技术摘要：
本发明提供了基于稀疏驱动ALE的支持向量机的水下目标检测方法及系统，所述方法包括：将水下无人平台的阵列接收数据进行波束形成；形成波束信号；对波束信号进行稀疏驱动ALE处理，得到增强后的波束域信号；将增强后的波束域信号通过离散傅里叶变换转化为波束声谱，计算  全部
背景技术：
随着减振降噪技术的发展，舰船辐射噪声水平大幅度降低，对于水下无人平台被 动检测低噪声、安静型水下目标带来更大挑战。水下目标包含的线谱一般具有较好的相位 稳定性以及更高强度，但弱目标的线谱受噪声连续谱方差的影响容易淹没在连续谱分量 中，需要滤除信号中的宽带干扰及背景噪声。 常规的自适应线谱增强器(Adaptive  Line  Enhancer，ALE)可以增强线谱信号并 抑制宽带噪声，但由于自适应滤波的稳态误差问题限制了其性能；基于自动阈值的能量检 测方法受非均匀噪声背景、强干扰等影响严重，弱目标检测能力难以满足水下无人平台要 求的环境自主适应性。
技术实现要素：
本发明的目的在于克服上述技术缺陷，提供基于稀疏驱动ALE的支持向量机的水 下目标检测方法，用以解决水下无人平台在非均匀噪声背景、宽带强干扰等复杂环境中对 弱目标检测能力的不足，提高对线谱弱目标的检测概率。 为实现上述目的，本发明的实施例1提供了基于稀疏驱动ALE的支持向量机的水下 目标检测方法，所述方法包括： 将水下无人平台的阵列接收数据进行波束形成；形成波束信号； 对波束信号进行稀疏驱动ALE处理，得到增强后的波束域信号； 将增强后的波束域信号通过离散傅里叶变换转化为波束声谱，计算波束声谱的熵 特性并绘制熵特性曲线；计算熵特性曲线的均值和标准差，构建二维熵特征； 将二维熵特征输入预先训练好的支持向量机，输出目标检测的判别结果。 作为上述方法的一种改进，所述对波束信号进行稀疏驱动ALE处理，得到增强后的 波束域信号，具体包括： 步骤S1)自适应滤波器的初始频域权值wF(0)表示为： wF(0)＝[wF,0(0) ,wF,1(0) ,...,w TF,L-1(0)] 令n表示迭代次数，初值为0； 步骤S2)第n次迭代自适应滤波器的时域输出y(n)表示为： 其中，wF(n)＝[wF,0(n) ,wF,1(n) ,...,w TF,L-1(n)] 为第n次迭代自适应滤波器的频域 权值；x(n-Δ)为时延后的波束信号： x(n-Δ)＝[x(n-Δ)，x(n-Δ-1)，...，x(n-Δ-L 1)]T 其中，x(n)是参考信号，Δ为时延，L为滤波器阶数； 6 CN 111582026 A 说　明　书 2/9 页 步骤S3)计算第n次迭代自适应滤波器的输出估计误差e(n)： e(n)＝x(n)-y(n) 步骤S4)计算第n 1次自适应滤波器的频域权值wF(n 1)： 根据梯度下降原理，通过l1/2范数正则化的稀疏驱动ALE处理，第n 1次迭代自适应 滤波器的频域权值wF(n 1)为： 其中， 表示向量的按位相乘运算，|·|-3/2表示对向量按位取模的-3/2次方，μ为 步长，ρ＝μκ为常数，κ为常数；xF(n-Δ)为x(n-Δ)的离散傅里叶变换； 步骤S5)若||wF(n 1)-wF(n)||小于阈值，则进入步骤S6)，否则，n加1后，转入步骤 S2)； 步骤S6)计算经稀疏驱动ALE处理后，最终的增强后的波束域信号y(n 1)： 其中，x(n 1-Δ)＝[x(n 1-Δ),x(n-Δ),...,x(n-Δ-L 2)]T，xF(n 1-Δ)为x(n 1-Δ)的离散傅里叶变换。 作为上述方法的一种改进，所述将增强后的波束域信号通过离散傅里叶变换转化 为波束声谱，计算波束声谱的熵特性并绘制熵特性曲线，具体包括： 将增强后的波束域信号y(n 1)通过离散傅里叶变换转化为波束声谱； 设第m个时间窗的波束声谱包含N个频点，其幅值分别为c1 ,c2,…cN，则第n个频点 的权重pn为其幅值与该时间窗内全部频点幅值之和的比值： 根据其幅值权重，第m个时间窗的香农熵值Entropym为： Entropym为波束声谱的熵特性； 以时间窗m为横坐标，Entropym为纵坐标，绘制熵特性曲线。 作为上述方法的一种改进，所述计算熵特性曲线的均值和标准差，构建二维熵特 征，具体包括： 计算熵曲线的均值Eave及标准差Estd： 7 CN 111582026 A 说　明　书 3/9 页 其中，M为熵特性曲线中的熵值个数； 将熵曲线的均值Eave及标准差Estd组成二维特征向量，作为二维熵特征。 作为上述方法的一种改进，所述方法还包括：对支持向量机进行训练的步骤，具体 包括： 建立训练集，包括：水下无人平台的阵列接收数据和其标签； 对训练集的水下无人平台的阵列接收数据进行波束形成；形成波束信号；对波束 信号进行稀疏驱动ALE处理，得到增强后的波束域信号；将增强后的波束域信号通过离散傅 里叶变换转化为波束声谱，计算波束声谱的熵特性并绘制熵特性曲线；计算熵特性曲线的 均值和标准差，构成二维熵特征； 选取高斯核函数作为支持向量机的二分类器；其输出为0时，代表假设检验H0：不 存在目标；其输出为1时，代表假设检验H1：存在目标； 将训练集的二维熵特征输入支持向量机进行训练，并根据训练数据的特征分布优 化支持向量机的参数。 本发明的实施例2提供了基于稀疏驱动ALE的支持向量机的水下目标检测系统，其 特征在于，所述系统包括：水下无人平台、训练好的用于目标检测的支持向量机、波束形成 模块、稀疏驱动ALE处理模块、二维熵特征构建模块和目标检测模块； 所述波束形成模块，用于将水下无人平台的阵列接收数据进行波束形成；形成波 束信号； 所述稀疏驱动ALE处理模块，用于对波束信号进行稀疏驱动ALE处理，得到增强后 的波束域信号； 所述二维熵特征构建模块，用于将增强后的波束域信号通过离散傅里叶变换转化 为波束声谱，计算波束声谱的熵特性并绘制熵特性曲线；计算熵特性曲线的均值和标准差， 构建二维熵特征； 所述目标检测模块，用于将二维熵特征输入预先训练好的支持向量机，输出目标 检测的判别结果。 作为上述系统的一种改进，所述稀疏驱动ALE处理模块的具体实现过程为： 步骤S1)自适应滤波器的初始频域权值wF(0)表示为： wF(0)＝[wF,0(0) ,wF,1(0) ,...,wF,L-1(0)]T 令n表示迭代次数，初值为0； 步骤S2)第n次迭代自适应滤波器的时域输出y(n)表示为： 其中，wF(n)＝[wF，0(n)，wF，1(n)，...，w (n)]TF，L-1 为第n次迭代自适应滤波器的频域 权值；x(n-Δ)为时延后的波束信号： x(n-Δ)＝[x(n-Δ),x(n-Δ-1) ,...,x(n-Δ-L 1)]T 其中，x(n)是参考信号，Δ为时延，L为滤波器阶数； 步骤S3)计算第n次迭代自适应滤波器的输出估计误差e(n)： e(n)＝x(n)-y(n) 步骤S4)计算第n 1次自适应滤波器的频域权值wF(n 1)： 根据梯度下降原理，通过l1/2范数正则化的稀疏驱动ALE处理，第n 1次迭代自适应 8 CN 111582026 A 说　明　书 4/9 页 滤波器的频域权值wF(n 1)为： 其中，表示向量的按位相乘运算，|·|-3/2表示对向量按位取模的-3/2次方，μ为 步长，ρ＝μκ为常数，κ为常数；xF(n-Δ)为x(n-Δ)的离散傅里叶变换； 步骤S5)若||wF(n 1)-wF(n)||小于阈值，则进入步骤S6)，否则，n加1后，转入步骤 S2)； 步骤S6)计算经稀疏驱动ALE处理后，最终的增强后的波束域信号y(n 1)： 其中，x(n 1-Δ)＝[x(n 1-Δ)，x(n-Δ),...,x(n-Δ-L 2)]T，xF(n 1-Δ)为x(n 1-Δ)的离散傅里叶变换。 作为上述系统的一种改进，所述二维熵特征构建模块的具体实现过程为： 将增强后的波束域信号y(n 1)通过离散傅里叶变换转化为波束声谱； 设第m个时间窗的波束声谱包含N个频点，其幅值分别为c1 ,c2,…cN，则第n个频点 的权重pn为其幅值与该时间窗内全部频点幅值之和的比值： 根据其幅值权重，第m个时间窗的香农熵值Entropym为： Entropym为波束声谱的熵特性； 以时间窗m为横坐标，Entropym为纵坐标，绘制熵特性曲线； 计算熵曲线的均值Eave及标准差Estd： 其中，M为熵特性曲线中的熵值个数； 将熵曲线的均值Eave及标准差Estd组成二维特征向量，作为二维熵特征。 本发明的优势在于： 通过本发明所提供的水下目标检测方法，降低了ALE的稳态误差，提高了稀疏驱动 ALE的线谱输出信噪比，提高了对线谱弱目标的检测概率，在非均匀噪声背景、宽带强干扰 下提升了水下无人平台进行目标检测的环境适应性。 9 CN 111582026 A 说　明　书 5/9 页 附图说明 图1是本发明的基于稀疏驱动ALE的支持向量机的水下目标检测方法的流程图； 图2是本发明的稀疏驱动ALE处理的流程图； 图3是仿真常规ALE与稀疏驱动ALE的稳态误差对比； 图4是仿真常规ALE加权向量与最优维纳权值的幅频特性对比； 图5是仿真稀疏驱动ALE加权向量与最优维纳权值的幅频特性对比； 图6是仿真常规ALE输出LOFAR图； 图7是仿真稀疏驱动ALE输出LOFAR图； 图8是本发明的海上试验数据训练与测试结果示意图。