系统工程与电子技术

作者：缪燕子, 赵志非, 吴巍*()

单位：1. 中国矿业大学信息与控制工程学院，江苏 徐州 221116；2. 海军工程大学兵器工程学院，湖北 武汉 430033

关键词：海面小目标检测,代价敏感学习,不平衡数据集

基金：国家自然科学基金（62473370）资助课题

针对海面小目标检测中特征提取能力弱、样本不平衡的难题，提出基于代价敏感学习的深度信念网络（deep belief network，DBN）与极端梯度提升（extreme gradient boosting，XGBoost）融合检测模型。通过DBN自动提取雷达回波深层特征，克服人工特征选择的主观性. 结合XGBoost分类器引入代价敏感矩阵，缓解海杂波与目标回波的数据不平衡。基于IPIX （Ice Multiparameter Imaging X-Band Radar）1993雷达数据集的测试表明，在0.512 s观测时间与0.001虚警率下，检测率较三特征检测器提升56%；在1.024 s观测时间条件下检测率达0.875，优于Hurst指数检测器、三特征检测器及快速自适应聚类梯度提升树方法。通过理论推导实现虚警率自适应控制机制，突破固定阈值限制。研究证明深度特征学习与代价敏感算法的协同优势，为海洋监测系统提供更优解决方案。

来源：2026年第2期

《系统工程与电子技术》期刊编辑部

查看系统工程与电子技术杂志2026年第2期