赵军辉　康克成　胡海森

摘 要：针对复杂海面背景条件下弱小目标的检测问题，提出了一种低虚警检测概率的弱小目标检测算法，定义了复杂海面背景下弱小目标的信杂比，并基于粒子滤波算法的多模式搜索功能和弱小目标的分形特性，应用支持向量机（SVM）进行了检测。该检测方法计算简单、准确度高。

关键词：粒子滤波；弱小目标；雷达回波信号；搜索策略

中图分类号：TN957.51 文献标识码：A DOI：10.15913/j.cnki.kjycx.2016.03.077

在复杂海面背景下的弱小目标检测中，海杂波是主要干扰源，因此，根据弱小目标与海杂波的稳定特征差异检测和识别目标是提高算法检测准确性的关键。针对复杂海面背景下低信杂比弱小目标的检测，本文提出了一种运算速度较快的目标检测算法。该算法利用粒子滤波抑制了海杂波，并基于弱小目标的分形特性，剔除了海杂波等虚警干扰。

1 弱小目标的信杂比

在研究弱小目标检测算法和评估算法的性能时，必须明确弱小目标的信杂比是指目标回波信号与背景海杂波起伏的比值。在复杂海面的背景下，即使在目标局部信杂比较高的情况下，受到背景海杂波起伏的影响，目标的全局信杂比比在平缓背景下低很多。因此，目标检测算法必须能有效抑制背景干扰，从而实现低全局信杂比检测。此外，在虚警剔除阶段，可根据目标局部信杂比确认杂波干扰是否被剔除。本文处理的雷达回波信号为线性调频（LFM）信号。

2 粒子滤波

粒子滤波具备多模式搜索功能，能在全局空间中找到最优结果。因此，其比单模式的搜索策略具有更好的鲁棒性。但粒子滤波在多模式搜索中也存在一定的不足：①采用该算法在连续维持目标分配的多种模态时比较不稳定，期望跟踪所有的模式，直到不确定性能会被自然解决；②当有不足的量测、噪声或多目标时，无法确定目标状态，在此情况下，跟踪所有目标时，常发生所有粒子快速合并至一种模式，抛弃其他模式的情况，导致粒子采样过早贫瘠，无法实现对多目标的跟踪。本文采用粒子滤波主要用于抑制海杂波，以减少海杂波的能量聚集。经过滤波、去噪后，含有目标的回波分形维数与不含有目标的回波分形维数间的差异更加明显，可以更好地计算回波的分形维数。

3 分形特性

海洋平面是复杂、动态、粗糙的面，变化不规则，但又不是完全随机的。应用分形理论分析海面后发现，海杂波具有多重分形特性。弱小目标的分形特性与海杂波的不同，即含有弱小目标雷达回波信号的多重分形谱与只含有海杂波的雷达回波信号多重分形谱区别明显。通过计算多重分形谱，可区分回波信号中是否有目标存在。本文采用的多重分形谱是通过legendre的变换而得，并对其进行了离散化，作为检测单元输入到SVM分类器中。

4 SVM分类器

信号多重分形谱的离散采样值经过SVM分类器后会输出1个二值结果，即有目标状态和无目标状态，分别记为“1”和“0”。根据系统辨识理论，可用于辨识的特征数据越多，辨识效果越好，准确率越高。SVM检测分类识别过程分为以下2步：①基于一定量的训练样本，训练SVM神经网络，得到期望的训练判断SVM网络；②对需要判定的数据进行分类判断。数据样本在初期训练中的误差较大，这是因为某些训练不充分而导致的。为了提高训练精度，需要增加数据样本集的数量，并确定训练次数的下限。

5 试验结果

通过分析海杂波，并对比BP神经网络的多重分形检测法发现，基于多重分形的SVM检测算法比采用BP神经网络的多重分形检测算法的效果好，且其在计算过程中的鲁棒性和稳定性较高，但计算量较大、计算过程较为复杂。试验结果如表1所示。

6 结束语

本文提出的检测方案通过粒子滤波降低了海杂波对目标回波的干扰，通过对分形特征的提取，有效区分了含有目标和不含有目标的雷达信号回波，并借助SVM的强大分类能力，有效提高了目标检测的准确率。但该算法存在计算量大、计算过程复杂等不足，需要进一步改进，以提高其运算效率。

参考文献

[1]王永诚，吴小飞.海杂波的分数维测量在对海面目标探测中的应用研究[J].现代雷达，2000，22（5）.

[2]石志广，周健雄，赵宏钟.海杂波的多重分形特性分析[J].数据采集与处理，2006，21（2）.

[3]Haykin S.Detection of signals in chaos[J].Proc of IEEE，1995（1）.

〔编辑：张思楠〕