本發(fā)明屬于水下目標(biāo)檢測(cè)，尤其涉及基于稀疏重構(gòu)與期望最大化聚類(lèi)的多目標(biāo)檢測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、在水下聲納探測(cè)領(lǐng)域，為了有效應(yīng)對(duì)復(fù)雜的海洋環(huán)境和提高目標(biāo)檢測(cè)的準(zhǔn)確性，科學(xué)家們一直在探索更為先進(jìn)的信號(hào)處理技術(shù)。其中，空時(shí)自適應(yīng)檢測(cè)(stad)技術(shù)因其卓越的性能而備受關(guān)注。stad技術(shù)的核心在于它能夠?qū)崿F(xiàn)混響抑制與目標(biāo)檢測(cè)的一體化，相較于傳統(tǒng)的先混響抑制后檢測(cè)的stap方法，stad能更有效地利用觀測(cè)數(shù)據(jù)，從而提供更優(yōu)的檢測(cè)性能。近年來(lái)，stad技術(shù)在運(yùn)動(dòng)聲納領(lǐng)域得到了廣泛的研究與應(yīng)用，特別是在處理高斯分布混響背景下的點(diǎn)目標(biāo)檢測(cè)問(wèn)題上。在這一領(lǐng)域，多種經(jīng)典的檢測(cè)方法如最大似然比檢驗(yàn)(glrt)、自適應(yīng)匹配濾波器和自適應(yīng)相干估計(jì)器等都得到了應(yīng)用。

2、然而，在水下多目標(biāo)檢測(cè)場(chǎng)景中，傳統(tǒng)的stad方法面臨著一些挑戰(zhàn)。首先，在聲納探測(cè)過(guò)程中，當(dāng)多個(gè)目標(biāo)的回波信號(hào)在檢測(cè)窗口內(nèi)重疊時(shí)，聲納難以區(qū)分這些信號(hào)，這使得檢測(cè)的準(zhǔn)確性和可靠性降低。其次，許多現(xiàn)有檢測(cè)算法假設(shè)目標(biāo)回波信號(hào)會(huì)按照特定的波達(dá)角度出現(xiàn)。然而，這種假設(shè)在實(shí)際應(yīng)用中往往不成立，因?yàn)槟繕?biāo)的分布和運(yùn)動(dòng)特性可能非常復(fù)雜和多變。這導(dǎo)致算法無(wú)法準(zhǔn)確估計(jì)多目標(biāo)的波達(dá)角度。

3、現(xiàn)有技術(shù)方案

4、隨著機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘行業(yè)的興起，近年來(lái)機(jī)器學(xué)習(xí)和人工神經(jīng)網(wǎng)絡(luò)算法在目標(biāo)檢測(cè)和識(shí)別領(lǐng)域也逐步得到應(yīng)用。如em算法、稀疏重構(gòu)等方法，被集成到stad中，用于改進(jìn)目標(biāo)分類(lèi)和特征提取。中國(guó)科學(xué)院聲學(xué)研究所團(tuán)隊(duì)利用基于em算法的潛變量模型方法，實(shí)現(xiàn)了在具有不同干擾特性的異構(gòu)環(huán)境中對(duì)多個(gè)點(diǎn)狀目標(biāo)的聯(lián)合干擾分類(lèi)和檢測(cè)。這種方法能夠?qū)?shù)據(jù)中的每個(gè)樣本單元進(jìn)行分類(lèi)，識(shí)別出具有不同干擾特性的區(qū)域，并檢測(cè)可能存在的多個(gè)目標(biāo)，而無(wú)需事先知道目標(biāo)的數(shù)量和位置。然而，該方法存在一定的技術(shù)局限性。特別是，它在處理多目標(biāo)波達(dá)角度估計(jì)時(shí)，依賴(lài)于集群假設(shè)，假設(shè)多個(gè)目標(biāo)的回波角度是相同的。這種假設(shè)忽略了實(shí)際場(chǎng)景中目標(biāo)可能來(lái)自不同方向的復(fù)雜性，限制了算法在估計(jì)每個(gè)獨(dú)立目標(biāo)波達(dá)角度方面的準(zhǔn)確性。

5、現(xiàn)有技術(shù)缺點(diǎn)

6、現(xiàn)有技術(shù)的不足主要表現(xiàn)在對(duì)多目標(biāo)波達(dá)角度的估計(jì)依賴(lài)于集群假設(shè)，忽略了實(shí)際場(chǎng)景中目標(biāo)回波角度的多樣性和獨(dú)立性，這限制了算法的準(zhǔn)確性和適用性。此外，傳統(tǒng)的stad在處理多目標(biāo)檢測(cè)時(shí)，往往依賴(lài)于空域?qū)蚴噶啃畔?，這些信息反映了目標(biāo)信號(hào)在空間上的分布特性。然而，獲取準(zhǔn)確的空域?qū)蚴噶啃畔⒃趯?shí)際應(yīng)用中可能非常困難，尤其是在目標(biāo)數(shù)量多、運(yùn)動(dòng)速度快或環(huán)境噪聲大的情況下。更重要的是，現(xiàn)有技術(shù)難以有效處理多目標(biāo)環(huán)境中的強(qiáng)信號(hào)遮蔽問(wèn)題，這增加了目標(biāo)漏檢的風(fēng)險(xiǎn)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于克服現(xiàn)有技術(shù)缺陷，提出了基于稀疏重構(gòu)與期望最大化聚類(lèi)的多目標(biāo)檢測(cè)方法及系統(tǒng)。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明提出了一種基于稀疏重構(gòu)與期望最大化聚類(lèi)的多目標(biāo)檢測(cè)方法，包括：

3、步驟1)對(duì)探測(cè)區(qū)域內(nèi)線(xiàn)陣接收的回波進(jìn)行預(yù)處理，得到k個(gè)滿(mǎn)足零均值多元復(fù)高斯分布的獨(dú)立樣本矢量；

4、步驟2)對(duì)探測(cè)區(qū)域的空間扇區(qū)實(shí)施均勻等間隔采樣，獲得kθ個(gè)備選角，基于kθ個(gè)備選角，構(gòu)建kθ維空域稀疏矢量，建立獨(dú)立樣本矢量是否存在目標(biāo)的稀疏模型，得到聯(lián)合概率密度函數(shù)；

5、步驟3)采用基于稀疏模型的期望最大化聚類(lèi)的聯(lián)合方法，通過(guò)循環(huán)迭代獲取多目標(biāo)場(chǎng)景中參數(shù)的分類(lèi)與估計(jì)結(jié)果；

6、步驟4)根據(jù)分類(lèi)與估計(jì)結(jié)果得到基于似然比檢驗(yàn)的自適應(yīng)檢測(cè)器，實(shí)現(xiàn)準(zhǔn)確的多目標(biāo)檢測(cè)。

7、優(yōu)選的，所述步驟1)的線(xiàn)陣包括n個(gè)陣元，對(duì)n個(gè)陣元的回波進(jìn)行預(yù)處理后，得到k個(gè)滿(mǎn)足零均值多元復(fù)高斯分布的獨(dú)立樣本矢量其中表示n維復(fù)數(shù)。

8、優(yōu)選的，所述步驟2)的kθ個(gè)備選角為

9、獨(dú)立樣本矢量是否存在目標(biāo)的稀疏模型的建立過(guò)程包括：

10、令表示扇區(qū)內(nèi)kθ個(gè)備選角對(duì)應(yīng)的歸一化導(dǎo)向矢量，表示基于目標(biāo)復(fù)幅值因子的kθ維空域稀疏矢量，上角標(biāo)t表示轉(zhuǎn)置；將獨(dú)立樣本矢量zk表述為以下基于稀疏模型的二元假設(shè)：

11、

12、其中，αk的非零元素對(duì)應(yīng)于k∈ωt區(qū)域，表示區(qū)域內(nèi)存在目標(biāo)回波；在無(wú)目標(biāo)區(qū)域k∈ω\ωt內(nèi)，αk＝0；ω＝{1,…,k}表示樣本矢量zk，k＝1,…,k的下標(biāo)集合，ωt表示不存在目標(biāo)分量的下標(biāo)集合。

13、優(yōu)選的，所述步驟2)的聯(lián)合概率密度函數(shù)為：

14、

15、其中，(zk|iαk；m)為zk的條件概率密度函數(shù)：

16、

17、h(αk；b)為αk基于稀疏調(diào)諧參數(shù)b∈(0,1]的促稀疏先驗(yàn)函數(shù)，表示(.)的共軛轉(zhuǎn)置；m為干擾協(xié)方差矩陣m＝σ2i+r，σ2i表示干擾的噪聲分量，表示混響的協(xié)方差矩陣，mr為托普利茲矩陣，為給定混響噪聲比下的混響能量值。

18、優(yōu)選的，所述步驟3)包括：

19、步驟3-1)引入潛在隨機(jī)變量，基于未知概率分布函數(shù)，得到獨(dú)立樣本矢量的概率密度函數(shù)；

20、步驟3-2)利用jensen不等式獲取h1假設(shè)下回波數(shù)據(jù)矩陣的對(duì)數(shù)聯(lián)合概率密度函數(shù)，得到em算法的e步計(jì)算結(jié)果；

21、步驟3-3)利用最大似然估計(jì)方法求解e步中存在的未知參數(shù)，得到m步估計(jì)結(jié)果。

22、優(yōu)選的，所述步驟3-1)包括：

23、引入潛在隨機(jī)變量ck，k＝1,…,k，對(duì)應(yīng)的未知概率分布函數(shù)為p(ck＝s)＝ps,s＝0,1；

24、應(yīng)用全概率公式將獨(dú)立樣本矢量zk的概率密度函數(shù)f(zk；φk)表示為：

25、f(zk；φk)＝f(zk|ck＝0,0；m)p0+f(zk|ck＝1,αk；m)h(αk；b)p1其中，p0和p1分別表示zk中沒(méi)有目標(biāo)和有目標(biāo)時(shí)的概率，φk＝pk∪{ps:s＝0,1}表示待估計(jì)參數(shù)集合，pk＝{m,αk,b},k∈ωt，pk＝{m},k∈ω\ωt；

26、優(yōu)選的，所述步驟3-2)包括：

27、利用jensen不等式獲取在h1假設(shè)下回波數(shù)據(jù)矩陣的對(duì)數(shù)聯(lián)合概率密度函數(shù)l(z；φ)表示為：

28、

29、式中，qk(s),s＝0,1表示給定zk下ck＝s的后驗(yàn)概率函數(shù)，∑(.)表示累加運(yùn)算，log(.)表示對(duì)數(shù)運(yùn)算；

30、應(yīng)用em算法中的e步優(yōu)化流程，并利用廣義信息準(zhǔn)則添加懲罰項(xiàng)改進(jìn)，第(m-1)次迭代qk(s)表示為：

31、

32、其中，u(s)＝(n2+3s)(1+ρ)/2為懲罰函數(shù)，ρ≥1，(.)(m-1)表示第(m-1)次外循環(huán)迭代后(.)的估計(jì)結(jié)果，表示參數(shù)的估計(jì)值。

33、優(yōu)選的，所述步驟3-3)m步的估計(jì)結(jié)果包括：

34、利用lagrange算子可得到ps,s＝0,1的估計(jì)結(jié)果：

35、

36、設(shè)定第(n-1)次內(nèi)循環(huán)的初始值已知，得到第(m)次em迭代中第(n)次內(nèi)循環(huán)迭代中的結(jié)果為：

37、

38、其中，(.)(m)(n)表示第(m)次外循環(huán)第(n)次內(nèi)循環(huán)迭代后(.)的估計(jì)結(jié)果；

39、基于的結(jié)果，得到與的估計(jì)結(jié)果：

40、

41、其中，

42、

43、選取適當(dāng)?shù)淖畲蟮螖?shù)m＝mmax，n＝nmax直至em迭代結(jié)束，得到em的最終估計(jì)結(jié)果：

44、優(yōu)選的，所述步驟4)似然比檢驗(yàn)的自適應(yīng)檢測(cè)器為：

45、

46、其中，

47、分別表示ps，m，αk，b在h1假設(shè)下的估計(jì)值，為m在h0假設(shè)下的估計(jì)值?！?.)表示累乘運(yùn)算，h0和h1分別代表無(wú)目標(biāo)假設(shè)和有目標(biāo)存在假設(shè)，η表示設(shè)定的檢測(cè)閾值。

48、另一方面，本發(fā)明還提供了一種基于稀疏重構(gòu)與期望最大化聚類(lèi)的多目標(biāo)檢測(cè)系統(tǒng)，包括：

49、預(yù)處理模塊，用于對(duì)探測(cè)區(qū)域內(nèi)線(xiàn)陣接收的回波進(jìn)行預(yù)處理，得到k個(gè)滿(mǎn)足零均值多元復(fù)高斯分布的獨(dú)立樣本矢量；

50、稀疏模型建立模塊，用于對(duì)探測(cè)區(qū)域的空間扇區(qū)實(shí)施均勻等間隔采樣，獲得kθ個(gè)備選角，基于kθ個(gè)備選角，構(gòu)建kθ維空域稀疏矢量，建立獨(dú)立樣本矢量是否存在目標(biāo)的稀疏模型，得到聯(lián)合概率密度函數(shù)；

51、期望最大化聚類(lèi)模塊，用于采用基于稀疏模型的期望最大化聚類(lèi)的聯(lián)合方法，通過(guò)循環(huán)迭代獲取多目標(biāo)場(chǎng)景中參數(shù)的分類(lèi)與估計(jì)結(jié)果；和

52、自適應(yīng)檢測(cè)模塊，用于根據(jù)分類(lèi)與估計(jì)結(jié)果得到基于似然比檢驗(yàn)的自適應(yīng)檢測(cè)器，實(shí)現(xiàn)準(zhǔn)確的多目標(biāo)檢測(cè)。

53、與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)勢(shì)在于：

54、1、該方法摒棄了傳統(tǒng)的集群假設(shè)，不再假設(shè)多目標(biāo)波達(dá)角度一致，而是認(rèn)為它們?cè)诼暭{探測(cè)扇形區(qū)內(nèi)是不同且相互獨(dú)立的。這種模型更符合聲納的實(shí)際應(yīng)用場(chǎng)景，使得聲納的多目標(biāo)檢測(cè)結(jié)果更為可靠；

55、2、本發(fā)明不依賴(lài)于傳統(tǒng)的多目標(biāo)空域?qū)蚴噶啃畔?lái)進(jìn)行波達(dá)角度估計(jì)。這意味著即使在缺乏精確目標(biāo)方向信息的情況下，也能夠有效地進(jìn)行多目標(biāo)檢測(cè)，從而降低了對(duì)先驗(yàn)知識(shí)的依賴(lài)，提高了算法的適用性和靈活性；

56、3、本發(fā)明利用空域稀疏恢復(fù)技術(shù)來(lái)估計(jì)多目標(biāo)的波達(dá)角度。通過(guò)這種方法，可以準(zhǔn)確地從復(fù)雜的聲納信號(hào)中分離并估計(jì)目標(biāo)回波的到達(dá)角度。這一技術(shù)的優(yōu)勢(shì)在于它能夠在不犧牲檢測(cè)性能的前提下，提高算法的計(jì)算效率和角度估計(jì)的準(zhǔn)確性；

57、4、本發(fā)明方法在稀疏恢復(fù)技術(shù)的基礎(chǔ)上結(jié)合em聚類(lèi)算法，實(shí)現(xiàn)了多目標(biāo)的自適應(yīng)檢測(cè)。em算法在這里用于分類(lèi)和識(shí)別接收到的信號(hào)中包含的目標(biāo)回波，而稀疏重構(gòu)技術(shù)則用于估計(jì)這些目標(biāo)的具體波達(dá)角度。這種聯(lián)合算法的設(shè)計(jì)使得檢測(cè)器能夠自動(dòng)適應(yīng)不同的目標(biāo)條件，提高了檢測(cè)的準(zhǔn)確性和可靠性。