CN109239669B - 一种基于深度学习的自进化雷达目标检测算法 - Google Patents

Abstract

一种基于深度学习的自进化雷达目标检测算法，涉及雷达信号处理。雷达数据的特征处理；雷达目标检测基础模型设计；双视图协同训练算法应用于模型自进化。采用深度学习方法实现了雷达目标检测，同时通过所提出的协同训练双视图算法实现雷达目标检测模型能力的自进化。建立在深度学习与机器学习的基础上，可提升雷达识别能力，实用性强，可移植性强，充分利用雷达数据流实现检测能力的可靠提升，能够实现减小人力损耗的半监督学习的需求。

Description

一种基于深度学习的自进化雷达目标检测算法

技术领域

本发明涉及雷达信号处理，尤其是涉及一种基于深度学习的自进化雷达目标检测算法。

背景技术

雷达目标检测技术作为雷达领域的核心技术，不管在军事领域还是在民用领域都有着非常重要的意义，因此一直都备受科研工作者的重视。传统的雷达目标检测都是采用滤波和跟踪的方法，在低信噪比情况下会有较为严重的虚警和漏检现象。同时，传统的雷达目标检测技术还需要人为根据雷达信号特征去设计滤波器，花费较大的人工损耗。

深度学习具有强大的非线性特征表达能力，可以通过大量数据自动化抽取其中的关键特征，并且在各类识别任务中，深度学习算法优于传统算法的性能，因此，可以将深度学习应用于雷达目标检测中。此外，由于受到天气、雷达硬件老化等因素的影响，雷达数据会随着时间的改变发生一些变化，初始训练的深度学习模型可能会不适用于后续的数据，因此需要使用新的数据不断训练模型，使模型随着数据变化而不断进化。模型的进化需要大量有标签样本数据参与模型训练，虽然雷达数据容易获取，但是需要专家进行人工标注，代价非常大，有效利用这些大量的无标签样本提高目标检测能力，实现分类器模型的自进化显得非常重要。

雷达目标检测技术研究对于提升雷达目标检测效果，保证雷达可靠性及鲁棒性具有重大意义，具有广阔的应用前景及深刻地社会价值。

发明内容

本发明的目的在于提供可提升雷达识别能力，充分利用雷达数据流实现检测能力的可靠提升，减少人力损耗的一种基于深度学习的自进化雷达目标检测算法。

本发明包括以下步骤：

1)雷达数据的特征处理；

2)雷达目标检测基础模型设计；

3)双视图协同训练算法应用于模型自进化。

在步骤1)中，所述雷达数据的特征处理的具体步骤如下：

第一步：为了利于深度学习进行准确的特征学习，对采集到的雷达数据进行特征处理，分别加入空间特征、时间特征以及运动特征；首先以待检测点为中心从周围背景信息中取一个3×3大小的区域，将该区域内所有信息组成一个区域信息集合，同时，联合背景信息计算检测点中心区域的相关指标，所述相关指标包括波动值、SNR值及幅度值；

第二步：为了更利于深度模型学习，将深度学习所要学习的内容由雷达检测数据的待检测点形式转换为待检测路径形式，即考虑时间特征，具体操作是以待检测点为路径尾端，在上一雷达检测周期中寻找一定距离内的待检测点，由三个相邻周期的相邻待检测点组成一条路径，再加上速度与加速的运动特征；

第三步：为了解决奇异点以及降低强度敏感性对深度学习模型学习带来的负面影响，对由第一步计算所得的雷达数据特征值进行奇异点剔除以及min-max归一化，

min-max归一化为：

通过对原始数据的线性变换，使数据映射到[0～1]之间。由于样本数据中每个维度代表不同的特征，而且特征间的数量级差别较大，归一化方式采用每个特征独立归一化，而不是特征间统一归一化。

在步骤2)中，所述雷达目标检测基础模型设计的具体方法如下：

第一步：为了充分利用雷达数据流中海量的无标签样本，采用深度置信网络(DBN)作为深度学习模型，因为深度置信网络模型可以利用无标签数据进行对模型初始参数的预训练，同时，DBN作为生成模型，可以对样本比例不均衡的数据分布也进行合理的建模，符合雷达数据正负样本不均衡的特点，其中包含一个输入层、两个隐藏层以及一个输出层，所述输入层大小为路径单元特征数，所述两个隐藏层大小分别为160，200，代表这一层特征图的维度，所述输出层大小为分类的种类数目；

第二步：在DBN训练过程中，对网络模型增加dropout优化，dropout即在训练阶段，随机的按照一定的比例关闭一些神经元，而在测试阶段使用全部神经元测试，这样做的目的是让模型只利用到一部分特征的条件下仍然能做出正确的判断，最后测试阶段相当于多个模型的融合，增加了模型的鲁棒性，此外，该模型在使用随机梯度下降的过程中，增加动量项，避免模型陷入局部极小值。

在步骤3)中，所述双视图协同训练算法应用于模型自进化的具体方法如下：

第一步：为了解决传统自进化过程中容易陷入过拟合困境的问题，选择双视图协同训练的方法，首先是在数据预处理阶段进行不同视图处理，第一个视图是单个原始数据的信息，包括数据的信噪比、各滤波器幅值等信息，第二个视图是步骤1)中所得到的雷达目标的运动路径信息，以此达到对相同数据的不同特征处理，即不同的数据处理方式会把数据映射到不同的空间分布从而具有不同的区分特征；

第二步：为了实现雷达目标检测模型识别能力的提升，需要扩大训练集数据规模以增强模型识别能力，采用的方法是当不同学习器视图的雷达目标检测模型在判断一定数量的雷达数据后，根据模型判断给出的分类置信度，通过价值函数计算公式从中选择一定数量的可靠雷达数据样本添加到对方的训练集中；

第三步：利用第二步得到的新的训练集重新微调训练深度学习模型。

本发明采用深度学习方法实现了雷达目标检测，同时通过所提出的协同训练双视图算法实现雷达目标检测模型能力的自进化。本发明建立在深度学习与机器学习的基础上，本发明可提升雷达识别能力，实用性强，可移植性强，充分利用雷达数据流实现检测能力的可靠提升，能够实现减小人力损耗的半监督学习的需求。

附图说明

图1为基于DBN的雷达目标检测算法模型结构图。

图2为双视图协同训练算法框图。

图3为样本关联过程示意图。

图4为0709目标检测率-杂波抑制率走势图。

图5为0709目标检测效果图。

图6为0710目标检测率-杂波抑制率走势图。

图7为0710目标检测效果图。

图8为0711目标检测率-杂波抑制率走势图。

图9为0711目标检测效果图。

图10为表1对应折线图。

图11为表2对应折线图。

图12为表3对应折线图。

图13为表4对应折线。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明对本发明实施方式作进一步地详细描述：

本发明包括以下步骤：

1)雷达数据的特征处理，具体步骤如下：

第一步：为了利于深度学习进行准确的特征学习，对采集到的雷达数据进行特征处理，分别加入空间特征、时间特征以及运动特征；首先以待检测点为中心从周围背景信息中取一个3×3大小的区域，将该区域内所有信息组成一个区域信息集合，同时，联合背景信息计算检测点中心区域的相关指标，所述相关指标包括波动值、SNR值及幅度值；

第二步：为了更利于深度模型学习，将深度学习所要学习的内容由雷达检测数据的待检测点形式转换为待检测路径形式，即考虑时间特征，具体操作是以待检测点为路径尾端，在上一雷达检测周期中寻找一定距离内的待检测点，由三个相邻周期的相邻待检测点组成一条路径，再加上速度与加速的运动特征；

第三步：为了解决奇异点以及降低强度敏感性对深度学习模型学习带来的负面影响，对由第一步计算所得的雷达数据特征值进行奇异点剔除以及min-max归一化，

min-max归一化为：

通过对原始数据的线性变换，使数据映射到[0～1]之间。由于样本数据中每个维度代表不同的特征，而且特征间的数量级差别较大，归一化方式采用每个特征独立归一化，而不是特征间统一归一化。

2)雷达目标检测基础模型设计，具体步骤如下：

第一步：为了充分利用雷达数据流中海量的无标签样本，采用深度置信网络(DBN)作为深度学习模型，因为深度置信网络模型可以利用无标签数据进行对模型初始参数的预训练，同时，DBN作为生成模型，可以对样本比例不均衡的数据分布也进行合理的建模，符合雷达数据正负样本不均衡的特点，所构建的深度置信网络如图1所示，其中包含一个输入层，两个隐藏层以及一个输出层。其中输入层大小为路径单元特征数，两个隐藏层大小分别为160，200，代表这一层特征图的维度，输出层大小为分类的种类数目。

第二步：在DBN训练过程中，对网络模型增加了dropout优化，dropout即在训练阶段，随机的按照一定的比例关闭一些神经元，而在测试阶段使用全部神经元测试，这样做的目的是让模型只利用到一部分特征的条件下仍然能做出正确的判断，最后测试阶段相当于多个模型的融合，增加了模型的鲁棒性。此外，本模型在使用随机梯度下降的过程中，增加了动量项，避免模型陷入局部极小值。

3)双视图协同训练算法应用于模型自进化，具体步骤如下：

第一步：为了解决传统自进化过程中容易陷入过拟合困境的问题，选择双视图协同训练的方法。双视图协同训练方法示意图如图2所示，首先是在数据预处理阶段进行不同视图处理，第一个视图是单个原始数据的信息，包括数据的信噪比、各滤波器幅值等信息，第二个视图是步骤A中所得到的雷达目标的运动路径信息，以此达到对相同数据的不同特征处理，即不同的数据处理方式会把数据映射到不同的空间分布从而具有不同的区分特征。

第二步：为了实现雷达目标检测模型识别能力的提升，需要扩大训练集数据规模以增强模型识别能力。本发明采用的方法是当不同学习器视图的雷达目标检测模型在判断了一定数量的雷达数据后，根据模型判断给出的分类置信度，通过价值函数计算公式从中选择一定数量的可靠雷达数据样本添加到对方的训练集中。

第三步：利用第二步得到的新的训练集重新微调训练深度学习模型。

以下给出具体实施例。

(一)雷达数据的特征处理方法

这里详细讲解雷达数据的特征处理方法中如何将雷达检测数据由待检测点形式转换为待检测路径形式，加入运动信息，分为四步：

第一步：首先是在待检测雷达目标点周边一定范围区域内进行点的关联形成轨迹，本发明中判断相临周期的目标点是否可以关联的标准是两个目标点之间的欧氏距离是否小于某一阈值。由于本发明使用的雷达数据包含各种类型的飞行器，速度差异比较大，所以对目标相邻周期之间的间距进行了统计，最终取得的门限值3400m可以包含到96％的目标值，因此本发明采用的欧氏距离阈值为3400m。

第二步：轨迹长度的选择。随着采用样本周期个数的增长，可以利用的样本之间的时间相关性更强，但是样本的数量也会呈现出爆炸式的几何增长。实时性对判别系统依然是一个很大的挑战，太少的周期所包含的样本的特征不够丰富，所以经过实验及反复论证，决定采用三个周期的样本点来构建系统的输入样本，这样既能够保证样本特征的丰富程度，也不会出现样本不足，样本的关联过程如图3所示。

第三步：由于本发明算法处理的未知点是经过MTD，CFAR和凝聚之后的点，那么就存在一定的漏检概率，会丢失掉一部分的目标点，若在第二周期内没有搜索到目标点，则跳过当前周期扩大搜索范围到6800m直接去第一个周期寻找，找到之后说明之前周期很可能是因为在预处理的时候漏检了，只需要将第二个周期的点的特征置成零，然后位置信息根据第三个周期和第一个周期的点来计算得出。

第四步：特征处理后的样本标签构造：对未知目标点的判断是通过对轨迹信息的类别来判断的，连续三个周期的样本点可以组成一条轨迹，每一个点的类别为y＝1(正样本)或者y＝0(负样本)，如果第N周期样本点的标签为y_N，第N-1周期的样本点的标签为y_N-1，第N-2周期样本点的标签为y_N-2，那么这一条轨迹的标签为:y＝y_N*4+y_N-1*2+y_N-2*1，并且有y∈[0,7]，若轨迹的类别大于等于4，即当前周期的样本点是正样本，反之，若轨迹的类别小于4，则当前周期的样本点为负样本，同时一般情况下一个样本点会同时参与形成多条的轨迹，同时判断多条轨迹的类别，根据这些条轨迹的类别来综合判断当前点的轨迹，本发明中采用加权平均的方式。

(二)双视图协同训练算法应用于自进化

第一步：首先对有标签的雷达数据集，称为基础数据U，进行单周期特征处理以及多周期特征处理，生成两个不同的数据集，然后分别用这两个数据集去训练两个DBN模型，分别得到一个单周期基础模型MS1以及多周期基础模型MT1。然后新的无标签测试数据也通过上述单周期特征处理和多周期处理方式得到两个无标签数据集，将这两个无标签数据集分别送进两个分类器模型MS1和MT1中进行分类，确定每个测试样本是杂波还是目标，并且同时获得一个价值评分，得到标注好并且有价值打分的数据集LT1和LS1，其中LT1是由MS1生成的，LS1是由MT1生成的。

第二步：在测试一定数量样本之后，分别按照自己的结果对测试样本进行置信度排序，然后互为对方选择高价值样本集与之前的基础数据进行组合形成新的数据集，组合方式是删去基础有标签数据集开头部分数据，然后将新数据集置于数据集尾部，依次形成新的数据集。之所以采用这种方式，本发明的出发点是雷达模型是具有时间关联性的，舍去了最开始阶段的数据，保留现阶段数据可以使模型具有最新的实时性，对当前天气环境的比较好的适应性。数据组合完成后，通过新的数据集更新微调各自的模型，由此实现迭代进化，实现所要的效果。

第三步：重复第二步，不断更新模型。由于三周期模型的准确率比单周期的准确率高，因此单周期模型只是用来辅助三周期模型进化的，最后判断结果所采用的模型是三周期模型。

(三)双视图协同训练中的标签引导

在双视图协同训练进化算法中，两个不同视图特征训练出来的分类器模型分别为对方标注标签，然后用于后续的进化训练。如果进化过程中完全依赖于对方分类器标注的标签，那么会出现的一个问题就是：如果对方分类器对某一些样本的分类能力有限，那么标签也就会有一部分是错的，这些标签会错误的引导模型训练，退化分类器性能，针对这个问题，本发明增加了标签引导方案，希望能够利用自身的分类器引导对方分类器标注标签。

标签引导方案的具体做法如下：设定双视图协同训练自进化模型中的两个分类器模型分别为A和B，那么再进化过程中，A分类器模型为B标注并选择标签用于进化，B分类器模型为A选择并标注标签。标签引导方案中，A分类器模型为B标注标签时，本发明用B分类器模型输出概率来修正A分类器标注的标签。最终定义的模型训练时用的损失函数如下：

t∈{0,1}^l,∑_kt_k＝1 (3)

公式(2)中，L就是深度学习模型训练时用到的损失函数，t_k是带噪声的标签，即本发明中的A分类器标注的标签，如果样本总共有1个类别，那么k的取值范围是从1到l，t_k的取值范围为0或者1，如果A分类器将样本分类为0，那么t₀的值为1，t₁的值为0。q_k是分类器模型B对样本分类为类别k的概率，β控制带噪声标签和模型预测值在预测目标中的比重。

通过上述公式，本发明使模型自进化过程中，不仅仅依赖于对方分类器标注的标签，可以将两个分类器的标签相结合来指导模型训练，一定程度上增加了样本标签的容错能力。

本发明的实验所用数据为某16通道的机械扫描多普勒雷达上采集的数据，采集到的数据经过一系列雷达数据处理方法，得到最终用于训练深度学习模型的数据集。经过处理之后的一个周期内的样本点大约为200个左右，正负样本比例大约为1︰10左右，即大部分数据都是杂波，少部分数据是飞行目标。实验所用雷达数据集为7月9日到7月11日连续三天在同一部雷达上同一个地点采集到的数据。其中0709采集了63个周期的数据，0710采集了58个周期的数据，0711采集了48个周期的数据。

本发明在雷达目标检测中采用的评测指标主要有两个，一个是目标检测的准确率，一个是雷达杂波的抑制率，目标检测率即检测出来的目标占实际全部目标的比例，杂波的抑制率为检测出来的杂波占实际全部杂波的比例。在模型自进化过程中，本发明的评价指标是在目标检测率为95％的条件下，杂波抑制率是否会随着模型的进化而提高。除了上述客观的评价方法外，本发明还采用了主观评价方法，通过目标检测算法前后目标和杂波样本分布对比图直观来看目标检测效果。

基于DBN的雷达目标检测模型的效果如图4～9示，本实验将DBN模型效果和DNN模型效果做了对比：图4为0710和0711数据集用于模型训练，0709数据集用于测试时的检测率-杂波抑制率走势图，图中横坐标为目标的检测率，纵坐标为杂波的抑制率，菱形标记折线为DBN的检测率-杂波抑制率曲线，方形标记折线为DNN的检测率-杂波抑制率曲线。图5为0710和0711数据集用于DBN模型训练，0709数据集用于测试时的目标检测直观效果图，图中圆圈为测试集中的目标点，方块为测试集中的杂波点，加号为模型检测出来的目标点，也就是说，有加号的圆圈表示目标判断准确，有加号的方块说明将杂波点判断成了目标点，只有方块的说明算法已经正确的将其识别成了杂波。图6和7是0709和0711数据集用于DBN模型训练，0710数据集用于测试时的结果图。图8和9是0710和0711数据集用于DBN模型训练，0709数据集用于测试时的结果图。

由上述实验结果可以得知，DBN的雷达目标检测效果要好于DNN，主要是因为DBN的预训练提供了良好的初始分布。

双视图协同训练实验结果是以目标检测正确率为95％时的抑制率效果。面对三天的数据本发明进行了以下操作，一天的数据以有标签数据形式用来训练基础模型，一天的数据以无标签形式用来作为进化所需要的样本，一天的数据用来作为测试标准，检测各个进化阶段生成的模型的效果。比如，用0709号的数据训练生成了基础模型，然后以0710号的数据进行进化测试，即基础模型判断0710号数据后，得出标签，再将这部分数据以前面所提到的方式进行进化训练，生成新模型，以此进行阶段式进化，生成的每个阶段模型都有保留，通过这些模型对0711号数据的测试结果来进行效果评估。为了评估进化效果，本发明用了每个阶段含有真实标签的相同数据进化模型进行效果对比。实验中，由于0710和0711数据比较少，训练出来的基础模型的准确率很低，所以本发明采用了0710或者0711加上0709部分数据训练基础模型的方法解决这个问题。

图10～13中，横坐标代表进化阶段，1表示基础模型，2-n(n的值为4,5,6)代表n-1个进化阶段。纵坐标为各阶段目标检测率为95％时的杂波抑制率。圆形标记折线是自进化算法的各个阶段模型目标检测效果，自进化过程中的样本标签是模型自动化标注的，方形标记折线是使用相同数量真实标签的样本用于进化的效果。

表1为11号及部分10号数据训练基础模型，其余10号数据分为四个阶段负责进化，9号数据测试，各阶段在目标检测率为95％时抑制率与进化相同数据量真实标签的抑制率。

表1

训练阶段	自进化(％)	真实标签(％)
			Base	73.5749	73.5749
Step1	78.6903	79.6522
			Step2	83.3148	79.9482
Step3	83.6108	85.3126
			Step4	81.1321	83.7958

表2为11号及部分9号数据训练基础模型，其余9号数据分为三个阶段负责进化，10号数据测试，各阶段在目标检测率为95％时抑制率与进化相同数据量真实标签的抑制率。

表2

训练阶段	自进化(％)	真实标签(％)
			Base	81.6884	81.6884
Step1	81.2684	85.9303
			Step2	84.8383	80.5214
Step3	81.6044	86.3923

表3为9号数据训练基础模型，11号数据分为四个阶段负责进化，10号数据测试，各阶段在目标检测率为95％时抑制率与进化相同数据量真实标签的抑制率。

表3

训练阶段	自进化(％)	真实标签(％)
			Base	72.6165	72.6165
Step1	80.8484	76.5645
			Step2	70.1386	79.0004
Step3	78.92164	82.9483
			Step4	83.1163	86.7703

表4为10号及部分9号数据训练基础模型，其余9号数据分为五个阶段负责进化，11号数据测试，各阶段在目标检测率为95％时抑制率与进化相同数据量真实标签的抑制率。

表4

训练阶段	自进化(％)	真实标签(％)
			Base	69.3295	69.3295
Step1	69.0442	73.3238
			Step2	73.3951	75.8916
Step3	71.398	76.6762
			Step4	64.2653	68.9729
Step5	73.7518	77.0328

由实验结果中可以看出来，用真实标签进化能得到较好的进化效果时，协同训练自进化模型一般也能得到较好的进化效果，这是由于相对于传统自学习更新训练数据集时存在的一个两难问题(样本的可信度和样本信息度两者不能兼得)，协同训练自进化算法中，两个不同视图的分类器模型互相为对方选择样本，有研究表明，当两个视图的相关度比较低的情况下，协同训练模型选择的样本的信息度和随机选择样本的信息度近似相同。因此，双视图协同训练算法在一定程度上可以避免自学习进化方法的两难问题。实验结果显示，有时也会出现效果退化的情况，可能的原因是，某个进化阶段引入的数据中负正样本比例比较大，引入的数据和基础训练数据以及测试数据的差异比较大，样本噪声太多，等等。

本发明的创新点包括：(1)使用深度学习实现了雷达目标检测算法。本发明首次将DBN应用于雷达目标检测中，利用DBN的强大的自动化特征抽取能力实现类样本的分类，利用DBN对正负样本的建模能力，在一定程度上避免了由于样本不均衡带来的问题。(2)首次提出了雷达目标检测的自进化算法：使用双视图协同训练算法实现了雷达目标检测模型的无监督自进化。

Claims (1)

1.一种基于深度学习的自进化雷达目标检测算法，其特征在于包括以下步骤：

1)雷达数据的特征处理：

第一步：对采集到的雷达数据进行特征处理，分别加入空间特征、时间特征以及运动特征；首先以待检测点为中心从周围背景信息中取一个3×3大小的区域，将该区域内所有信息组成一个区域信息集合，同时，联合背景信息计算检测点中心区域的相关指标，所述相关指标包括波动值、SNR值及幅度值；

第二步：将深度学习所要学习的内容由雷达检测数据的待检测点形式转换为待检测路径形式，即考虑时间特征，具体操作是以待检测点为路径尾端，在上一雷达检测周期中寻找一定距离内的待检测点，由三个相邻周期的相邻待检测点组成一条路径，再加上速度与加速的运动特征；

第三步：对由第一步计算所得的雷达数据特征值进行奇异点剔除以及min-max归一化，min-max归一化为：

通过对原始数据的线性变换，使数据映射到[0～1]之间，归一化方式采用每个特征独立归一化；

2)雷达目标检测基础模型设计：

第一步：采用深度置信网络作为深度学习模型，深度置信网络模型利用无标签数据进行对模型初始参数的预训练，DBN作为生成模型，对样本比例不均衡的数据分布进行建模，符合雷达数据正负样本不均衡的特点，其中包含一个输入层、两个隐藏层以及一个输出层，所述输入层大小为路径单元特征数，所述两个隐藏层大小分别为160，200，代表这一层特征图的维度，所述输出层大小为分类的种类数目；

第二步：在DBN训练过程中，对网络模型增加dropout优化，dropout即在训练阶段，随机关闭神经元，而在测试阶段使用全部神经元测试，让模型只利用到一部分特征的条件下仍然能做出正确的判断，最后测试阶段相当于多个模型的融合，增加模型的鲁棒性；

3)双视图协同训练算法应用于模型自进化，具体方法如下：

第一步：选择双视图协同训练的方法，首先是在数据预处理阶段进行不同视图处理，第一个视图是单个原始数据的信息，包括数据的信噪比、各滤波器幅值信息，第二个视图是步骤1)中所得到的雷达目标的运动路径信息，以此达到对相同数据的不同特征处理，即不同的数据处理方式会把数据映射到不同的空间分布从而具有不同的区分特征；

第二步：扩大训练集数据规模以增强模型识别能力，采用的方法是当不同学习器视图的雷达目标检测模型在判断雷达数据后，根据模型判断给出的分类置信度，通过价值函数计算公式从中选择可靠雷达数据样本添加到对方的训练集中；

第三步：利用第二步得到的新的训练集重新微调训练深度学习模型。

Images