本发明涉及雷达目标检测，尤其涉及一种基于非线性降维和特征样本距离的海上小目标检测方法。
背景技术：
1、海杂波一般是指在雷达照射下，海面的后向散射回波，在海杂波背景下，对小船、冰山和蛙人等小目标进行雷达检测是一项艰巨的任务。由于小目标种类繁多，其回波与海杂波在频域中往往重叠，传统的mti和mtd方法效果有限，且无法通过单一检测统计量准确区分。在这种情况下，通过从雷达回波中提取并结合多种显著特征，被认为是一种有效的检测手段。与自适应模型检测不同，特征通常以直观或经验的方式表征从雷达回波中提取的某些统计信息，具有一定的目标与海杂波分类能力。目前，已有数十种从时域、频域和变换域提取的显式、可解释的经验性特征和许多隐式的、不可解释的机器特征被应用于雷达目标检测。
2、不同特征适用于不同情况，它们的互补性是基于特征的检测器具有鲁棒性和良好检测性能的基础。现有的常用多特征目标检测方法，通常是基于经验，选择多种特征构建一个多维特征空间，并采用特定分类器进行训练。这些分类器包括k-近邻(knn)算法、支持向量机(svm)、凸包学习算法、凹包学习算法、决策树算法和隐式神经网络等，用以形成有效的检测器。鉴于雷达需要在多种环境条件下进行目标检测，而全面收集所有目标的雷达回波是极具挑战的，基于特征的目标检测往往转化为异常值检测问题。当使用的特征种类超过3种时，一方面，基于特征空间的凸包或凹包学习等算法将不再适用；另一方面，随着特征数量的增加，将面临维数灾难。为解决此问题，可采用主成分分析(pca)、线性判别分析(lda)和特征压缩等特征降维技术。
3、尽管这些方法能够利用特征之间的关联性，但这种关联性仅限于线性相关性，如皮尔逊相关系数。同时，这些方法的特征降维过程是线性的，与实际场景中不同特征之间的非线性关系不符，增加了系统误差，降低了检测性能。此外，在检测阶段，这些方法需要在三维特征空间中比较目标样本和判决区域的位置关系，而目标样本具有较大分散性，难以实现稳定检测。特征的提取还会受到海尖峰等异常数据的影响，导致异常样本的产生。
技术实现思路
1、为了解决检测性能低、难以稳定检测和易产生异常样本的问题，本发明提供一种基于非线性降维和特征样本距离的海上小目标检测方法。
2、本发明提供的一种基于非线性降维和特征样本距离的海上小目标检测方法，包括以下步骤：
3、s1，获取雷达的历史海杂波数据和历史目标数据，分别提取历史海杂波数据和历史目标数据的多维特征；
4、s2，基于同一特征分别在历史海杂波数据和历史目标数据下的概率密度函数的重叠程度计算反映多维特征空间中特征的分类能力的特征密度距离；
5、s3，基于特征密度距离结合自注意力机制对多维特征空间进行非线性特征降维；
6、s4，基于历史海杂波特征样本结合历史特征样本距离构建用于检测海杂波的凹包目标检测器，所述历史特征样本距离为相邻历史海杂波样本之间的特征样本距离；
7、s5，提取当前雷达数据中待检测单元的多维特征，并进行非线性特征降维；
8、s6，将待检测单元相邻的特征样本作为参考单元，获取待检测单元与参考单元之间的当前特征样本距离；
9、s7，基于凹包目标检测器结合当前特征样本距离判断待检测单元是否为目标。
10、可选地，所述特征密度距离计算如下：
11、，
12、其中，和分别是同一特征在海杂波数据和目标数据下的联合概率密度函数，为值域是重在上的特征矩阵，是特征空间的维数，是多维矩阵元素的个数，是自然对数，叠参数，是密度参数，为重叠程度，是特征密度距离，为重叠占比和各自是特征在不同数据集下的概率密度函数，是特征在不同数据集下的多维特征空间体积，为重叠部分的峰值下降到-3db的体积。
13、可选地，在进行概率密度函数计算时，根据sklar定理，使用copula函数将两个特征的边缘分布函数联合为一个联合概率密度函数，并进一步通过构建copula藤计算多维联合概率密度函数，联合概率密度函数p(g)计算如下：
14、 ，
15、其中， 是标准正态分布函数的逆函数，i是d×d维的单位矩阵，σ是协方差矩阵，
16、，
17、表示特征i和特征j在条件为特征已知的条件下copula密度函数值，
18、，
19、表示特征在条件为特征已知的条件下的边缘分布函数值。
20、可选地，所述多维特征包括11种特征，步骤s3中进行非线性特征降维具体包括：
21、构建各个特征的低阶多项式；
22、根据自注意力机制捕捉各个特征的低阶多项式之间的关联；
23、在线性降维层中采用投影矩阵将多维特征空间映射到三维空间中，并输出再表达特征；
24、获取再表达特征的特征密度距离的相反数作为损失值；
25、当损失值大于预设值时，根据损失值结合梯度优化算法更新自注意力机制和/或线性降维层中的参数；
26、当损失值小于预设值时，实现最佳的非线性特征降维。
27、可选地，步骤s1中，具体包括，在目标单元和海杂波单元上分别提取11特征数据：相对平均幅度raa，时域熵值均值tem，相对峰高rph，相对多普勒峰高rdph，相对多普勒向量熵rve，频域熵值二阶矩 sofe，时频脊累积量ri，最大连通区域尺寸ms，连通区域个数nr，时频脊变换域峰值 rrt-mv，时频脊变换域带宽rrt-bw。
28、可选地，步骤s4中的特征样本距离具体计算包括：
29、，
30、其中，表示第ｉ个特征样本点的第m个特征的特征空间中坐标。
31、可选地，步骤s4中，凹包目标检测器的构建具体包括：
32、s4-1，提取同场景历史帧海杂波数据提取特征样本，并进行非线性特征降维；
33、s4-2，计算相邻海杂波样本的特征样本距离，并将所有的特征样本距离从大到小排序；
34、s4-3，获取虚警控制点并计算虚警概率，并将虚警概率与样本数量相乘作为索引，选择相应序号的特征样本距离作为距离门限；
35、s4-4，将历史杂波特征样本剔除虚警控制点，然后构建凹包判决区域。
36、可选地，步骤s6中，当前特征样本距离之前，将参考单元进行非线性特征降维；
37、步骤s7中，对检测单元的判断具体包括：
38、将当前样本距离与门限进行分析比较；
39、当前样本距离小于门限时，待检测单元判定为杂波；
40、当前样本距离大于门限时，分析比较参考单元样本和凹包判决区域在三维特征空间中的相对位置，当参考单元样本落在凹包判决区域内时，待检测单元判定为目标；当参考单元样本落在凹包判决区域外时，待检测单元判定为海杂波。
41、可选地，在步骤s7之前还包括构建多元回归预测模型，具体包括：
42、基于多个历史特征样本的观测值作为训练集；
43、基于训练集对多元回归预测模型进行训练，输入与ｔ时刻的历史特征样本的观测值，输出为ｔ+1时刻的历史特征样本的观测值；
44、将历史特征样本的观测值输入模型，输出当前时刻特征样本的预测值；
45、将当前时刻特征样本的预测值与观测值进行加权融合作为最终的当前特征样本融合坐标。
46、可选地，多元回归预测模型中对特征样本的预测计算具体包括：
47、t时刻特征样本在特征空间中的坐标预测值计算为：
48、，
49、其中，为t时刻特征样本在特征空间中的坐标预测值，为特征在t时刻的预测值，为t-k时刻特征样本在特征空间中的坐标观测值，为特征在t-k时刻的观测值，为k时刻的系数矩阵，c为常数矩阵，p为预测阶数；
50、其中常数项和系数矩阵构成了总体系数矩阵b；
51、首先将n个特征样本按照预测阶数p排列为滞后矩阵z，将从p+1时刻到n时刻的n-p个样本排列为样本观测值矩阵y，计算如下：
52、 ，
53、总体系数矩阵b计算为： ，
54、对总体系数矩阵进行分离后得到：
55、，
56、其中，表示滞后矩阵z的第t-p行，对应预测时刻t的特征样本所需的前p个观测值，为n时刻特征样本在特征空间中的坐标观测值，c为常数矩阵，a为系数矩阵。
57、综上所述，本发明具有如下的有益技术效果：
58、使用copula函数构建了特征密度距离来定量地描述多维特征对目标和海杂波的分类能力，并基于此搭建了基于自注意力机制的轻量化非线性降维网络，实现将多维特征最优地再表达到3维特征空间中。提出了一种使用特征样本距离的凹包分类器，利用新特征之间的样本距离抑制了目标样本在特征空间中的分散性带来的负面影响。进一步，通过使用多元自回归预测对特征进行优化，减少了异常特征样本引入的错误判决。所提出的检测方法检测成功概率更高，且受虚警概率的影响更小，总体检测性能优于现有的基于特征的检测方法。
1.一种基于非线性降维和特征样本距离的海上小目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于非线性降维和特征样本距离的海上小目标检测方法，其特征在于，所述特征密度距离计算如下：
3.根据权利要求2所述的基于非线性降维和特征样本距离的海上小目标检测方法，其特征在于，在进行概率密度函数计算时，根据sklar定理，使用copula函数将两个特征的边缘分布函数联合为一个联合概率密度函数，并进一步通过构建copula藤计算多维联合概率密度函数，联合概率密度函数p(g)计算如下：
4.根据权利要求1所述的基于非线性降维和特征样本距离的海上小目标检测方法，其特征在于，所述多维特征包括11种特征，步骤s3中进行非线性特征降维具体包括：
5.根据权利要求4所述的基于非线性降维和特征样本距离的海上小目标检测方法，其特征在于，步骤s1中，具体包括，在目标单元和海杂波单元上分别提取11特征数据：相对平均幅度raa，时域熵值均值tem，相对峰高rph，相对多普勒峰高rdph，相对多普勒向量熵rve，频域熵值二阶矩 sofe，时频脊累积量ri，最大连通区域尺寸ms，连通区域个数nr，时频脊变换域峰值 rrt-mv，时频脊变换域带宽rrt-bw。
6.根据权利要求1所述的基于非线性降维和特征样本距离的海上小目标检测方法，其特征在于，步骤s4中的特征样本距离具体计算包括：
7.根据权利要求1所述的基于非线性降维和特征样本距离的海上小目标检测方法，其特征在于，步骤s4中，凹包目标检测器的构建具体包括：
8.根据权利要求7所述的基于非线性降维和特征样本距离的海上小目标检测方法，其特征在于，步骤s6中，当前特征样本距离之前，将参考单元进行非线性特征降维；
9.根据权利要求1所述的基于非线性降维和特征样本距离的海上小目标检测方法，其特征在于，在步骤s7之前还包括构建多元回归预测模型，具体包括：
10.根据权利要求8所述的基于非线性降维和特征样本距离的海上小目标检测方法，其特征在于，多元回归预测模型中对特征样本的预测计算具体包括：
