一种非均匀背景的贝叶斯分类器的算法和装置

摘要

本申请实施例涉及一种非均匀背景的贝叶斯分类器的算法和装置，应用于水下主动声呐系统，所述算法包括：通过主动声呐系统获得水下待测数据和辅助数据；所述辅助数据数量K大于0；将所述未知协方差矩阵结构的分类建模为二元假设检验问题；所述二元假设检验问题的假设包括Hi，其中i＝0,1，H0为所述未知协方差矩阵为复共轭对称矩阵的情况；H1为所述未知协方差矩阵为实对称矩阵的情况；设定贝叶斯模型，所述贝叶斯模型包括复逆Wishart随机矩阵和实逆Wishart随机矩阵；利用最小错误概率准则求解，获得用于区分所述两种假设的分类器。

说明书

技术领域

本申请实施例涉及水下声学检测领域，具体而言，尤其涉及一种非均匀背景的贝叶斯分类器的算法和装置。

背景技术

在以混响为主要干扰背景的主动声呐目标检测问题中，一般假设待测数据中的背景混响服从均值为零，协方差矩阵为未知正定复共轭对称矩阵的复高斯分布。为了提高主动声呐系统的目标检测能力，实现自适应检测，以及保证恒定虚警概率，对未知的混响协方差矩阵的准确估计具有十分重要的意义。

水下空时自适应目标检测(STAD)假设存在一系列与待测数据具有相同协方差矩阵的辅助数据，用于协方差矩阵估计，在辅助数据量充足时，水下STAD往往可以得到较好的目标检测性能。同时，为了进一步提高检测效率，研究人员通过利用当声呐平台与探测区域无相对运动或相对运动被完全补偿时，混响功率谱密度关于零频对称，协方差矩阵为实对称矩阵这一性质，提出了一系列更为稳健和高效的目标检测方案。

但是，由于主动声呐系统本身存在不确定性，在补偿相对运动时不可避免的误差，会打破协方差矩阵的实对称特性，这一状况将会导致针对这一特殊结构提出的目标检测方案与实际背景不再匹配，从而导致主动声呐目标检测的性能严重恶化。除此之外，在主动声呐的实际应用当中，由于水下环境非常复杂，极有可能出现辅助数据与待测数据的协方差矩阵除结构外不再相同(同为复共轭对称或同为实对称)的恶劣情况，这种情况称作非均匀背景。在非均匀背景下，检测方案与实际背景相匹配对于主动声呐系统来说更为至关重要。

综上所述，主动声呐平台亟需一种非均匀背景下混响分类的方法和装置，能够在非均匀背景下高效地对协方差矩阵结构进行分类，在目标检测前实现对协方差矩阵结构的准确判别，确定背景混响的协方差矩阵是否具有实对称特性，为主动声呐在目标检测当中选择当前背景下的最为合适的检测方案提供依据，实现目标的高效检测。

发明内容

本申请实施例的目的是为了解决主动声呐平台在确定混响协方差矩阵结构时，模型阶数选择(Model Order Selection,MOS)方法应对小样本情况能力不足的问题。

第一方面，本申请实施例提出一种非均匀背景的贝叶斯分类器的算法，应用于水下主动声呐系统，所述算法包括：通过主动声呐系统获得水下待测数据和辅助数据；所述辅助数据数量K大于0；所述辅助数据与所述待测数据具有相同的未知协方差矩阵，所述未知协方差矩阵的维度为N；

将所述未知协方差矩阵结构的分类建模为二元假设检验问题；所述二元假设检验问题的假设为H

作为一个可以实现的实施方式，所述将所述未知协方差矩阵结构的分类建模为二元假设检验问题，包括：设定获得一系列均值为0的复高斯随机矢量，所述复高斯随机矢量为

作为一个可以实现的实施方式，所述根据所述二元假设检验问题设定贝叶斯模型，包括：在H

在H

其中M

作为一个可以实现的实施方式，所述根据所述二元假设检验问题设定贝叶斯模型，包括：确定Hi假设成立时Mik的条件概率密度函数p(Mik|Hi)；根据所述M

其中Σ

p(H

其中p(H

作为一个可以实现的实施方式，所述利用最小错误概率准则求解所述二元假设检验问题，获得非均匀背景的贝叶斯分类器，包括：利用最小错误概率准则的判决式求解二元假设检验问题；其中所述最小错误概率准则为：

其中，p(z

其中

作为一个可以实现的实施方式，所述非均匀背景下协方差矩阵结构分类器为：

其中：

第二方面，本申请实施例提出一种非均匀背景的贝叶斯分类器的装置，应用于水下主动声呐系统，所述装置包括：数据获取单元，用于通过主动声呐系统获得水下待测数据和辅助数据；所述辅助数据数量K大于0；所述辅助数据与所述待测数据具有相同的未知协方差矩阵，所述未知协方差矩阵的维度为N；二元假设单元，用于将所述未知协方差矩阵结构的分类建模为二元假设检验问题；所述二元假设检验问题的假设为H

第三方面，本申请实施例提出一种电子设备，包括：至少一个存储器，用于存储程序；和至少一个处理器，用于执行所述存储器存储的程序，当所述存储器存储的程序被执行时，所述处理器用于执行上述第一方面任一项所述的方法。

第四方面，本申请实施例提出一种存储介质，所述存储介质中存储有指令，当所述指令在终端上运行时，使得第一终端执行上述第一方面任一向所述的方法。

与现有MOS方法相比，在极为复杂的水下环境导致的辅助数据不足，MOS方法无法正常工作的情况下，本申请实施例提出的非均匀背景的贝叶斯分类器的算法不但可以正常工作，还可以保证极其优异的分类性能，准确判断混响的协方差矩阵所具有的结构，为主动声呐系统目标检测最优方案的选取提供十分可靠的依据。

本申请实施例提出的非均匀背景的贝叶斯分类器的算法引入了贝叶斯理论，将辅助数据的未知协方差矩阵建模为独立分布的复逆Wishart或实逆Wishart随机矩阵，同时采用最小错误概率准则来对分类问题进行求解。所提方法在辅助数据量小于数据维度的情况下不仅可以正常工作，还可以保证优异的分类性能。

本申请实施例提出的非均匀背景的贝叶斯分类器的算法在非均匀背景下提出一种基于贝叶斯的混响协方差矩阵结构分类算法，有效提高主动声呐平台在辅助数据不足的情况下对混响协方差矩阵结构的识别能力，能够为选择最合适的目标检测放方案、进一步提高目标检测性能提供更加可靠的依据。

本申请实施例提出的非均匀背景的贝叶斯分类器的算法将混响协方差矩阵结构的分类建模为一个二元假设检验问题，并通过最小错误概率准则求解。

本申请实施例提出的非均匀背景的贝叶斯分类器的算法将数据的未知协方差矩阵建模为随机矩阵，假设非均匀背景下数据的协方差矩阵独立同分布，且在复共轭对称假设下均服从复逆Wishart分布，在实对称假设下均服从实逆Wishart分布。

本申请实施例提出的非均匀背景的贝叶斯分类器的算法弥补了现有技术在辅助数据量较小的情况下无法工作的问题，在K＜N的情况下不仅可以正常工作，还可以保证极为优越的性能。

附图说明

为了更清楚地说明本说明书披露的多个实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书披露的多个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本申请实施例提出的非均匀背景的贝叶斯分类器的算法的流程图；

图2为本申请实施例中H

图3为为本申请实施例中H

图4为本申请实施例提出的非均匀背景的贝叶斯分类器的装置示意图；

图5为本申请实施例提出的电子设备示意图。

具体实施方式

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

在以下的描述中，所涉及的术语“第一\第二\第三等”或模块A、模块B、模块C等，仅用于区别类似的对象，不代表针对对象的特定排序，可以理解地，在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。

在以下的描述中，所涉及的表示步骤的标号，如S110、S120……等，并不表示一定会按此步骤执行，在允许的情况下可以互换前后步骤的顺序，或同时执行。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

下面描述与本申请实施例最相近的实现方案。

现有的协方差矩阵结构的分类技术主要采用模型阶数选择(Model OrderSelection,MOS)方法，在非均匀背景下，MOS方法通过辅助数据来对协方差矩阵结构进行分类。MOS方法利用了不同模型下未知数数量不同的特点，通过惩罚似然函数来判定协方差矩阵结构所属的具体模型。该方法在辅助数据量较为充足的情况下具有良好的性能，且可根据计算量与性能的需要选定不同的准则。

在主动声呐的实际应用过程当中，由于水下环境复杂多变，与待测数据具有相同协方差矩阵结构的辅助数据的数量甚至也难以得到保证，而MOS方法在辅助数据量较小的情况下性能下降十分严重。更为重要的是，MOS方法在辅助数据数量小于数据维度的情况下完全无法工作，这一点更严重制约了该方法在水下环境当中的应用。综上所述，现有技术在小样本情况下难以保证高效的协方差矩阵结构分类，更无法为主动声呐目标检测方案的选择提供可靠的信息。

下面通过附图和实施例，对本申请的技术方案做进一步的详细描述。

本申请实施例提出一种非均匀背景的贝叶斯分类器的算法，基于贝叶斯理论，通过主动声呐系统获得水下待测数据和辅助数据；辅助数据数量K大于0；辅助数据与待测数据具有相同的未知协方差矩阵，未知协方差矩阵的维度为N；将未知协方差矩阵结构的分类建模为二元假设检验问题；二元假设检验问题的假设为Hi，其中i＝0,1，H0为未知协方差矩阵为复共轭对称矩阵的情况；H

图1为本申请实施例提出的非均匀背景的贝叶斯分类器的算法的流程图。如图1所示，本申请实施例提出的非均匀背景贝叶斯分类器的算法通过以下步骤S1-S4实现。

S1,通过主动声呐系统获得水下待测数据和辅助数据。

在一个实施例中，通过主动声呐系统获得水下待测数据和辅助数据；其中辅助数据数量K大于0；辅助数据与待测数据具有相同的未知协方差矩阵，该未知协方差矩阵的维度为N。

在一个实施例中，假设在非均匀背景下，主动声呐系统接收数据为一系列均值为0的复高斯随机矢量，用

S2,将未知协方差矩阵结构的分类建模为二元假设检验问题；二元假设检验问题的假设为H

在一个实施例中，当主动声呐平台与探测区域无相对运动或相对运动可以被完全补偿时，M

S3,根据二元假设检验问题设定贝叶斯模型，贝叶斯模型包括复逆Wishart随机矩阵和实逆Wishart随机矩阵。

在一个实施例中，为了对进行求解，引入贝叶斯理论，假设M

将上述模型表示为：

在一个实施例中，步骤S3可以通过以下步骤S31-S35实现。

S31，确定H

在一个实施例中，已知H

其中det(·)为矩阵行列式，Tr(·)为矩阵的迹，且：

式(4)和式(5)中I

S32，根据M

其中Σ

S33，根据尺度函数Σ

示例性地，由式(6)得，H

S34，根据M

在一个实施例中，令p(H

S35，根据上述参数构建二元假设检验问题的分类器的贝叶斯模型。

S4,利用最小错误概率准则求解二元假设检验问题，获得非均匀背景的贝叶斯分类器。

在一个实施例中，步骤S4通过以下步骤S41-S42实现。

S41，利用最小错误概率准则的判决式求解二元假设检验问题；根据上述二元假设检验的贝叶斯模型，利用如下最小错误概率准则的判决式求解二元假设检验(1)：

其中p(z

S42，辅助数据z

在一个实施例中，步骤S42通过以下步骤S421-S424实现。

S421，对式(7)进行如下等价变换：

式(8)为最小错误概率准则的等价形式。由全概率公式可知，式(8)中：

其中，Ω

S422，由贝叶斯公式，式(9)中被积函数p(z

式(10)中使用了结果p(H

同时，由于数据服从独立分布假设，且p(H

其中p(z

S423，当关于H

S424，确定数据条件概率密度函数。

当H

其中

S5,获得非均匀背景下协方差矩阵结构分类器。

根据上一实施例，将式(2)(3)(13)代入(12)可得：

以及

由以上结果可得，非均匀背景下基于贝叶斯的协方差矩阵结构分类器的最终形式为：

在以下性能分析当中，本申请实施例提出的分类算法，即式，被称作非均匀背景贝叶斯分类器(bayesian classifier for heterogeneous environment,BCHE)，AIC、AICc、GIC4分别代表MOS方法中采用Akaike信息准则、校正Akaike信息准则、扩展信息准则(参数为4)的分类算法。其他参数设置如下：N＝12，ν＝12，ρ

图2为本申请实施例中H

由图2和图3可以直观地看出，无论是在H

综上所述，本申请实施例提出的非均匀背景的贝叶斯分类器的算法可以在辅助数据量极小的情况下保证优异的分类性能，而各种基于MOS的方法不仅无法在K＜N的情况下工作，在K≥N时的性能较BCHE也为劣。

与现有MOS方法相比，在极为复杂的水下环境导致的辅助数据不足，MOS方法无法正常工作的情况下，本申请实施例提出的基于贝叶斯的分类方法不但可以正常工作，还可以保证极其优异的分类性能，准确判断混响的协方差矩阵所具有的结构，为主动声呐系统目标检测最优方案的选取提供十分可靠的依据。

本申请实施例提出的非均匀背景的贝叶斯分类器的算法引入了贝叶斯理论，将辅助数据的未知协方差矩阵建模为独立分布的复逆Wishart或实逆Wishart随机矩阵，同时采用最小错误概率准则来对分类问题进行求解。所提方法在辅助数据量小于数据维度的情况下不仅可以正常工作，还可以保证优异的分类性能。

本申请实施例提出的非均匀背景的贝叶斯分类器的算法在非均匀背景下提出一种基于贝叶斯的混响协方差矩阵结构分类算法，有效提高主动声呐平台在辅助数据不足的情况下对混响协方差矩阵结构的识别能力，能够为选择最合适的目标检测放方案、进一步提高目标检测性能提供更加可靠的依据。

本申请实施例提出的非均匀背景的贝叶斯分类器的算法将混响协方差矩阵结构的分类建模为一个二元假设检验问题，并通过最小错误概率准则求解。

本申请实施例提出的非均匀背景的贝叶斯分类器的算法将数据的未知协方差矩阵建模为随机矩阵，假设非均匀背景下数据的协方差矩阵独立同分布，且在复共轭对称假设下均服从复逆Wishart分布，在实对称假设下均服从实逆Wishart分布。

本申请实施例提出的非均匀背景的贝叶斯分类器的算法弥补了现有技术在辅助数据量较小的情况下无法工作的问题，在K＜N的情况下不仅可以正常工作，还可以保证极为优越的性能。

图4为本申请的实施例提供的非均匀背景的贝叶斯分类器的装置示意图。该装置应用于水下主动声呐系统，如图4所示，在该装置中，数据获取单元41通过主动声呐系统获得水下待测数据和辅助数据；辅助数据数量K大于0；辅助数据与待测数据具有相同的未知协方差矩阵，未知协方差矩阵的维度为N；二元假设单元42将未知协方差矩阵结构的分类建模为二元假设检验问题；二元假设检验问题的假设为H

图5为本申请的实施例提供的电子设备示意图。如图5所示，包括：至少一个存储器1102，用于存储程序；和至少一个处理器1101，用于执行存储器存储的程序，当存储器存储1102的程序被执行时，处理器1101用于执行上述任一实施例的方法。

本申请实施例提出一种存储介质，所述存储介质中存储有指令，当所述指令在终端上运行时，使得第一终端执行上述任一实施例所述的方法。

本领域普通技术人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执轨道，取决于技术方案的特定应用和设计约束条件。本领域普通技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执轨道的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上所述的具体实施方式，对本申请实施例的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本申请实施例的具体实施方式而已，并不用于限定本申请实施例的保护范围，凡在本申请实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请实施例的保护范围之内。