CN111722199B - 一种基于卷积神经网络的雷达信号检测方法 - Google Patents

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

一种基于卷积神经网络的雷达信号检测方法

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。

进一步的，瑞利分布的概率密度函数为

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；

韦布尔分布的概率密度函数为

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；

K分布的概率密度函数为

其中，v是形状参数，a是尺度参数，Γ(v)是伽马函数，K_v-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：

瑞利分布的概率密度函数为

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；

韦布尔分布的概率密度函数为

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；

K分布的概率密度函数为

其中，v是形状参数，a是尺度参数，Γ(v)是伽马函数，K_v-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 (3)

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；

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；

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；

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；

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。

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。

3.根据权利要求2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，瑞利分布的概率密度函数为

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；

韦布尔分布的概率密度函数为

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；

K分布的概率密度函数为

其中，v是形状参数，a是尺度参数，Γ(v)是伽马函数，K_v-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。

Images