CN111722199A - 一种基于卷积神经网络的雷达信号检测方法 - Google Patents
一种基于卷积神经网络的雷达信号检测方法 Download PDFInfo
- Publication number
- CN111722199A CN111722199A CN202010796744.4A CN202010796744A CN111722199A CN 111722199 A CN111722199 A CN 111722199A CN 202010796744 A CN202010796744 A CN 202010796744A CN 111722199 A CN111722199 A CN 111722199A
- Authority
- CN
- China
- Prior art keywords
- clutter
- neural network
- convolutional neural
- training
- network
- 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.)
- Granted
Links
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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明公开了一种基于卷积神经网络的雷达信号检测方法,该方法以脉冲多普勒处理后得到的距离——多普勒频谱作为图像样本,以有无目标时频谱的不同特点作为识别特征,利用卷积神经网络的分类能力实现雷达信号检测,判断目标信号的有无,把卷积神经网络应用于雷达信号处理中,从图像处理的角度实现信号检测。与传统的CFAR检测器相比,提高了检测概率,避免了使用CFAR检测器时背景杂波的相关性带来的影响,改善了固定的CFAR检测器适用于特定环境的局限性。
Description
技术领域
本发明涉及雷达信号处理技术领域,特别涉及一种基于卷积神经网络的雷达信号检测方法,可用于代替恒虚警检测器实现信号检测。
背景技术
在雷达信号处理中,一般使用恒虚警(CFAR)检测器进行信号检测,即在恒定的虚警概率下根据杂波背景设置门限从而达到最大检测概率的方法。而现如今,随着战场环境复杂多变,雷达检测面临的杂波背景越来越复杂。恒虚警检测器往往是在特定的检测背景中具有最佳检测性能,且在各参考单元之间服从独立同分布的假设条件下成立。实测时的背景杂波多变且它们之间可能具有较强的相关性,这使得恒虚警检测器的检测性能有所下降。
发明内容
为了克服现有技术中的不足,本发明提供一种基于卷积神经网络的雷达信号检测方法,传统的雷达信号处理是利用二维恒虚警检测,对脉冲多普勒处理得到的距离——多普勒频谱进行处理,而卷积神经网络是一种处理二维图像数据的成熟工具,善于提取图像中的特征信息,进行图像分类。为了增强雷达信号检测器的普适性,进一步提高信号处理系统的检测能力,提出使用卷积神经网络对距离——多普勒频谱进行分类,从而实现信号检测的方法。
为了达到上述发明目的,解决其技术问题所采用的技术方案如下:
一种基于卷积神经网络的雷达信号检测方法,所述方法包括以下步骤:
步骤1:构造不同杂波背景下的雷达回波数据,进行匹配滤波和脉冲多普勒处理,得到距离——多普勒频谱,形成信号检测样本数据库,再对应样本做有、无目标的标签;
步骤2:将信号检测样本数据库随机分成训练样本和测试样本,构成训练集合和测试集合,标签对应地设为训练集标签和测试集标签;
步骤3:利用样本数据库的训练集样本对卷积神经网络进行训练,观察网络训练准确率和损失函数随训练次数变化的曲线,得到训练成熟的网络;
步骤4:利用样本数据库的测试集样本对训练成熟的网络进行测试,再将检测结果与设定的标签进行统计分析;
步骤5:根据步骤4所得检测结果,计算卷积神经网络进行雷达信号检测的检测概率,并与相同条件下的二维恒虚警检测概率进行比较。
进一步的,步骤1中,所述信号检测样本数据库构成如下:
步骤11:规定所提信噪比均为雷达回波信号经过匹配滤波和脉冲多普勒处理后的信噪比;
步骤12:分别以白噪声、瑞利杂波、韦布尔杂波和K杂波为背景,仿真雷达回波信号,将收到的回波依次经过匹配滤波处理和脉冲多普勒处理,得到回波的距离——多普勒频谱;
步骤13:每种杂波背景下,分别仿真不同信噪比下的距离——多普勒频谱,其中,同一背景且同一信噪比下,仿真M组有目标时的频谱和N组无目标时的频谱,作为图像样本形成一个包含(M+N)组数据的数据库,对应每一个频谱有两个标签,分别为:有目标和无目标。
进一步的,步骤1中,所述不同杂波背景包括瑞利分布的杂波、韦布尔分布的杂波和K分布的杂波,按照三种杂波统计模型仿真杂波背景。
其中,x表示瑞利分布杂波回波的包络振幅,δ2表示杂波的方差,方差越小,分布函数的尖峰越明显,设定方差在0到1之间,仿真瑞利杂波背景下的雷达回波信号;
其中,P是形状参数,控制分布函数的均方值;q是尺度参数,控制分布函数的尾部形状,设定p和q在1.4到2之间,仿真韦布尔杂波背景下的雷达回波信号;
其中,v是形状参数,a是尺度参数,Γ(v)是伽马函数,Kv-1(x)是第二类修正贝塞尔函数,设定K在0到2之间,仿真K杂波背景下的雷达回波信号。
进一步的,步骤2中,所述训练样本和测试样本选取方式如下:
将同一背景同一信噪比下的(M+N)组距离——多普勒频谱和对应的标签同时打乱顺序,再随机选取m组频谱及对应标签作为训练集样本和训练集标签,剩余的n组频谱及对应标签作为测试集样本和测试集标签。
进一步的,步骤3中,所述卷积神经网络用Keras来构建、训练和测试,其中,网络的结构如下:
使用两个卷积层、两个池化层交替连接,最后再连接两个全连接层的结构,由于卷积核的大小和滑动步长决定网络中的参数量和最后输出特征的多少,卷积核的大小越小,参数和计算量越小,可以选用较小的卷积核来减少计算量:第1个卷积层使用C1个大小为k1×k1的卷积核,第2个卷积层使用C2个大小为k2×k2的卷积核,滑动步长根据卷积核大小和原图像大小决定;池化层使用无重叠的最大池化方式,池化区域选用p1×p1的大小;
网络的卷积层选用relu激活函数,最后一个全连接层选用softmax激活函数,损失函数使用Keras中专门计算分类误差的categorical_crossentropy函数,网络训练时,每次随机选取一定数量的样本作为一批数据进行学习,学习率在0.01到0.001之间调整,训练次数由训练的程度决定,在20到150次之间调整。
进一步的,步骤5中,所述卷积神经网络的检测概率计算方法如下:
在利用测试集对卷积神经网络进行测试后,保存卷积神经网络的检测结果,与原设定的标签进行对比统计:设原标签与检测结果均为有目标的情况为H11,原标签与检测结果均为无目标的情况为H00,原标签有目标而检测结果无目标的情况为H10,原标签无目标而检测结果有目标的情况为H01,则网络的检测概率为即原标签设定为有目标的情况下,网络的检测结果也是有目标时的概率。
本发明由于采用以上技术方案,使之与现有技术相比,具有以下的优点和积极效果:
本发明提供了一种基于卷积神经网络的雷达信号检测方法,该方法以脉冲多普勒处理后得到的距离——多普勒频谱作为图像样本,以有无目标时频谱的不同特点作为识别特征,利用卷积神经网络的分类能力实现雷达信号检测,判断目标信号的有无。把卷积神经网络应用于雷达信号处理中,从图像处理的角度实现信号检测,与传统的CFAR检测器相比,提高了检测概率,避免了使用CFAR检测器时背景杂波的相关性带来的影响,改善了固定的CFAR检测器适用于特定环境的局限性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。附图中:
图1是本发明一种基于卷积神经网络的雷达信号检测方法的流程示意图;
图2是本发明四种不同背景下的距离——多普勒频谱图;
图3是本发明实施例所用的卷积神经网络架构图;
图4是本发明白噪声下卷积神经网络的训练变化曲线图;
图5是本发明瑞利杂波下卷积神经网络的训练变化曲线图;
图6是本发明韦布尔杂波下卷积神经网络的训练变化曲线图;
图7是本发明K杂波下卷积神经网络的训练变化曲线图。
具体实施方式
以下将结合本发明的附图,对本发明实施例中的技术方案进行清楚、完整的描述和讨论,显然,这里所描述的仅仅是本发明的一部分实例,并不是全部的实例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明的保护范围。
如图1所示,本发明实施例提供的一种基于卷积神经网络的雷达信号检测方法,所述方法包括以下步骤:
步骤1:构造不同杂波背景下的雷达回波数据,进行匹配滤波和脉冲多普勒处理,得到距离——多普勒频谱,形成信号检测样本数据库,再对应样本做有、无目标的标签。
本步骤中,回波信号由64组脉冲组成,信号脉宽为50us,带宽为4MHz,采样频率为8MHz,脉冲重复频率为2.7KHz。
具体的,步骤1中,所述信号检测样本数据库构成如下:
步骤11:规定所提信噪比均为雷达回波信号经过匹配滤波和脉冲多普勒处理后的信噪比;
步骤12:分别以白噪声、瑞利杂波、韦布尔杂波和K杂波为背景,仿真雷达回波信号,将收到的回波依次经过匹配滤波处理和脉冲多普勒处理,得到回波的距离——多普勒频谱;
步骤13:每种杂波背景下,分别仿真不同信噪比下的距离——多普勒频谱,其中,同一背景且同一信噪比下,仿真M组有目标时的频谱和N组无目标时的频谱,作为图像样本形成一个包含(M+N)组数据的数据库,对应每一个频谱有两个标签,分别为:有目标和无目标。
进一步的,步骤1中,所述不同杂波背景包括瑞利分布的杂波、韦布尔分布的杂波和K分布的杂波,按照三种杂波统计模型仿真杂波背景,具体的:
其中,x表示瑞利分布杂波回波的包络振幅,δ2表示杂波的方差,方差越小,分布函数的尖峰越明显,设定方差在0到1之间,仿真瑞利杂波背景下的雷达回波信号;
其中,P是形状参数,控制分布函数的均方值;q是尺度参数,控制分布函数的尾部形状,设定p和q在1.4到2之间,仿真韦布尔杂波背景下的雷达回波信号;
其中,v是形状参数,a是尺度参数,Γ(v)是伽马函数,Kv-1(x)是第二类修正贝塞尔函数,设定K在0到2之间,仿真K杂波背景下的雷达回波信号。
对四种不同背景下的雷达回波信号进行匹配滤波和脉冲多普勒处理,得到四种背景下的距离——多普勒频谱,图2绘制了四种背景下的距离——多普勒频谱。分别仿真信噪比为10dB,15dB和20dB时的频谱,其中,同一背景且同一信噪比下,仿真M组有目标时的频谱和N组无目标时的频谱,作为图像样本形成一个包含(M+N)组数据的数据库。对应每一个频谱有两个标签,分别为:有目标和无目标。
步骤2:将信号检测样本数据库随机分成训练样本和测试样本,构成训练集合和测试集合,标签对应地设为训练集标签和测试集标签。
具体的,步骤2中,所述训练样本和测试样本选取方式如下:
将同一背景同一信噪比下的(M+N)组距离——多普勒频谱和对应的标签同时打乱顺序,再随机选取m组频谱及对应标签作为训练集样本和训练集标签,剩余的n组频谱及对应标签作为测试集样本和测试集标签,以此方法构建多组数据集。
步骤3:利用样本数据库的训练集样本对卷积神经网络进行训练,观察网络训练准确率和损失函数随训练次数变化的曲线,得到训练成熟的网络。
图3绘制了本发明实施例所用的卷积神经网络架构,此架构使用Keras(一个用Python编写的高级神经网络API)来构建、训练和测试,网络的结构如下:
使用两个卷积层、两个池化层交替连接,最后再连接两个全连接层的结构,由于卷积核的大小和滑动步长决定网络中的参数量和最后输出特征的多少,卷积核的大小越小,参数和计算量越小,可以选用较小的卷积核来减少计算量:第1个卷积层使用C1个大小为k1×k1的卷积核,第2个卷积层使用C2个大小为k2×k2的卷积核,滑动步长根据卷积核大小和原图像大小决定;池化层使用无重叠的最大池化方式,池化区域选用p1×p1的大小;
关于激活函数和损失函数,网络的卷积层选用relu激活函数,最后一个全连接层(输出层)选用softmax激活函数,损失函数使用Keras中专门计算分类误差的categorical_crossentropy函数,网络训练时,每次随机选取一定数量的样本作为一批数据进行学习,学习率在0.01到0.001之间调整,训练次数由训练的程度决定,在20到150次之间调整。
训练最终达到网络的学习准确率0.9以上,损失函数收敛的状态。此时网络的内部参数(权值、偏置等)已被训练成熟,可以用来进行信号检测的测试。
步骤4:利用样本数据库的测试集样本对训练成熟的网络进行测试,再将检测结果与设定的标签进行统计分析。
步骤5:根据步骤4所得检测结果,计算卷积神经网络进行雷达信号检测的检测概率,并与相同条件下的二维恒虚警检测概率进行比较。
具体的的,步骤5中,所述卷积神经网络的检测概率计算方法如下:
在利用测试集对卷积神经网络进行测试后,保存卷积神经网络的检测结果,与原设定的标签进行对比统计:设原标签与检测结果均为有目标的情况为H11,原标签与检测结果均为无目标的情况为H00,原标签有目标而检测结果无目标的情况为H10,原标签无目标而检测结果有目标的情况为H01,则网络的检测概率为即原标签设定为有目标的情况下,网络的检测结果也是有目标时的概率。
至此,本发明实施例提供的基于卷积神经网络的雷达信号检测方法结束。
以下将依照上述步骤通过仿真实验对本发明实施例上述方法的效果进行验证:
1、分别使用白噪声下10dB、15dB和20dB的数据集对卷积神经网络进行训练和测试,调节网络的学习率、bench数、epoch数等,使网络达到如图4所示的稳定状态并计算卷积神经网络的检测概率。表1为白噪声下二维CFAR检测器和卷积神经网络的检测概率对比表。
表1
2、分别使用瑞丽杂波下10dB、15dB和20dB的数据集对卷积神经网络进行训练和测试,使网络达到如图5所示的稳定状态并计算卷积神经网络的检测概率。表2为瑞利杂波下二维CFAR检测器和卷积神经网络的检测概率对比表。
表2
3、分别使用韦布尔杂波下10dB、15dB和20dB的数据集对卷积神经网络进行训练和测试,使网络达到如图6所示的稳定状态并计算卷积神经网络的检测概率。表3为韦布尔杂波下二维CFAR检测器和卷积神经网络的检测概率对比表。
表3
4、分别使用K杂波下10dB、15dB和20dB的数据集对卷积神经网络进行训练和测试,使网络达到如图7所示的稳定状态并计算卷积神经网络的检测概率。表4为K杂波下二维CFAR检测器和卷积神经网络的检测概率对比表。
表4
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (7)
1.一种基于卷积神经网络的雷达信号检测方法,其特征在于,所述方法包括以下步骤:
步骤1:构造不同杂波背景下的雷达回波数据,进行匹配滤波和脉冲多普勒处理,得到距离——多普勒频谱,形成信号检测样本数据库,再对应样本做有、无目标的标签;
步骤2:将信号检测样本数据库随机分成训练样本和测试样本,构成训练集合和测试集合,标签对应地设为训练集标签和测试集标签;
步骤3:利用样本数据库的训练集样本对卷积神经网络进行训练,观察网络训练准确率和损失函数随训练次数变化的曲线,得到训练成熟的网络;
步骤4:利用样本数据库的测试集样本对训练成熟的网络进行测试,再将检测结果与设定的标签进行统计分析;
步骤5:根据步骤4所得检测结果,计算卷积神经网络进行雷达信号检测的检测概率,并与相同条件下的二维恒虚警检测概率进行比较。
2.根据权利要求1所述的一种基于卷积神经网络的雷达信号检测方法,其特征在于,步骤1中,所述信号检测样本数据库构成如下:
步骤11:规定所提信噪比均为雷达回波信号经过匹配滤波和脉冲多普勒处理后的信噪比;
步骤12:分别以白噪声、瑞利杂波、韦布尔杂波和K杂波为背景,仿真雷达回波信号,将收到的回波依次经过匹配滤波处理和脉冲多普勒处理,得到回波的距离——多普勒频谱;
步骤13:每种杂波背景下,分别仿真不同信噪比下的距离——多普勒频谱,其中,同一背景且同一信噪比下,仿真M组有目标时的频谱和N组无目标时的频谱,作为图像样本形成一个包含(M+N)组数据的数据库,对应每一个频谱有两个标签,分别为:有目标和无目标。
3.根据权利要求1所述的一种基于卷积神经网络的雷达信号检测方法,其特征在于,步骤1中,所述不同杂波背景包括瑞利分布的杂波、韦布尔分布的杂波和K分布的杂波,按照三种杂波统计模型仿真杂波背景。
5.根据权利要求1所述的一种基于卷积神经网络的雷达信号检测方法,其特征在于,步骤2中,所述训练样本和测试样本选取方式如下:
将同一背景同一信噪比下的(M+N)组距离——多普勒频谱和对应的标签同时打乱顺序,再随机选取m组频谱及对应标签作为训练集样本和训练集标签,剩余的n组频谱及对应标签作为测试集样本和测试集标签。
6.根据权利要求1所述的一种基于卷积神经网络的雷达信号检测方法,其特征在于,步骤3中,所述卷积神经网络用Keras来构建、训练和测试,其中,网络的结构如下:
使用两个卷积层、两个池化层交替连接,最后再连接两个全连接层的结构,由于卷积核的大小和滑动步长决定网络中的参数量和最后输出特征的多少,卷积核的大小越小,参数和计算量越小,可以选用较小的卷积核来减少计算量:第1个卷积层使用C1个大小为k1×k1的卷积核,第2个卷积层使用C2个大小为k2×k2的卷积核,滑动步长根据卷积核大小和原图像大小决定;池化层使用无重叠的最大池化方式,池化区域选用p1×p1的大小;
网络的卷积层选用relu激活函数,最后一个全连接层选用softmax激活函数,损失函数使用Keras中专门计算分类误差的categorical_crossentropy函数,网络训练时,每次随机选取一定数量的样本作为一批数据进行学习,学习率在0.01到0.001之间调整,训练次数由训练的程度决定,在20到150次之间调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010796744.4A CN111722199B (zh) | 2020-08-10 | 2020-08-10 | 一种基于卷积神经网络的雷达信号检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010796744.4A CN111722199B (zh) | 2020-08-10 | 2020-08-10 | 一种基于卷积神经网络的雷达信号检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111722199A true CN111722199A (zh) | 2020-09-29 |
CN111722199B CN111722199B (zh) | 2023-06-20 |
Family
ID=72574226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010796744.4A Active CN111722199B (zh) | 2020-08-10 | 2020-08-10 | 一种基于卷积神经网络的雷达信号检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111722199B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112285667A (zh) * | 2020-12-21 | 2021-01-29 | 南京天朗防务科技有限公司 | 一种基于神经网络的反地杂波处理方法 |
CN112305506A (zh) * | 2020-10-26 | 2021-02-02 | 哈尔滨工程大学 | 一种基于cnn的lpi雷达信号检测方法 |
CN112327266A (zh) * | 2020-10-23 | 2021-02-05 | 北京理工大学 | 一种基于多维信息融合的杂波点迹剔除方法 |
CN112698291A (zh) * | 2020-12-18 | 2021-04-23 | 南京航空航天大学 | 一种基于cnn的机载气象雷达气象目标检测方法 |
CN113177929A (zh) * | 2021-05-18 | 2021-07-27 | 中国石油大学(华东) | 一种基于全卷积网络的海面溢油检测方法及其系统和应用 |
CN113189589A (zh) * | 2021-05-08 | 2021-07-30 | 南京航空航天大学 | 基于卷积神经网络的多通道合成孔径雷达动目标检测方法 |
CN113283326A (zh) * | 2021-05-17 | 2021-08-20 | 南京航空航天大学 | 基于仿真目标亮线特征的视频sar目标智能检测方法 |
CN113341175A (zh) * | 2021-06-04 | 2021-09-03 | 西安交通大学 | 一种基于单检波器的高铁运行加速度估计方法及系统 |
CN113408538A (zh) * | 2021-07-12 | 2021-09-17 | 安徽耀峰雷达科技有限公司 | 基于svm的雷达rd图像弱目标检测方法、系统、存储介质和电子终端 |
CN113534120A (zh) * | 2021-07-14 | 2021-10-22 | 浙江大学 | 一种基于深度神经网络的多目标恒虚警率检测方法 |
CN114720957A (zh) * | 2022-06-08 | 2022-07-08 | 中国人民解放军空军预警学院 | 一种雷达目标检测方法、系统及可存储介质 |
CN113189589B (zh) * | 2021-05-08 | 2024-05-17 | 南京航空航天大学 | 基于卷积神经网络的多通道合成孔径雷达动目标检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3907788A1 (de) * | 1989-03-10 | 1990-09-13 | Telefunken Systemtechnik | Radarsignalverarbeitungsverfahren |
CA2658846A1 (en) * | 2007-01-24 | 2008-07-31 | Raytheon Company | Intelligent biometric radar system |
CN109541567A (zh) * | 2018-12-28 | 2019-03-29 | 西安电子科技大学 | 基于深度学习的高速机动目标检测方法 |
CN109934101A (zh) * | 2019-01-24 | 2019-06-25 | 西安电子科技大学 | 基于卷积神经网络的雷达杂波识别方法 |
CN110263646A (zh) * | 2019-05-21 | 2019-09-20 | 华中科技大学 | 一种基于卷积神经网络的海面弱目标探测方法和系统 |
US20200142029A1 (en) * | 2017-06-29 | 2020-05-07 | Sensing Management Pty Limited | A system and method of detecting objects |
CN111220958A (zh) * | 2019-12-10 | 2020-06-02 | 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 |
CN111505643A (zh) * | 2020-04-22 | 2020-08-07 | 南京信息工程大学 | 基于时频图深度学习的海面小目标检测方法 |
-
2020
- 2020-08-10 CN CN202010796744.4A patent/CN111722199B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3907788A1 (de) * | 1989-03-10 | 1990-09-13 | Telefunken Systemtechnik | Radarsignalverarbeitungsverfahren |
CA2658846A1 (en) * | 2007-01-24 | 2008-07-31 | Raytheon Company | Intelligent biometric radar system |
US20200142029A1 (en) * | 2017-06-29 | 2020-05-07 | Sensing Management Pty Limited | A system and method of detecting objects |
CN109541567A (zh) * | 2018-12-28 | 2019-03-29 | 西安电子科技大学 | 基于深度学习的高速机动目标检测方法 |
CN109934101A (zh) * | 2019-01-24 | 2019-06-25 | 西安电子科技大学 | 基于卷积神经网络的雷达杂波识别方法 |
CN110263646A (zh) * | 2019-05-21 | 2019-09-20 | 华中科技大学 | 一种基于卷积神经网络的海面弱目标探测方法和系统 |
CN111220958A (zh) * | 2019-12-10 | 2020-06-02 | 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 |
CN111505643A (zh) * | 2020-04-22 | 2020-08-07 | 南京信息工程大学 | 基于时频图深度学习的海面小目标检测方法 |
Non-Patent Citations (4)
Title |
---|
T XIAOQIAN MOU ET AL.: ""Marine Target Detection Based on Improved Faster R-CNN for Navigation Radar PPI Images"", 《 2019 INTERNATIONAL CONFERENCE ON CONTROL, AUTOMATION AND INFORMATION SCIENCES (ICCAIS)》, pages 1 - 5 * |
李园园: ""基于杂波分类识别的自适应IOSGO-CFAR算法研究及实现"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
李园园: ""基于杂波分类识别的自适应IOSGO-CFAR算法研究及实现"", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 2, 15 February 2020 (2020-02-15), pages 7 - 30 * |
高淑雅等: ""一种基于卷积神经网络的雷达目标分类方法"", 《信息技术》, vol. 44, no. 1, pages 91 - 94 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112327266A (zh) * | 2020-10-23 | 2021-02-05 | 北京理工大学 | 一种基于多维信息融合的杂波点迹剔除方法 |
CN112327266B (zh) * | 2020-10-23 | 2024-05-03 | 北京理工大学 | 一种基于多维信息融合的杂波点迹剔除方法 |
CN112305506A (zh) * | 2020-10-26 | 2021-02-02 | 哈尔滨工程大学 | 一种基于cnn的lpi雷达信号检测方法 |
CN112698291A (zh) * | 2020-12-18 | 2021-04-23 | 南京航空航天大学 | 一种基于cnn的机载气象雷达气象目标检测方法 |
CN112698291B (zh) * | 2020-12-18 | 2023-12-15 | 南京航空航天大学 | 一种基于cnn的机载气象雷达气象目标检测方法 |
CN112285667A (zh) * | 2020-12-21 | 2021-01-29 | 南京天朗防务科技有限公司 | 一种基于神经网络的反地杂波处理方法 |
CN113189589B (zh) * | 2021-05-08 | 2024-05-17 | 南京航空航天大学 | 基于卷积神经网络的多通道合成孔径雷达动目标检测方法 |
CN113189589A (zh) * | 2021-05-08 | 2021-07-30 | 南京航空航天大学 | 基于卷积神经网络的多通道合成孔径雷达动目标检测方法 |
CN113283326A (zh) * | 2021-05-17 | 2021-08-20 | 南京航空航天大学 | 基于仿真目标亮线特征的视频sar目标智能检测方法 |
CN113283326B (zh) * | 2021-05-17 | 2024-04-19 | 南京航空航天大学 | 基于仿真目标亮线特征的视频sar目标智能检测方法 |
CN113177929A (zh) * | 2021-05-18 | 2021-07-27 | 中国石油大学(华东) | 一种基于全卷积网络的海面溢油检测方法及其系统和应用 |
CN113341175A (zh) * | 2021-06-04 | 2021-09-03 | 西安交通大学 | 一种基于单检波器的高铁运行加速度估计方法及系统 |
CN113341175B (zh) * | 2021-06-04 | 2022-10-25 | 西安交通大学 | 一种基于单检波器的高铁运行加速度估计方法及系统 |
CN113408538A (zh) * | 2021-07-12 | 2021-09-17 | 安徽耀峰雷达科技有限公司 | 基于svm的雷达rd图像弱目标检测方法、系统、存储介质和电子终端 |
CN113534120B (zh) * | 2021-07-14 | 2023-06-30 | 浙江大学 | 一种基于深度神经网络的多目标恒虚警率检测方法 |
CN113534120A (zh) * | 2021-07-14 | 2021-10-22 | 浙江大学 | 一种基于深度神经网络的多目标恒虚警率检测方法 |
CN114720957A (zh) * | 2022-06-08 | 2022-07-08 | 中国人民解放军空军预警学院 | 一种雷达目标检测方法、系统及可存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111722199B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111722199B (zh) | 一种基于卷积神经网络的雷达信号检测方法 | |
CN110632572A (zh) | 基于无意调相特性的雷达辐射源个体识别方法及装置 | |
CN112949387B (zh) | 基于迁移学习的智能抗干扰目标检测方法 | |
CN112859012B (zh) | 一种基于级联卷积神经网络的雷达欺骗干扰识别方法 | |
CN113962151B (zh) | 基于深度卷积迁移学习的距离假目标智能识别方法 | |
CN111639746A (zh) | 一种基于cnn神经网络的gnss-r海面风速反演方法及系统 | |
CN112083393B (zh) | 基于谱图平均时间特征的间歇采样转发干扰识别方法 | |
CN114895263A (zh) | 基于深度迁移学习的雷达有源干扰信号识别方法 | |
CN109143195A (zh) | 一种基于全kl散度的雷达目标检测方法 | |
CN113673312B (zh) | 基于深度学习的雷达信号脉内调制识别方法 | |
CN108872961B (zh) | 基于低门限的雷达微弱目标检测方法 | |
CN110456351A (zh) | 基于时变幅值lfm信号参数估计的机动目标isar成像方法 | |
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 | |
CN114117912A (zh) | 一种数据模型双驱动下的海杂波建模与抑制方法 | |
CN113608193A (zh) | 一种基于UNet的雷达多目标距离和速度估计方法 | |
CN111983569B (zh) | 基于神经网络的雷达干扰抑制方法 | |
CN107728121B (zh) | 一种基于可变窗的局部拟合优度检验方法 | |
KR102407834B1 (ko) | 긴 펄스 레이더 신호의 속성 기반 분류 방법 및 장치 | |
CN112666528B (zh) | 一种基于卷积神经网络的多站雷达系统干扰鉴别方法 | |
CN115061094A (zh) | 一种基于神经网络与svm的雷达目标识别方法 | |
CN115345216A (zh) | 一种融合先验信息的fmcw雷达干扰消除方法 | |
CN114298093A (zh) | Iff信号智能分类识别方法 | |
de Sá et al. | Lightning distance estimation using LF lightning Radio signals via analytical and machine-learned models | |
Wu et al. | Using Range-Doppler Spectrum-Based Deep Learning Method to Detect Radar Target in Interrupted Sampling Repeater Jamming | |
Wang et al. | Identification of radar active interference types based on three-dimensional residual network |
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 |