CN109407067B - 基于时频图卷积神经网络的雷达动目标检测与分类一体化方法 - Google Patents
基于时频图卷积神经网络的雷达动目标检测与分类一体化方法 Download PDFInfo
- Publication number
- CN109407067B CN109407067B CN201811192545.1A CN201811192545A CN109407067B CN 109407067 B CN109407067 B CN 109407067B CN 201811192545 A CN201811192545 A CN 201811192545A CN 109407067 B CN109407067 B CN 109407067B
- Authority
- CN
- China
- Prior art keywords
- neural network
- radar
- time
- frequency
- moment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 13
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000033001 locomotion Effects 0.000 claims abstract description 22
- 238000010586 diagram Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000035485 pulse pressure Effects 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 230000009466 transformation Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 41
- 238000011176 pooling Methods 0.000 claims description 25
- 238000012937 correction Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 4
- 230000001427 coherent effect Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000002592 echocardiography Methods 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000013135 deep learning Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 208000011726 slow pulse Diseases 0.000 description 1
- 238000005397 spin echo fourier transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及基于时频图卷积神经网络的雷达动目标检测与分类一体化方法，属于雷达信号处理技术领域。首先，对雷达回波距离向脉压，存储距离‑脉冲二维回波数据；然后，通过时频变换，构建时频图训练数据集；建立改进的6层卷积神经网络，输入训练数据集对模型进行迭代优化训练，得到最优的网络参数；最后，将雷达待检测距离单元回波经时频变换输入经过训练的改进卷积神经网络中，判别该单元是否存在运动目标，并同时对运动类型进行分类，实现检测和分类一体化处理。本发明专利能智能学习和提取动目标雷达信号特征，适用于复杂环境和不同运动类型目标，可降低处理时间和硬件成本。
Description
技术领域
本发明属于雷达信号处理技术领域，更具体地，本发明涉及一种基于时频图卷积神经网络的雷达动目标检测与分类一体化方法，可用于雷达运动目标检测和分类智能处理。
背景技术
雷达作为目标探测和监视的主要手段，在公共安全以及国防安全领域应用广泛。然而受复杂环境以及目标复杂运动特性的影响，目标回波极其微弱，具有低可观测性，使得雷达对杂波背景下动目标的探测性能难以满足实际需求。杂波中低可观测动目标检测技术成为关键制约因素，也是世界性难题。雷达低可观测动目标主要包括“低(低掠射角)、慢(慢速运动目标)、小(小尺寸目标)、快(机动目标)、隐(隐身目标)”等，无论是在时域还是在频域，回波信杂比(Signal-to-clutter Ratio,SCR)都很低，难以实现稳健、可靠和快速的检测。
传统的动目标检测(Moving Target Detection,MTD)方法仅适用于匀速运动目标，针对强杂波和干扰条件下的机动目标检测，雷达回波将不满足传统信号处理中平稳性要求，导致MTD方法失效。受目标运动以及雷达资源的限制，有效提取信号特征并用于检测成为亟需解决的问题。亟需发展和研究大数据量高效以及适用于多分量信号分析的方法和手段。
近年来，随着人工智能的兴起与蓬勃发展，深度学习在智能信号处理领域得到了越来越广泛的研究与应用，其中卷积神经网络(Convolutional Neural Network,CNN)在图像识别、目标检测方面更是具有巨大的优势，相比于传统目标检测的特征提取方法例如尺度不变特征变换(Scale-invariant feature transform，SEFT)，和特征分类方法例如支持向量机(Support Vector Machine，SVM)，卷积神经网络的特征学习更丰富，表达能力更强。卷积神经网络能够通过卷积核对图像的卷积自动提取图像特征，从而实现良好的目标识别功能，并获得较高的检测成功率。1989年加拿大多伦多大学教授LeCun等人提出了卷积神经网络，2012年Hinton改进了网络的训练方式后，卷积神经网络在图像目标检测方面得到了巨大的突破并且得到了广泛应用。考虑到动目标回波可建模为调频信号，因此可以使用时频分析方法进行有效的分析，转化为时频二维图后即可采用深度学习网络来进行图像处理，从而完成动目标的检测与分类。
发明内容
本发明的目的在于将卷积神经网络应用于雷达动目标信号处理领域，实现检测和分类一体化处理，提高雷达动目标检测和分类性能，提出一种基于时频图卷积神经网络的雷达动目标检测与分类一体化方法。其中要解决的技术问题包括：
(1)现有动目标检测方法受杂波影响较大，低信杂比条件检测性能差；
(2)基于变换域的雷达动目标检测方法多为参数搜索和匹配积累方法，运算量大且当变换基函数与目标运动状态不匹配时，性能下降明显；
(3)基于统计模型的检测方法仅在假设的统计模型条件下性能才能达到最优，难以适应变化多样的复杂背景和多类型目标场景；
(4)现有目标分类方法，如SVM对大规模样本难以实施，需要耗费大量时间，同时对于解决多分类问题存在困难。
(5)传统雷达目标检测和分类流程复杂，需要先检测后分类，花费时间长。
本发明所述的基于时频图卷积神经网络的雷达动目标检测与分类一体化方法，其特征在于包括以下技术措施：
步骤一、雷达回波距离向脉压，得到距离-脉冲二维数据；
步骤二、时频变换生成时频图，构建训练数据集；
步骤三、建立卷积神经网络模型；
步骤四、根据反向传播算法和误差损失函数，输入训练数据集对模型进行迭代优化训练，得到最优的卷积神经网络网络参数；
步骤五、将雷达待检测距离单元回波时频变换，输入经过训练的卷积神经网络进行测试，判别该单元是否存在运动目标，并同时对运动类型进行分类，实现检测和分类一体化处理。对比现有技术，本技术方案所述的基于时频图卷积神经网络的雷达动目标检测与分类一体化方法，有益效果在于：
(1)打破传统检测方法的限制，能够智能处理不同运动类型的动目标，并适应复杂环境；
(2)该方法将深度学习中的卷积神经网络应用于雷达动目标检测，能根据训练数据集智能学习和提取目标特征，输入卷积神经网络训练的数据量越大，提取的特征越精细，检测精度也越高，提高目标检测和分类概率；
(3)该方法能够做到检测的同时完成目标运动类型的分类，做到检测与分类一体化处理，降低处理时间和硬件成本。
附图说明
附图1是基于时频图卷积神经网络的雷达动目标检测与分类一体化方法的实施流程图，附图2是建立的卷积神经网络结构图。
具体实施方式
首先建立复杂运动目标雷达回波模型，假设雷达发射线性调频信号
其中，
fc为载波频率，/>
为矩形信号，Tp为脉冲宽度，
为调制频率，B为带宽，则在t时刻雷达接收到的信号为
其中，σr为目标的雷达散射截面积，则时间的延迟为
c为光速，rs(tm)为目标与雷达之间的距离，tm为在相参处理间隔内脉冲到脉冲间的慢时间。
将rs(tm)用泰勒级数展开为时间的多项式函数为
其中，v是目标速度，Tn为相参积累时间。
对于匀变速运动目标，本文中仅保留上式的前三项作为雷达与目标距离的二次近似，则
其中，r0为雷达与目标之间的初始距离，v0为目标的初速度，as为目标加速度
采用发射信号作为参考信号，对回波信号经过解调和脉冲压缩后得到
其中，Ar为回波信号幅度。将
带入上式中，对相位求取时间导数，得到匀变速运动目标的瞬时频率
令as＝0可得匀速目标的瞬时频率
对于非匀变速目标，雷达与目标的距离为rs(tm)，解调和脉压后得到非匀变速目标的瞬时频率为
对于微动目标，雷达与目标的距离rs(tm)为
其中，A、w、
分别表示微动目标的振动幅度、角频率和相位。解调和脉压后得到微动目标的瞬时频率为
以下结合说明书附图1对本发明作进一步详细描述。参照说明书附图1，本发明的处理流程分以下步骤：
1)雷达回波距离向脉压
在相参雷达接收端，将接收并经过放大和限幅处理后得到的雷达回波数据进行距离向和方位向采样，通常距离向采样间隔等于雷达距离分辨单元，方位向采样频率等于脉冲重复频率，以保证在距离向和方位向的信号处理时间中，运动目标的回波能够被完整采集，对距离向的雷达回波数据进行解调处理，获得零中频信号sIF(t,tm)，可采用雷达发射信号作为解调的参考信号
式中，t为脉内快时间，tm为脉间慢时间，tm＝mTl，m＝1,2,…，Tl为脉冲重复周期，sr(t,tm)为回波信号，st(t)为雷达发射信号，‘*’表示复共轭运算。将解调后的雷达回波数据进行脉冲压缩处理，得到脉内积累后的雷达回波数据sPC(t,tm)，
式中，Rs(tm)为雷达与目标的视线距离，Ar(tm)是回波幅度，2Rs(tm)/c为时间延迟，B为发射信号带宽，c代表光速，tm表示脉间慢时间，λ为波长，存储距离-脉间慢时间二维数据矩阵SN×M＝sPC(i,j)，i＝1,2,…,N，j＝1,2,…,M，N为脉冲数，M为距离单元数。
2)构建时频图训练数据集
重复步骤一，记录雷达动目标回波和背景回波数据，通过时频变换，生成相应的二维时频图，对时频图进行人工识别分类和标签添加，构建不同类型运动目标和背景时频图训练数据集。
3)构建卷积神经网络模型
构建的卷积神经网络共6层，分别是两个卷积层，两个池化层，一个全局平均池化层和一个全连接层。该卷积神经网络的主要改进在于以下四个方面：采用了ELU激活函数代替以往的Sigmoid函数，收敛速度加快，鲁棒性增强并且能缓解梯度消失；采用了全局平均池化层代替了倒数第二个全连接层能够有效防止过拟合；采用交叉熵函数作为损失函数，能够提高训练的效率和准确度；采用Adam算法作为梯度下降优化算法，能够很好地提高训练的准确度。
假设经过时频变换得到的时频图矩阵为x，P＝{x1，x2，x3，…，xi，…xn}为输入卷积神经网络时频图的集合，则第i个信号对应的时频图矩阵为xi。
第一层卷积层通过卷积核
对输入的时频图xi进行卷积操作，使用偏置系数/>
扩充卷积区域，使边缘特征能够更完整的提取，自动提取时频图中信号的特征，然后经过ELU激活函数/>
引入非线性因素，其中α为调节参数，
则输出的j个特征图，
其中，
表示第一层对第i个时频图进行卷积操作的第j个卷积核，/>
表示第一层中与第j个卷积核相对应的第j个偏置系数，/>
表示卷积操作，/>
表示第一层输出的第j个特征图；
第二层池化层通过池化函数对
进行下采样，降低数据维度和减少运算量，得到第二层输出的第j个特征图/>
池化函数采用平均池化，
其中，
函数为平均池化函数，/>
表示在每个大小为c×c池化核窗口内取特征图矩阵/>
的平均值，c为设定的池化核大小；
第三层卷积层通过卷积核
对第二层输出的第j个特征图/>
进行卷积操作，使用偏置系数/>
扩充卷积区域，Mj为输入的特征图集合，则输出第j个特征图/>
其中，
表示第三层对第i个时频图进行卷积操作的第j个卷积核，/>
表示第三层中与第j个卷积核相对应的第j个偏置系数，/>
表示第三层输出的第j个特征图；
第四层池化层通过池化函数对第三层输出j个的特征图
进行下采样，输出的第j个特征图/>
池化函数采用平均池化，
第五层全局平均池化层通过对第四层输出j个的特征图
进行全局平均池化，则该层输出的第j个特征图/>
池化函数采用全局平均池化，
第六层全连接层通过卷积核
对第四层输出的j个特征图/>
进行卷积操作，使用偏置系数/>
扩充卷积区域，则该层输出的第j个特征图/>
其中，
表示第六层对第i个特征向量进行卷积操作的第j个卷积核，/>
表示第六层中与第j个卷积核相对应的第j个偏置系数，g()表示softmax激活函数，/>
最后进行q类目标的检测分类，softmax层求出每类的判别概率，输出第j类的检测概率yj。
4)卷积神经网络网络参数最优化训练
卷积神经网络训练的目的调整权值系数优化卷积神经网络，进一步提高检测的精确度后获得最优的权值参数。用损失函数来表示输出值与真实值的误差，建立单个样本的损失函数，选用收敛速度快，精细度高的交叉熵函数作为损失函数，则第n个样本的误差函数为
其中，
表示卷积神经网络预测的第n个样本第j类的检测概率，/>
表示第n个样本第j类的真实检测概率。
当输入样本数为N时，总误差函数为
目标函数是求得损失函数的最小值，从而使得卷积神经网络模型最优化，即
minEN
反向传播算法通常是用梯度下降法对参数进行不断的迭代优化，直到损失函数最小，这里我们使用Adam梯度优化算法，则从第六层全连接层开始迭代公式如下，
(1)参数k的迭代
①偏一阶矩估计的更新
②偏二阶矩估计的更新
③偏修正一阶矩的偏差
④偏修正二阶矩的偏差
⑤完成一次迭代的更新
其中，Vkl为参数k第l次迭代的偏一阶矩估计；Skl为参数k第l次迭代的偏二阶矩估计；
为参数k第l次迭代的偏修正一阶矩的偏差；/>
为参数k第l次迭代的偏修正二阶矩的偏差；/>
分别代表第六层第l次迭代后的卷积核参数；α为学习率，控制卷积神经网络梯度下降的速度，可取默认值0.001；β1为/>
的加权平均数一阶矩调节参数，默认值0.9；β2为二阶矩调节参数，默认值为0.999，初始值Vk0为0，Sk0为0；ε是一个为了防止分母为0的常数，取值10-8。
(2)参数b的迭代
①偏一阶矩估计的更新
②偏二阶矩估计的更新
③偏修正一阶矩的偏差
④偏修正二阶矩的偏差
⑤完成一次迭代的更新
其中，Vbl为参数b第l次迭代的偏一阶矩估计；Sbl为参数b第l次迭代的偏二阶矩估计；
为参数b第l次迭代的偏修正一阶矩的偏差；/>
为参数b第l次迭代的偏修正二阶矩的偏差；/>
分别代表第六层第l次迭代后的偏置参数；初始值Vb0为0，Sb0为0。
第二层、第四层和第五层均为池化层，无需进行反向传播训练，第三层、第一层卷积层的反向传播迭代跟第六层流程相同。
将步骤二输出的训练数据集输入步骤三建立的卷积神经网络模型中，根据反向传播算法和误差损失函数，对卷积神经网络模型进行训练，得到卷积层和全连接层的网络参数k和b，当损失函数值EN达到要求的数值时训练结束，卷积神经网络模型训练完成，网络参数实现最优化。
5)检测和分类一体化处理
步骤五中将雷达待检测距离单元回波信号脉压后，通过时频变换，转换为时频图输入训练好的卷积神经网络中，最后经过softmax函数，判别该单元是否存在运动目标，并同时对运动类型进行分类，实现检测和分类一体化处理。
需要说明的是，目标运动类型多种多样，如匀速运动、匀加速和匀减速运动、变加速运动、高机动、周期性调频微动等，可根据雷达任务和工作模式，根据本专利的实施步骤，构建相应的运动目标训练数据集，并输出对应的目标运动类型分类。
Claims (5)
1.基于时频图卷积神经网络的雷达动目标检测与分类一体化方法，其特征在于，包括以下步骤：
步骤一、雷达回波距离向脉压，得到距离-脉冲二维数据；
步骤二、时频变换生成时频图，构建训练数据集；
步骤三、建立卷积神经网络模型；
步骤四、根据反向传播算法和误差损失函数，输入训练数据集对模型进行迭代优化训练，得到最优的卷积神经网络网络参数；
步骤五、将雷达待检测距离单元回波时频变换，输入经过训练的卷积神经网络进行测试，判别该单元是否存在运动目标，并同时对目标运动类型进行分类，实现检测和分类一体化处理；
所述雷达回波距离向脉压，得到距离-脉冲二维数据，具体包括：
在相参雷达接收端，将接收并经过放大和限幅处理后得到的雷达回波数据进行距离向和方位向采样，距离向采样间隔等于雷达距离分辨单元，方位向采样频率等于脉冲重复频率；
对距离向的雷达回波数据进行解调处理；
将解调后的雷达回波数据进行脉冲压缩处理，得到脉内积累后的雷达回波数据；
根据脉内积累后的雷达回波数据得到距离-脉冲二维数据；
所述运动类型包括匀速运动、匀加速和匀减速运动、变加速运动、高机动、周期性调频微动；
对于匀变速运动目标，解调和脉压后得到匀变速运动目标的瞬时频率：
对于匀速运动目标，解调和脉压后得到匀速运动目标的瞬时频率：
对于非匀速运动目标，解调和脉压后得到非匀速运动目标的瞬时频率：
对于微动目标，解调和脉压后得到微动目标的瞬时频率：
步骤三所述的卷积神经网络，包括6层，分别是两个卷积层，两个池化层，一个全局平均池化层和一个全连接层；
步骤三所述卷积神经网路模型中的激活函数采用ELU激活函数，
其中，x为经卷积层卷积后输出的特征图矩阵，α为调节参数；
步骤三所述卷积神经网路模型中的全局平均池化方法为：
其中，
表示对输入特征图y1进行整体平均运算，输出一维特征向量y2；
步骤四所述的误差损失函数采用交叉熵函数，计算方法为：
第n个样本的交叉熵函数为
其中，
表示卷积神经网络预测的第n个样本第j类的检测概率，/>
表示第n个样本第j类的真实检测概率，q为类别数，当输入样本数为N时，总误差函数为
使用梯度下降法对参数进行不断的迭代优化，直到损失函数最小，则从第六层全连接层开始迭代公式如下，
(1)参数k的迭代
①偏一阶矩估计的更新
②偏二阶矩估计的更新
③偏修正一阶矩的偏差
④偏修正二阶矩的偏差
⑤完成一次迭代的更新
其中，Vkl为参数k第l次迭代的偏一阶矩估计；Skl为参数k第l次迭代的偏二阶矩估计；
为参数k第l次迭代的偏修正一阶矩的偏差；/>
为参数k第l次迭代的偏修正二阶矩的偏差；/>
分别代表第六层第l次迭代后的卷积核参数；α为学习率，控制卷积神经网络梯度下降的速度，可取默认值0.001；β1为/>
的加权平均数一阶矩调节参数，默认值0.9；β2为二阶矩调节参数，默认值为0.999，初始值Vk0为0，Sk0为0；ε是一个为了防止分母为0的常数，取值10-8；
(2)参数b的迭代
①偏一阶矩估计的更新
②偏二阶矩估计的更新
③偏修正一阶矩的偏差
④偏修正二阶矩的偏差
⑤完成一次迭代的更新
其中，Vbl为参数b第l次迭代的偏一阶矩估计；Sbl为参数b第l次迭代的偏二阶矩估计；
为参数b第l次迭代的偏修正一阶矩的偏差；/>
为参数b第l次迭代的偏修正二阶矩的偏差；/>
分别代表第六层第l次迭代后的偏置参数；初始值Vb0为0，Sb0为0；
第二层、第四层和第五层均为池化层，无需进行反向传播训练，第三层、第一层卷积层的反向传播迭代跟第六层流程相同。
2.根据权利要求1所述的基于时频图卷积神经网络的雷达动目标检测与分类一体化方法，其特征在于，步骤二所述的训练数据集构建方法为：
将步骤一的输出通过时频变换，生成不同距离单元回波的二维时频图，进行人工识别分类和标签添加，构建不同类型运动目标和背景回波的时频图训练数据集。
3.根据权利要求1所述的基于时频图卷积神经网络的雷达动目标检测与分类一体化方法，其特征在于，步骤四所述的反向传播算法采用Adam梯度优化算法。
4.根据权利要求1所述的基于时频图卷积神经网络的雷达动目标检测与分类一体化方法，其特征在于，步骤四所述的卷积神经网络参数优化方法为：
将步骤二输出的训练数据集输入步骤三建立的卷积神经网络模型中，根据反向传播算法和误差损失函数，对卷积神经网络模型进行训练，得到卷积层和全连接层的网络参数k和b，当损失函数值EN达到要求的数值时训练结束，卷积神经网络模型训练完成，网络参数实现最优化。
5.根据权利要求1所述的基于时频图卷积神经网络的雷达动目标检测与分类一体化方法，其特征在于，步骤五中通过soft max函数，判别该单元是否存在运动目标，并同时对运动类型进行分类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811192545.1A CN109407067B (zh) | 2018-10-13 | 2018-10-13 | 基于时频图卷积神经网络的雷达动目标检测与分类一体化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811192545.1A CN109407067B (zh) | 2018-10-13 | 2018-10-13 | 基于时频图卷积神经网络的雷达动目标检测与分类一体化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109407067A CN109407067A (zh) | 2019-03-01 |
| CN109407067B true CN109407067B (zh) | 2023-06-27 |
Family
ID=65467137
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811192545.1A Active CN109407067B (zh) | 2018-10-13 | 2018-10-13 | 基于时频图卷积神经网络的雷达动目标检测与分类一体化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109407067B (zh) |
Families Citing this family (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109901129A (zh) * | 2019-03-06 | 2019-06-18 | 中国人民解放军海军航空大学 | 一种海杂波中目标检测方法及系统 |
| CN110045348A (zh) * | 2019-05-05 | 2019-07-23 | 应急管理部上海消防研究所 | 一种基于改进卷积神经网络的人体运动状态分类方法 |
| CN110210463B (zh) * | 2019-07-03 | 2023-07-11 | 中国人民解放军海军航空大学 | 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法 |
| CN110427835B (zh) * | 2019-07-11 | 2022-03-11 | 清华大学 | 图卷积网络与迁移学习的电磁信号识别方法和装置 |
| CN111340179A (zh) * | 2019-09-05 | 2020-06-26 | 中国科学院计算技术研究所 | 一种卷积神经网络拓扑方法 |
| CN112883760A (zh) * | 2019-11-29 | 2021-06-01 | 南京理工大学 | 基于线性调频连续波雷达的驾驶行为检测方法 |
| CN111220958B (zh) * | 2019-12-10 | 2023-05-26 | 西安宁远电子电工技术有限公司 | 基于一维卷积神经网络的雷达目标多普勒像分类识别方法 |
| CN110988872B (zh) * | 2019-12-25 | 2023-10-03 | 中南大学 | 无人机载穿墙雷达探测墙体健康状态的快速识别方法 |
| CN111624570B (zh) * | 2020-04-30 | 2023-09-26 | 南京理工大学 | 基于二维卷积神经网络的雷达目标识别方法 |
| CN111583671B (zh) * | 2020-06-05 | 2022-05-31 | 南京信息职业技术学院 | 一种毫米波雷达路口车流量监测方法及其系统 |
| CN111880157B (zh) * | 2020-08-06 | 2023-08-22 | 中国人民解放军海军航空大学 | 一种雷达图像中目标的检测方法及系统 |
| CN112130118B (zh) * | 2020-08-19 | 2023-11-17 | 复旦大学无锡研究院 | 基于snn的超宽带雷达信号处理系统及处理方法 |
| CN112257566B (zh) * | 2020-10-20 | 2023-05-23 | 陕西合友网络科技有限公司 | 一种基于大数据的人工智能目标识别测距方法 |
| CN112710996B (zh) * | 2020-12-08 | 2022-08-23 | 中国人民解放军海军航空大学 | 一种雷达微动目标识别的数据集扩充方法及系统 |
| CN112686297B (zh) * | 2020-12-29 | 2023-04-14 | 中国人民解放军海军航空大学 | 一种雷达目标运动状态的分类方法及系统 |
| CN112346056B (zh) * | 2021-01-11 | 2021-03-26 | 长沙理工大学 | 多脉冲雷达信号的分辨性特征融合提取方法及识别方法 |
| CN112859070B (zh) * | 2021-01-20 | 2024-04-19 | 应急管理部四川消防研究所 | 一种基于多域多特征和深度学习的生命探测雷达系统 |
| CN113625244B (zh) * | 2021-08-11 | 2024-06-25 | 青岛本原微电子有限公司 | 一种基于lstm的多源域的高重频雷达目标检测方法 |
| CN113985393B (zh) * | 2021-10-25 | 2024-04-16 | 南京慧尔视智能科技有限公司 | 一种目标检测方法、装置及系统 |
| CN114158004B (zh) * | 2021-12-09 | 2022-11-08 | 重庆邮电大学 | 一种基于图卷积神经网络的室内无源移动目标检测方法 |
| CN114429156B (zh) * | 2022-01-21 | 2023-06-20 | 西安电子科技大学 | 雷达干扰多域特征对抗学习与检测识别方法 |
| CN114814776B (zh) * | 2022-06-24 | 2022-10-14 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于图注意力网络和迁移学习的pd雷达目标检测方法 |
| CN116482631A (zh) * | 2023-06-26 | 2023-07-25 | 四川天中星航空科技有限公司 | 一种基于雷达回波信号的目标模拟方法 |
| CN117233725B (zh) * | 2023-11-15 | 2024-01-23 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于图神经网络多特征融合的相干雷达目标检测方法 |
| CN117572379B (zh) * | 2024-01-17 | 2024-04-12 | 厦门中为科学仪器有限公司 | 一种基于cnn-cbam收缩二分类网络的雷达信号处理方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108090412A (zh) * | 2017-11-17 | 2018-05-29 | 西北工业大学 | 一种基于深度学习的雷达辐射源类别识别方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9710714B2 (en) * | 2015-08-03 | 2017-07-18 | Nokia Technologies Oy | Fusion of RGB images and LiDAR data for lane classification |
| WO2017091833A1 (en) * | 2015-11-29 | 2017-06-01 | Arterys Inc. | Automated cardiac volume segmentation |
| US11475269B2 (en) * | 2015-12-15 | 2022-10-18 | Analog Devices, Inc. | Convolutional neural network |
| GB2554641A (en) * | 2016-09-29 | 2018-04-11 | King S College London | Image processing |
| CN107203782A (zh) * | 2017-05-23 | 2017-09-26 | 哈尔滨工业大学 | 基于卷积神经网络的大动态信噪比下通信干扰信号识别方法 |
| CN107766893B (zh) * | 2017-11-03 | 2021-01-22 | 电子科技大学 | 基于标签多级编码神经网络的目标识别方法 |
| CN107870321B (zh) * | 2017-11-03 | 2020-12-29 | 电子科技大学 | 基于伪标签学习的雷达一维距离像目标识别方法 |
| CN108169745A (zh) * | 2017-12-18 | 2018-06-15 | 电子科技大学 | 一种基于卷积神经网络的钻孔雷达目标识别方法 |
| CN108256488A (zh) * | 2018-01-19 | 2018-07-06 | 中国人民解放军陆军装甲兵学院 | 一种基于微多普勒特征提取和深度学习的雷达目标识别方法 |
-
2018
- 2018-10-13 CN CN201811192545.1A patent/CN109407067B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108090412A (zh) * | 2017-11-17 | 2018-05-29 | 西北工业大学 | 一种基于深度学习的雷达辐射源类别识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109407067A (zh) | 2019-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109407067B (zh) | 基于时频图卷积神经网络的雷达动目标检测与分类一体化方法 | |
| CN111220958A (zh) | 基于一维卷积神经网络的雷达目标多普勒像分类识别方法 | |
| CN111160176B (zh) | 基于融合特征的一维卷积神经网络地面雷达目标分类方法 | |
| CN103885057B (zh) | 自适应变滑窗多目标跟踪方法 | |
| CN110245581B (zh) | 一种基于深度学习和距离-多普勒序列的人体行为识别方法 | |
| CN103513244B (zh) | 一种基于动态规划的多帧相参积累目标检测前跟踪方法 | |
| KR102275960B1 (ko) | 딥러닝 기반의 레이다 표적 탐지 시스템 및 그 방법 | |
| CN112986950A (zh) | 基于深度学习的单脉冲激光雷达回波特征提取方法 | |
| CN109324315A (zh) | 基于双层次块稀疏性的空时自适应处理雷达杂波抑制方法 | |
| EP3417311B1 (en) | A method for motion classification using a pulsed radar system | |
| CN112036239A (zh) | 一种基于深度学习网络的雷达信号工作模式识别方法及系统 | |
| CN113534065B (zh) | 一种雷达目标微动特征提取与智能分类方法及系统 | |
| KR102478596B1 (ko) | 도메인 적응을 이용한 레이다 기반 탐지 시스템 및 그 방법 | |
| CN114595732A (zh) | 基于深度聚类的雷达辐射源分选方法 | |
| CN111368653B (zh) | 一种基于r-d图与深度神经网络的低空小目标检测方法 | |
| CN115061126A (zh) | 一种基于多维参数神经网络的雷达集群目标行为识别方法 | |
| Kazemi et al. | Deep learning for direct automatic target recognition from SAR data | |
| CN114779238A (zh) | 一种基于雷达信号的生命探测方法及系统 | |
| CN114677419A (zh) | 基于三维卷积网络的雷达多普勒信号低慢小目标检测方法 | |
| WO2017188905A1 (en) | A method for motion classification using a pulsed radar system | |
| CN105353353B (zh) | 多重搜索粒子概率假设密度滤波的多目标跟踪方法 | |
| CN114814776B (zh) | 基于图注意力网络和迁移学习的pd雷达目标检测方法 | |
| CN112731388B (zh) | 一种基于有效散射点能量积累的目标检测方法 | |
| CN114418068A (zh) | 基于多步神经网络结构的毫米波雷达稀疏点云重构方法 | |
| CN114518564A (zh) | 一种基于特征杂波图的海面低空小目标检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |