时艳玲 刘子鹏 贾邦玲

(南京邮电大学通信与信息工程学院, 江苏南京 210003)

1 引言

海杂波中小目标分类问题一直以来都是国内外研究的热点与难点。海杂波具有的非高斯、非线性和非平稳特性,使得实际海杂波偏离假设的统计模型分布,从而造成了恒虚警检测器性能严重下降[1-4]。随着机器学习技术的发展,越来越多的学者结合改进的机器学习算法对海杂波和目标进行智能化处理和研究。其中,机器学习方法在杂波分类以及海杂波抑制[5-10]方面得到了较为成功的应用。行鸿彦等人通过遗传算法优化支持向量机中的惩罚系数和核函数参数,并结合支持向量机建立混沌序列的单步预测模型,提高了目标的分类识别性能[11]。徐雅楠等人利用CNN在一维雷达回波信号中进行海杂波与噪声分类的可行性,并同步分析了数据预处理、单个样本序列长度、网络结构参数等影响因素对分类准确率的影响,其所提出的LeNet卷积神经网络在海面小目标分类方面,具有很高的分类准确率[12]。然而在海杂波和目标的分类研究中,通常情况下,海杂波样本数目远大于目标样本的数目,一般的分类方法难以处理这种样本不平衡的情况。提取合适的特征以及采取行之有效的分类方法依旧是现今分类研究中的难题。

由此,本文提出了一种新的海面小目标分类方法。首先,本文从极化域提取特征,由对目标散射特性的研究表明,小目标的主要散射成分是球面散射和双平面散射以及螺旋散射,而杂波的散射机理是多种多样的,并受海况的影响[13-14]。……