变化熵h0：
其中：i＝1、2…m，代表相应向量中元素的下标，g(c)表示相对向量c中m个元素的乘积，td为固定长度的时间段(如1秒)，n0＝td×t÷n，h0为固定时间段td内数据的相对变化熵；
步骤四：计算s(ti)的lyapunov指数最大值；
利用式(7)计算最大lyapunov指数：
其中m为迭代次数，li为ti时刻s(ti)与邻近点s1(ti)的间距，l'i为ti时刻s(ti)与邻近点s1(ti)经过固定时间(如0.01秒)演化后的间距，为求最大lyapunov指数，只保留大于li的l'i，t0为初始时刻，tm为从初始时刻迭代m次后的时间；
步骤五：计算s(ti)的关联维数数值；
利用式(8)与式(9)计算关联维数：
其中cn(r)表示为式(9)计算的关联积分，θ为heaviside单位函数，k＝n-(m-1)τ表示重构后相空间中矢量点的个数，r为矢量点间距值；
其中，dgp为关联维数数值；
步骤六：构建水下多目标数据集；
通过水听器录取的背景噪声与水中目标辐射噪声的数据作为样本集，然后利用上述步骤一至步骤五，分别求取样本集的相对变化熵、lyapunov指数和关联维数三个特征值，并记为l＝{x3,y3}；
其中：x3为训练集，y3为测试集，l为总的特征值集；
将x3＝{x1,x2,x3}作为训练集，送入到svm分类器进行训练，y3＝{y1,y2,y3}作为送入测试集到svm分类器中进行测试；训练集与测试集的划分是利用cvpartition函数，按照70％用于训练，30％用于测试进行自动划分；
步骤七：用svm测试机进行检测，把多类svm分类器的测试集给出的分类结果，作为最终对水中弱目标的检测结果。
如图3中所示，svm的判决结果为1的说明有目标，-1的说明没有目标，其中svm预测值是判决器给出的结果，实际标记值为对数据实际情况。
1.一种水中弱目标检测方法，其特征在于包括下述步骤：
步骤一：利用水听器采集海洋中的声信号，记为a(t)，即为输入信号，将输入信号按照下式(1)处理，使方差变为1；
其中：a(ti)为声信号a(t)第i个数据，n′为声信号a(t)的数据个数；
步骤二：根据takens重构定理对步骤一中的s(t)进行相空间重构；
利用g-p算法求取s(t)的重构维数与时间延迟，最后完成s(t)的相空间重构：
s(ti)＝[s(ti),s(ti τ),s(ti 2τ),…,s(ti (m-1)τ)](2)
其中s(t)表示输入信号，s(ti)表示重构后信号第i列，τ为延迟时间，m为嵌入维数，i为数据的下标；
步骤三：计算相空间重构后s(t)的相对变化熵数值，具体步骤为：
将初始时刻接收到的n个数据作为参考数据进行相空间重构，其中，n为数据处理时的数据个数，得到重构后的数据s1(t)，然后按照下式(3)对s1(t)进行微分得到s′1(t)，最后求取s′1(t)的奇异值并记为参考向量a；
其中：j＝1、2…m代表重构后的数据维度值，t代表数据采用率，i＝1、2…n-1代表重构后某一维数据的下标，s1(t)为重构后的数据，s′1(t)为s1(t)微分后的数据，
将初始时刻n个数据之后接收的数据作为待测数据s2(t)进行相空间重构，重构完成后按照式(3)求取s2(t)的微分s′2(t)，并求取s′2(t)的奇异值并记为待测向量b；
将待测向量b与参考向量a按照式(4)进行处理，得到相对向量c：
按照式(5)求取接收数据的相对变化熵h0：
其中：i＝1、2…m，代表相应向量中元素的下标，g(c)表示相对向量c中m个元素的乘积，td为固定长度的时间段，n0＝td×t÷n，h0为固定时间段td内数据的相对变化熵；
步骤四：计算s(ti)的lyapunov指数最大值；
利用式(7)计算最大lyapunov指数：
其中m为迭代次数，li为ti时刻s(ti)与邻近点s1(ti)的间距，l'i为ti时刻s(ti)与邻近点s1(ti)经过固定时间演化后的间距，为求最大lyapunov指数，只保留大于li的l'i，t0为初始时刻，tm为从初始时刻迭代m次后的时间；
步骤五：计算s(ti)的关联维数数值；
利用式(8)与式(9)计算关联维数：
其中cn(r)表示为式(9)计算的关联积分，θ为heaviside单位函数，k＝n-(m-1)τ表示重构后相空间中矢量点的个数，r为矢量点间距值；
其中，dgp为关联维数数值；
步骤六：构建水下多目标数据集；
通过水听器录取的背景噪声与水中目标辐射噪声的数据作为样本集，然后利用上述步骤一至步骤五，分别求取样本集的相对变化熵、lyapunov指数和关联维数三个特征值，并记为l＝{x3,y3}；
其中：x3为训练集，y3为测试集，l为总的特征值集；
将x3＝{x1,x2,x3}作为训练集，送入到svm分类器进行训练，y3＝{y1,y2,y3}作为送入测试集到svm分类器中进行测试；
步骤七：用svm测试机进行检测，把多类svm分类器的测试集给出的分类结果，作为最终对水中弱目标的检测结果。
技术总结