[发明专利]基于Fisher判别字典学习的主动声呐目标分类方法

说明书

本发明设计一种基于Fisher判别字典学习的主动声呐目标分类方法，属于主动声呐研究领域。本发明先使用分数阶傅里叶最优阶次域特征，提高了混响抑制能力，再在字典学习的基础上加入了Fisher限制准则对稀疏系数进行限制，从而加强了学习字典的识别性，该分类方法具有抗混响、相似目标判别的能力，是处理混响条件下，尤其是低信混比条件下主动声呐目标分类问题的一种有效方法。

技术领域

本发明设计一种基于Fisher判别字典学习的主动声呐目标分类方法，属于主动声呐研究领域。

背景技术

主动声呐目标分类是利用声呐发射脉冲声信号，根据接收到的回波信号特征，对目标类别和属性作出判决，回波信号是目标类型、距离、方位等的函数，包含了诸如回波展宽、幅度、相位、反射系数、目标尺度、能谱等表征目标的特征信息，因此主动声呐充分利用回波中所携带的这些利于分类识别的、且反映目标本质特性的信息，是目标识别的重要手段和有效方法。而面临的主要问题是其工作在复杂多变的海洋环境中，存在噪声和混响等各种干扰，尤其是近年来，隐身技术日益发展，鱼雷、水雷、水下无人化装备等各种小目标在水下作战和防御中起到越来越重要的作用，使得主动声呐目标的回波信号越来越弱，甚至完全淹没在复杂的海洋环境噪声和各种干扰中，水下目标尤其是弱目标(即本身体积较小或隐身性能较好，对外呈现的声和非声特性较弱的目标)的分类识别面临更加严峻的挑战。传统的主动声呐目标分类方法在复杂的海洋环境中，其干扰不仅来源于噪声，还来源于由海面、海底、其他干扰目标等产生的混响，混响抑制问题一直是主动声呐研究领域的重点问题，而在复杂海洋环境下进行混响抑制和特征识别更是主动声呐研究领域的重中之重。

为了针对混响抑制和相似特征判别两大问题，在稀疏表示分类框架下，采用分数阶傅里叶变换的最优阶次域特征作为初始字典，利用Fisher准则进行稀疏系数限制，提出了基于Fisher判别字典学习的主动声呐目标分类方法，以实现对低信混比主动声呐目标的分类的目的。

发明内容

本发明针对现有技术的不足，提出一种基于Fisher判别字典学习的主动声呐目标分类方法，本发明所提方法先使用分数阶傅里叶最优阶次域特征，提高了混响抑制能力，再在字典学习的基础上加入了Fisher限制准则对稀疏系数进行限制，从而加强了学习字典的识别性，该分类方法具有抗混响、相似目标判别的能力，是处理混响条件下，尤其是低信混比条件下主动声呐目标分类问题的一种有效方法。

本发明包括以下各步骤：

步骤一、最优阶次分数阶傅里叶变换处理带混响的实测数据

对于混响背景下的主动声呐目标回波信号，利用迭代二维峰值搜索法寻找最佳阶数P_i，并在最佳阶数P_i对混响背景下的实测信号进行分数阶傅里叶变换，其中i＝1,2,…,n，n表示回波信号个数，得到每个信号的u域值；

步骤二、建立基于Fisher判别字典学习模型

将经过步骤一处理后的主动声呐训练信号A作为初始学习字典，在Fisher判别准则对于稀疏系数的强限制下，基于Fisher判别字典学习模型，该模型为

J_(D,X)＝argmin_(D,X){r(A,D,X)+λ₁||X||₁+λ₂f(X)} (1)