一种基于舰载高频率短波雷达（HFSWR）中时频特征异常的海杂波中船舶目标的两阶段检测方法

《Ocean Engineering》：A two-stage detection method for vessel targets in sea clutter based on time-frequency feature anomalies in shipborne HFSWR

针对船载高频表面波雷达（HFSWR）中平台运动引起的海杂波干扰和目标信号扩散问题，本文提出一种基于时频分析的两阶段异常检测方法。通过信号分解与重构提取时频脊线（TFR）差异特征，结合图像特征和手工特征构建一阶分类网络（OCCN），显著提升目标检测精度。实验验证了该方法在仿真和真实数据上的有效性。

　　在海洋监测领域，高频率地表波雷达（HFSWR）是一种重要的技术手段，广泛用于大规模、连续的海上预警和监控。然而，HFSWR在舰载平台上的应用面临一些挑战，特别是由于平台的运动导致的海杂波扩展和目标回波变宽，这使得目标检测变得更加复杂。传统的方法主要依赖于对雷达回波信号进行快速傅里叶变换（FFT）并生成距离-多普勒（RD）谱，这种方法在目标的信号对杂波的对比度（SCR）较高时效果较好，但在低SCR情况下，目标容易被海杂波掩盖，难以检测。因此，针对这一问题，本文提出了一种基于时频分析（TF）和信号分解与重构的两阶段目标异常检测方法，以提升HFSWR在海杂波区域的目标识别能力。

HFSWR的主要优势在于其灵活部署和较大的探测范围，相较于岸基系统，它在特定海域的探测任务中更具实用性。然而，由于海面的强反射，海杂波往往与目标特征在RD谱中重叠，使得仅依靠RD谱信息进行目标检测存在困难。为了解决这一问题，本文引入了TF表示，这种表示方法能够捕捉信号成分的时间演变特征，更适合处理随时间变化的信号。同时，结合信号分解与重构技术，提取出独特的时频脊（TFR）差异特征，以区分有无目标的海杂波。

在海杂波与目标共存的情况下，目标可能会与海杂波的频率范围重叠，这使得目标检测变得困难。为了克服这一问题，本文提出了一种两阶段的方法。第一阶段通过估算海杂波的频率范围，构建基于图像特征（IF）的一类分类网络（OCCN），用于识别具有显著目标异常的TFR。第二阶段则对剩余的模糊TFR进行分解与重构，生成更具区分性的次级TFR，再通过手工提取的特征（HF）构建HF-OCCN，以识别由目标引起异常。

通过模拟和真实数据的验证，本文提出的方法显著提升了目标检测的准确性。实验结果显示，相比于传统的CFAR方法和SA-CNN方法，本文的方法在海杂波区域的目标检测中表现更优，尤其是在目标信号对海杂波的对比度较低的情况下，能够有效识别目标。此外，本文还通过t-SNE可视化方法对两种输入特征进行了分析，结果显示这些特征在区分目标与海杂波方面具有良好的效果。

在第一阶段中，通过TF分析技术提取出的TFR能够反映海杂波的结构特征，而通过信号分解与重构方法提取出的次级TFR则能更好地突出目标的特征。在真实数据的实验中，海杂波的TFR在没有目标时表现出较强的频率集中，而在有目标时则表现出更大的频率扩散。通过分析这些差异，本文提出的方法能够有效识别出目标。

此外，本文还探讨了不同检测方法在不同条件下的性能表现。在舰载平台锚定的条件下，海杂波的频率范围相对稳定，因此，基于TFR图像的方法在检测性能上表现良好。然而，在正常航行条件下，海杂波的频率范围更加广泛，这使得基于RD谱的方法检测性能下降。相比之下，本文提出的方法通过两阶段处理，能够有效提升检测性能。

通过实验验证，本文提出的方法在模拟和真实数据集上均表现出良好的检测性能。具体来说，它在目标信号对海杂波的对比度较低的情况下，能够有效识别目标，而在目标信号对海杂波的对比度较高时，也能准确检测。同时，本文提出的方法在减少误报率和漏报率方面也表现出色，相较于传统方法，具有更高的检测准确性和更低的误报率。

总的来说，本文提出的方法通过两阶段处理，结合TF分析和信号分解与重构技术，能够有效识别海杂波区域的目标。通过模拟和真实数据的验证，该方法在目标检测的准确性和鲁棒性方面表现出色，为HFSWR在复杂海杂波环境下的应用提供了新的思路和解决方案。未来的研究可以进一步优化模型的参数，提升检测效率，同时考虑更复杂的海杂波和目标相互作用的情况，以提高目标检测的准确性。