CN109541567B - 基于深度学习的高速机动目标检测方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的高速机动目标检测方法，主要解决现有高速机动目标检测方法中的脉冲压缩信噪比损失和难以相参积累的问题。其技术方案为：构造单脉冲检测网络训练数据集，使用交叉熵代价函数和反向传播算法对单脉冲检测网络进行训练；构造融合网络训练数据集,使用交叉熵代价函数和反向传播算法对融合网络进行训练；将待检测的回波数据输入训练好的单脉冲检测网络并得到网络输出，将该输出再输入训练好的融合网络得到目标的检测结果。本发明减小由目标速度引起的脉冲压缩信噪比损失，克服距离走动导致的相参积累困难，提高在低信噪比条件下的高速机动目标检测性能；并降低计算复杂度，可用于对高速机动目标进行检测。

Description

基于深度学习的高速机动目标检测方法

技术领域

本发明属于雷达技术领域，涉及目标检测方法，可用于对高速机动目标进行检测。

背景技术

航空航天技术的不断发展使得越来越多的高速、机动目标出现在雷达探测领域，对于此类目标，通过传统的脉冲压缩和动目标检测MTD方法提高雷达探测性能将面临如下问题：一方面是目标高速运动带来的回波脉内多普勒调制，导致脉冲压缩时有较高的信噪比损失；另一方面是在相参积累时需要校正目标速度引起的一阶距离走动和加速度引起的距离弯曲RC，补偿目标加速度引起的多普勒走动DFM。针对距离走动的问题，R.Tao研究了做加速运动的高速目标相参积累过程中的距离走动与多普勒走动效应，分析了目标发生距离走动与多普勒走动的临界条件，并提出了基于缩放处理和分数阶傅里叶变换SPFRFT的距离走动校正和多普勒走动补偿算法。J.Su针对高速目标相参积累检测问题，提出了基于KT和去调频处理的校正补偿算法实现了目标能量的相参积累。M.Xing提出了基于KT与最小熵准则的高速机动目标相参积累与运动参数估计算法，并分析了运动参数估计误差对相参积累性能的影响。C.Pang研究了高信噪比和低信噪比两种情况下的距离走动校正与多普勒走动补偿算法，指出高信噪比时可以先采用二维中值滤波校正距离走动，然后通过瞬时互相关方法估计出目标的加速度并补偿多普勒走动；低信噪比下则还需要结合分数阶傅里叶变换与离散多项式变换。在AR算法的基础上，X.Rao提出了基于改进AR与分数阶傅里叶变换IAR-FRFT的匀加速目标相参积累算法。

上述算法由于对回波信号的输入信噪比要求较高，不适用于低信噪比下的目标相参积累；并且由于具有较高的计算复杂度，不利于工程实现。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于深度学习的高速机动目标检测方法，以减小由目标速度引起的脉冲压缩信噪比损失，克服距离走动导致的相参积累困难，提高在低信噪比条件下的高速机动目标检测性能；并降低计算复杂度，以利于工程实现。

实现本发明目的的技术方案，包括如下：

1)构造单脉冲检测网络训练数据集，对单脉冲检测网络进行训练：

1a)对所有的雷达回波数据按照快时间沿行排列，慢时间沿列排列得到M个行数为G、列数为P的复矩阵{U_m}_m＝1,...,M，G≥1，P≥1,并以滑窗的形式对每个复矩阵进行分解得到N个长度为L的复数向量{e_n}_n＝1,...,N；

1b)将每个复数向量e_n转换为归一化特征累积矢量q_n，再将q_n的实部和虚部分别作为矩阵的第一行和第二行，并将该矩阵记为x_n；假设已知回波数据中所有目标所在的距离门，根据e_n的第一个距离单元内是否存在目标产生对应的标号y_n，即y_n取1表示e_n的第一个距离单元内有目标，取0则表示无目标；将集合{x_n,y_n}_n＝1,...,N作为单脉冲检测网络的训练数据集；

1c)使用一维残差网络作为单脉冲检测网络，基于训练数据集{x_n,y_n}_n＝1,...,N，使用交叉熵代价函数和反向传播算法对单脉冲检测网络进行训练，直到代价函数收敛时，得到训练好的单脉冲检测网络；

2)构造融合网络训练数据集,对融合网络进行训练：

2a)将雷达回波数据U_m输入训练好的单脉冲检测网络，输出为一个G行R列的矩阵Y_m，并确定与Y_m对应的标号z_m；

2b)用Y_m及z_m组成集合{Y_m,z_m}_m＝1,...,M，并将该集合作为融合网络的训练数据集；

2c)使用深度卷积网络作为融合网络，基于训练数据集{Y_m,z_m}_m＝1,...,M，采用交叉熵代价函数和反向传播算法对融合网络进行训练，直到代价函数收敛，得到训练好的融合网络；

3)使用训练好的单脉冲检测网络和训练好的融合网络对待检测的回波数据进行目标检测：

3a)将待检测的雷达回波数据按照快时间沿行排列，慢时间沿列排列的方法表示为一个行数为G、列数为P的矩阵U_tst；将矩阵U_tst输入训练好的单脉冲检测网络做滑窗检测，得到单脉冲检测结果矩阵Y_tst；

3b)将单脉冲检测结果矩阵Y_tst输入训练好的融合网络，得到网络输出b_tst，该b_tst是一个长度为R的实数向量，其第r个元素b_tst(r)表示第r个距离门含有目标的概率，1≤r≤R，若b_tst(r)≥0.5，则表示第r个距离门有目标,否则，该距离门没有目标，至此完成对回波数据的目标检测。

本发明与现有技术相比，具有如下优点：

1)本发明使用单脉冲检测网络对回波数据进行滑窗检测，信噪比损失小于传统的脉冲压缩方法；

2)本发明使用融合网络对单脉冲检测结果做融合处理，目标所有的距离走动引起的能量扩散都在融合网络感受野内，由于综合考虑所有距离单元上的目标信息，相比于传统的动目标检测方法，具有更好的检测性能；

3)本发明的整个检测流程基于神经网络方法实现，通过GPU平台进行同质运算，有更高的计算效率，利于工程实现。

附图说明

图1是本发明的实现流程图；

图2是本发明中融合网络的结构图；

图3是本发明中融合网络的降维生成层示意图；

图4是用本发明对单脉冲的检测曲线图；

图5是用本发明对多脉冲的检测曲线图。

具体实施方式

下面结合附图，对本发明的实施例及效果做详细说明：

参照图1，本实例的实现步骤如下：

步骤1，构造单脉冲检测网络训练数据集。

本实例针对单通道雷达，假设该雷达发射相位编码波形，发射波形为s，在发射脉宽内的采样点数为L，则s是一个长度为L的恒模复数向量，该雷达检测目标的运动模型都是匀加速运动，其速度范围是[V_min,V_max]，加速度的范围是[a_min,a_max]，其训练数据集的构造如下：

1a)对所有的雷达回波数据按照快时间沿行排列，慢时间沿列排列，得到M个行数为G、列数为P的复矩阵{U_m}_m＝1,...,M，G≥1，P≥1；

1b)以滑窗的形式对每个复矩阵进行分解得到N个长度为L的复数向量{e_n}_n＝1,...,N，其中，每个向量e_n通过如下公式得到：

e_n＝U_m(g,r:r+L-1)，1≤g≤G，1≤r≤R

式中，U_m(g,r:r+L-1)表示回波数据矩阵中第g行，第r列到第r+L-1列元素；L表示滑窗长度；R表示对每一行进行滑窗分解的次数；e_n表示滑窗分解得到的数据，是长度为L的复向量；

1c)将每个复数向量e_n按如下公式转换为归一化特征累积矢量q_n：

其中S^*表示发射波形S的共轭；

表示Hadamard积；cumsum(·)表示累加操作；norm(·)表示向量2范数；max{·}表示在实数向量中取最大值；

1d)将q_n的实部和虚部分别作为矩阵的第一行和第二行，并将该矩阵记为x_n；

x_n(1,:)＝real(q_n)

x_n(2,:)＝imag(q_n)

real(·)表示对复数取实部；imag(·)表示对复数取虚部；x_n表示第n个单脉冲检测网络的输入数据，是一个行数为2，列数为L的实数矩阵；x_n(1,:)表示x_n的第一行元素；x_n(2,:)表示x_n的第二行元素；

1e)假设已知回波数据中所有目标所在的距离门，根据e_n的第一个距离单元内是否存在目标产生对应的标号y_n：

y_n＝Indicator(e_n的第一个距离门内包含目标)，

其中，e_n表示滑窗分解得到的数据，是一长度为L的复向量；Indicator(·)表示指示函数，当e_n的第一个距离单元内有目标时，则y_n取值为1；当e_n的第一个距离单元内无目标时，则y_n取值为0；

1f)将矩阵x_n和与之对应的标号y_n组成集合{x_n,y_n}_n＝1,...,N，用该集合{x_n,y_n}_n＝1,...,N作为单脉冲检测网络的训练数据集。

步骤2，对单脉冲检测网络进行训练。

2a)使用一维残差网络作为单脉冲检测网络；

2b)基于训练数据集{x_n,y_n}_n＝1,...,N，使用交叉熵代价函数和反向传播算法对单脉冲检测网络进行训练，直到代价函数收敛时，得到训练好的单脉冲检测网络；

所述交叉熵代价函数，其表达式如下：

其中，C表示交叉熵，n表示样本总数，x表示样本输入，y表示样本输出，a表示神经元实际输出；

步骤3，构造融合网络训练数据集。

3a)将每个雷达回波数据U_m输入训练好的单脉冲检测网络，输出一个G行R列的矩阵Y_m，该矩阵Y_m中的元素Y_m(g,r)表示回波数据第g个脉冲第r个距离门含有目标的概率，1≤g≤G，1≤r≤R；

3b)生成与Y_m对应的标号z_m，z_m是一个长度为L的向量，其第r个元素z_m(r)按如下公式产生：

z_m(r)＝Indicator(U_m(1,r)中包含目标)，

其中，Indicator(·)表示指示函数，当雷达回波数据U_m第一个脉冲回波的第r个距离门含有目标时，z_m(r)取值为1；当雷达回波数据U_m第一个脉冲回波的第r个距离门不含目标时，z_m(r)取值为0；

3c)用Y_m及z_m组成集合{Y_m,z_m}_m＝1,...,M，并将该集合作为融合网络的训练数据集。

步骤4,对融合网络进行训练。

4a)使用深度卷积网络作为融合网络，该融合网络结构如图2所示：其输入层和输出层均为卷积层，隐藏层共6层，其中前5个隐藏层为降维生成层，如图3所示，第6个隐藏层为卷积层；

4b)基于训练数据集{Y_m,z_m}_m＝1,...,M，采用交叉熵代价函数和反向传播算法对融合网络进行训练，直到代价函数收敛，得到训练好的融合网络。

步骤5,使用训练好的单脉冲检测网络和训练好的融合网络对待检测的回波数据进行目标检测。

5a)将待检测的雷达回波数据按照快时间沿行排列，慢时间沿列排列的方法表示为一个行数为G、列数为P的矩阵U_tst；将矩阵U_tst输入训练好的单脉冲检测网络做滑窗检测，得到单脉冲检测结果矩阵Y_tst；

5b)将单脉冲检测结果矩阵Y_tst输入训练好的融合网络，得到网络输出b_tst，该b_tst是一个长度为R的实数向量，其第r个元素b_tst(r)表示第r个距离门含有目标的概率，1≤r≤R；

5c)根据虚警率设置检测门限λ＝0.5，将第r个距离门含有目标的概率b_tst(r)与检测门限λ比较：若b_tst(r)≥λ，则表示第r个距离门有目标,否则，该距离门没有目标，至此完成对回波数据的目标检测。

本发明的效果可以通过以下仿真进一步说明

1.仿真参数

使用一维残差网络作为单脉冲检测网络，其参数如表1所示；使用图2所示的深度卷积网络作为融合网络，其参数如表2所示；设定虚警率为10^-4。

表1.单脉冲检测网络结构

表2.融合网络结构

2.仿真内容

仿真1，使用交叉熵代价函数和反向传播算法对单脉冲检测网络进行训练，并对其性能进行测试，绘制单脉冲检测网络检测概率与信噪比的关系图，结果如图4所示。从图4可以发现，当参考单元数为20，使用相位编码信号或线性调频信号的单元平均-恒虚警CA-CFAR检测效果都劣于单脉冲检测网络的检测效果。

仿真2，对比本发明和CA-CFAR检测方法的检测概率与信噪比曲线，CA-CFAR检测方法中使用相位编码信号，参考单元数为20，相参积累方法分别使用无keystone变换和keystone变换的积累方法，其结果如图5所示。从图5可以发现，虽然本发明在信噪比过低时检测效果不如CA-CFAR的检测效果，但是随着信噪比增加，本发明的检测性能快速提升，总体检测效果优于CA-CFAR的检测效果。

Claims (5)

1.一种基于深度学习的高速机动目标检测方法，包括有如下：

1)构造单脉冲检测网络训练数据集，对单脉冲检测网络进行训练：

1a)对所有的雷达回波数据按照快时间沿行排列，慢时间沿列排列得到M个行数为G、列数为P的复矩阵{U_m}_m＝1,...,M，G≥1，P≥1,并以滑窗的形式对每个复矩阵进行分解得到N个长度为L的复数向量{e_n}_n＝1,...,N；

1b)将每个复数向量e_n转换为归一化特征累积矢量q_n，再将q_n的实部和虚部分别作为矩阵的第一行和第二行，并将该矩阵记为x_n；假设已知回波数据中所有目标所在的距离门，根据e_n的第一个距离单元内是否存在目标产生对应的标号y_n，即y_n取1表示e_n的第一个距离单元内有目标，取0则表示无目标；将集合{x_n,y_n}_n＝1,...,N作为单脉冲检测网络的训练数据集；

1c)使用一维残差网络作为单脉冲检测网络，基于训练数据集{x_n,y_n}_n＝1,...,N，使用交叉熵代价函数和反向传播算法对单脉冲检测网络进行训练，直到代价函数收敛时，得到训练好的单脉冲检测网络；

2)构造融合网络训练数据集,对融合网络进行训练：

2a)将雷达回波数据U_m输入训练好的单脉冲检测网络，输出为一个G行R列的矩阵Y_m，并确定与Y_m对应的标号z_m；

2b)用Y_m及z_m组成集合{Y_m,z_m}_m＝1,...,M，并将该集合作为融合网络的训练数据集；

2c)使用深度卷积网络作为融合网络，基于训练数据集{Y_m,z_m}_m＝1,...,M，采用交叉熵代价函数和反向传播算法对融合网络进行训练，直到代价函数收敛，得到训练好的融合网络；

3)使用训练好的单脉冲检测网络和训练好的融合网络对待检测的回波数据进行目标检测：

3a)将待检测的雷达回波数据按照快时间沿行排列，慢时间沿列排列的方法表示为一个行数为G、列数为P的矩阵U_tst；将矩阵U_tst输入训练好的单脉冲检测网络做滑窗检测，得到单脉冲检测结果矩阵Y_tst；

3b)将单脉冲检测结果矩阵Y_tst输入训练好的融合网络，得到网络输出b_tst，该b_tst是一个长度为R的实数向量，其第r个元素b_tst(r)表示第r个距离门含有目标的概率，1≤r≤R，若b_tst(r)≥0.5，则表示第r个距离门有目标,否则，该距离门没有目标，至此完成对回波数据的目标检测。

2.根据权利要求1所述的方法，其特征在于，1a)中以滑窗的形式对每个复矩阵进行分解，通过如下公式进行：

e_n＝U_m(g,r:r+L-1)，1≤g≤G，1≤r≤R

其中，U_m表示雷达回波数据，其为一个G行P列的复矩阵，U_m(g,r:r+L-1)表示回波数据矩阵中第g行，第r列到第r+L-1列元素；L表示滑窗长度；R表示对每一行进行滑窗分解的次数；e_n表示滑窗分解得到的数据，是一长度为L的复向量。

3.根据权利要求1所述的方法，其特征在于，1b)中将每个复数向量e_n转换为归一化特征累积矢量q_n，转换方法如下：

其中，S^*表示发射波形S的共轭；表示Hadamard积；cumsum(·)表示累加操作；norm(·)表示向量2范数；max{·}表示在实数向量中取最大值。

4.根据权利要求1所述的方法，其特征在于，2a)中确定与Y_m对应的标号z_m,按以下公式进行：

z_m(r)＝Indicator(U_m(1,r)中包含目标)，r＝1,...,R

其中，Indicator(·)是指示函数，当雷达回波数据U_m第一个脉冲回波的第r个距离门含有目标时，z_m(r)取值为1；当雷达回波数据U_m第一个脉冲回波的第r个距离门不含目标时，z_m(r)取值为0。

5.根据权利要求1所述的方法，其特征在于，1c)及2c)中的交叉熵代价函数，其表达式如下：

其中，C表示交叉熵，n表示样本总数，x表示样本输入，y表示样本输出，a表示神经元实际输出。

Images