CN111880158A - 一种基于卷积神经网络序列分类的雷达目标检测方法及系统 - Google Patents
一种基于卷积神经网络序列分类的雷达目标检测方法及系统 Download PDFInfo
- Publication number
- CN111880158A CN111880158A CN202010785821.6A CN202010785821A CN111880158A CN 111880158 A CN111880158 A CN 111880158A CN 202010785821 A CN202010785821 A CN 202010785821A CN 111880158 A CN111880158 A CN 111880158A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- signal sequence
- network model
- sequence
- 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.)
- Pending
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 111
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 102
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000012360 testing method Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000005070 sampling Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 238000011176 pooling Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 238000000605 extraction Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000001629 suppression Effects 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
-
- 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
- G01S7/414—Discriminating targets with respect to background clutter
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于卷积神经网络序列分类的雷达目标检测方法及系统。该方法包括：构建基于雷达信号序列的数据集，所述雷达信号序列包括杂波信号序列和目标信号序列，所述数据集包括训练集和测试集；采用训练集对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；采用测试集对所述训练后的卷积神经网络模型进行测试，得到分类结果；根据所述分类结果优化训练后的卷积神经网络模型，得到优化后的卷积神经网络模型；获取待预测的雷达信号序列；将所述待预测的雷达信号序列作为输入，输入至所述优化后的卷积神经网络模型，预测待测信号的分类结果。本发明能够提高雷达目标检测的准确率。
Description
技术领域
本发明涉及目标检测领域，特别是涉及一种基于卷积神经网络序列分类的雷达目标检测方法及系统。
背景技术
雷达目标检测在国防海上监视、交通运输和资源环境保护等诸多领域都有重要价值。由于探测环境复杂、杂波和目标信号模型多样化等原因，可靠和稳健的雷达目标检测和分类技术一直是关键技术。目前雷达目标的检测与识别的难点主要在于杂波抑制、目标高分辨特征提取、复杂特征分类等。现有检测方法多以统计理论为基础，即将杂波视为随机过程，假设其服从特定的分布模型，例如：K分布、瑞利分布、对数正态分布等，对于服从不同的统计模型的杂波信号采用不同检测算法。然而，在实际应用场景中，目标和杂波模型类别日益增多，在复杂环境中现有的杂波分布模型常常难以与实际信号匹配，导致经典目标检测方法性能受环境影响严重，难以实现高性能检测。此外，由于复杂环境下杂波的非均匀性、非平稳特性，如海杂波，其无法完全被抑制，检测性能不稳定。Haykin等人采用基于混沌和分形方法，将关联维数和盒维数等特征量用于海杂波背景下弱目标的检测，该方法仍存在低SCR下检测性能较弱的问题，且对运动目标检测的能力较低。
近年来深度学习技术发展迅速，并在信号处理领域得到广泛运用。深度学习方法不仅具有特征提取功能，还有很强的泛化能力，为信号处理提供了新的途径。卷积神经网络(Convolutional Neural Network,CNN)常用于数据特征提取及分类，可提取样本中像素点之间的结构特征，当采用一维卷积核时可用于序列样本的分类。
雷达信号可视为时间序列，反映了目标或者散射点回波信息随时间的变化。通常情况下与杂波信号相比，目标散射点回波信号较强，表现为信号幅值的升高，可用作目标检测依据。因此，CNN可用于一维雷达信号序列检测。
发明内容
本发明的目的是提供一种基于卷积神经网络序列分类的雷达目标检测方法及系统，能够提高雷达目标检测的准确率。
为实现上述目的，本发明提供了如下方案：
一种基于卷积神经网络序列分类的雷达目标检测方法，包括：
构建基于雷达信号序列的数据集，所述雷达信号序列包括杂波信号序列和目标信号序列，所述数据集包括训练集和测试集；
采用训练集对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；
采用测试集对所述训练后的卷积神经网络模型进行测试，得到分类结果；
根据所述分类结果优化训练后的卷积神经网络模型，得到优化后的卷积神经网络模型；
获取待预测的雷达信号序列；
将所述待预测的雷达信号序列作为输入，输入至所述优化后的卷积神经网络模型，预测待测信号的分类结果。
可选的，所述构建基于雷达信号序列的数据集，具体包括：
获取雷达回波信号中杂波单元的时间序列；
将所述杂波单元的时间序列分割成第一设定数量采样点长度的序列，作为杂波信号序列样本；
在所述杂波信号序列样本中随机位置插入第二设定数量采样点长度、以不同SCR生成的仿真目标信号，生成目标信号序列样本；
将所述杂波信号序列样本和所述目标信号序列样本添加标签，得到数据集样本。
可选的，所述采用训练集对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型，具体包括：
将所述雷达信号序列输入至卷积神经网络模型进行训练，得到预测结果准确率；
判断所述预测结果准确率是否在阈值范围内；
若是，得到训练后的卷积神经网络模型；
若否，调整所述卷积神经网络模型的参数，使所述预测结果准确率在阈值范围内。
一种基于卷积神经网络序列分类的目标检测系统，包括：
数据集构建模块，用于构建基于雷达信号序列的数据集，所述雷达信号序列包括杂波信号序列和目标信号序列，所述数据集包括训练集和测试集；
训练模块，用于采用训练集对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；
测试模块，用于采用测试集对所述训练后的卷积神经网络模型进行测试，得到分类结果；
优化模块，用于根据所述分类结果优化训练后的卷积神经网络模型，得到优化后的卷积神经网络模型；
待预测的雷达信号序列获取模块，用于获取待预测的雷达信号序列；
预测模块，用于将所述待预测的雷达信号序列作为输入，输入至所述优化后的卷积神经网络模型，预测待测信号的分类结果。
可选的，所述数据集构建模块，具体包括：
获取单元，用于获取雷达回波信号中杂波单元的时间序列；
杂波信号序列样本确定单元，用于将所述杂波单元的时间序列分割成第一设定数量采样点长度的序列，作为杂波信号序列样本；
杂波信号序列样本确定单元，用于在所述杂波信号序列样本中随机位置插入第二设定数量采样点长度、以不同SCR生成的仿真目标信号，生成目标信号序列样本；
数据集样本确定单元，用于将所述杂波信号序列样本和所述目标信号序列样本添加标签，得到数据集样本。
可选的，所述训练模块，具体包括：
预测结果确定单元，用于将所述雷达信号序列输入至卷积神经网络模型进行训练，得到预测结果准确率；
判断单元，用于判断所述预测结果准确率是否在阈值范围内；
训练后的卷积神经网络模型确定单元，用于当所述预测结果与真实结果之间的误差在阈值范围内，得到训练后的卷积神经网络模型；
调整单元，用于当所述预测结果与真实结果之间的误差不在阈值范围内，调整所述卷积神经网络模型的参数，使所述预测结果准确率在阈值范围内。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明基于CNN二元分类的雷达序列目标检测方法，采用目标和杂波信号样本对CNN模型进行训练，然后用训练好的模型对待检测样本进行测试，根据分类结果判断样本为杂波或者目标，可提高雷达目标检测的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于卷积神经网络序列分类的雷达目标检测方法流程图；
图2为本发明2D卷积核LeNet结构示意图；
图3为本发明1D卷积核LeNet结构示意图；
图4为本发明基于卷积神经网络序列分类的训练过程示意图；
图5为本发明目标样本分类准确率示意图；
图6为本发明杂波样本分类错误率示意图；
图7为本发明基于卷积神经网络序列分类的目标检测框图；
图8为本发明基于卷积神经网络序列分类的目标检测系统结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于卷积神经网络序列分类的雷达目标检测方法及系统，能够提高雷达目标检测的准确率。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，一种基于卷积神经网络序列分类的雷达目标检测方法，该方法包括：
步骤101：构建基于雷达信号序列的数据集，所述雷达信号序列包括杂波信号序列和目标信号序列，所述数据集包括训练集和测试集，具体包括：
获取雷达回波信号中杂波单元的时间序列。
将所述杂波单元的时间序列分割成第一设定数量采样点长度的序列，作为杂波信号序列样本。
在所述杂波信号序列样本中随机位置插入第二设定数量采样点长度、以不同SCR生成的仿真目标信号，生成目标信号序列样本。所述第一设定数量大于第二设定数量，作为一种优选的方案，第一设定数量可以设定为500，第二设定数量可以设定为50。
将所述杂波信号序列样本和所述目标信号序列样本添加标签，得到数据集样本。
步骤102：采用训练集对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型，具体包括：
将所述雷达信号序列输入至卷积神经网络模型进行训练，得到预测结果准确率。
判断所述预测结果准确率是否在阈值范围内。
若是，得到训练后的卷积神经网络模型。
若否，调整所述卷积神经网络模型的参数，使所述预测结果准确率在阈值范围内。具体的，若杂波信号预测结果准确率低，则输入杂波信号样本继续训练，若目标信号预测结果准确率低，则输入目标信号样本继续训练。
采用LeNet网络对目标和杂波信号序列进行二元分类实现目标检测。LeNet是最早的卷积神经网络之一，该网络共有7层，结构如图2所示，其卷积层的卷积核大小为5×5，在处理一维信号数据时，将卷积核改为一维向量，卷积核大小为5×1。其结构如图3所示。
卷积层1通过卷积核k1对输入的特征图x1进行卷积操作，并使用偏置系数b1，自动提取特征图中信号的特征，然后经过ReLU激活函数：
引入非线性因素，鲁棒性增强并且能缓解梯度消失。卷积层1输出N1个特征图，其中第j个特征图为：
其中，
表示卷积层1对输入数据进行卷积操作的第j个卷积核，
表示卷积层1中与第j个卷积核相对应的偏置系数，
表示卷积操作，x为输入数据，
表示卷积层1输出的第j个特征图；
池化层1通过平均池化函数对卷积层1输出的特征图进行采样，降低数据维度和减少运算量，池化层1输出的第n个特征图
其中，
函数为平均池化函数，
表示在每个大小为c的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，此处设置为2；
卷积层2通过卷积核k2对池化层1输出的N1个特征图进行卷积操作，Mj为输入的特征图集合，则输出N2个特征图，其中第n个特征图
其中，
表示卷积层2对第i个特征图进行卷积操作的第j个卷积核，
表示卷积层2中与第j个卷积核相对应的偏置系数；
池化层2通过平均池化函数对卷积层2输出的每个特征图进行下采样，输出的第n个特征图
卷积层3通过卷积核k5对第四层输出的每个特征图进行卷积操作，使用偏置系数b5扩充卷积区域，Lj为输入的特征图集合，则输出第n个特征图
由于该层卷积核尺寸为1×1，因此该层也可看作全连接层(全连接层1)；
全连接层2输出节点数为84，通过权值矩阵w6对卷积层3(全连接层1)输出的特征向量进行矩阵乘法运算，并加偏置系数b6。Lc2为输出特征向量：
Lc2＝f(w6L5+b6)
第七层全连接层输出节点数为2(二元分类)，通过权值矩阵w7对第6层输出的特征向量进行矩阵乘法运算，并加偏置系数b7，激活函数选用Softmax函数。Lc3为网络输出结果：
Lc3＝S(w7L6+b7)
选用一维卷积核LeNet网络，如图4所示，对网络参数进行初始化，用训练集对网络进行迭代训练，优化网络参数。训练过程中学习率为0.01，batch size为32，迭代次数为10000，参数优化算法选用随机梯度下降(SGD)，损失函数采用交叉熵函数，同时观察训练过程中损失函数数值，观察参数收敛情况。当训练迭代次数达到10000时停止训练。
步骤103：采用测试集对所述训练后的卷积神经网络模型进行测试，得到分类结果。
模型训练完成后，测试集样本输入到训练好的模型中进行二元分类，分别得到目标样本和杂波样本的分类准确率(或错误率)。杂波样本的分类错误率对应雷达目标检测中的虚警概率，目标样本的分类准确率对应检测概率。
步骤104：根据所述分类结果优化训练后的卷积神经网络模型，得到优化后的卷积神经网络模型。
若分类结果表示目标样本和杂波样本的分类准确率高于设定阈值，则不用优化训练后的卷积神经网络模型，即直接用训练后的卷积神经网络模型作为优化后的卷积神经网络模型。若分类结果表示目标样本和杂波样本的分类准确率低于等于设定阈值，则需要优化训练后的卷积神经网络模型，得到优化后的卷积神经网络模型。
选用IPIX数据中的杂波信号单元数据，以不同SCR仿真目标信号，得到不同SCR下目标样本，对模型进行测试，其检测性能如图5和图6所示。仿真数据中的SCR为时域回波SCR，因此，在较低SCR条件下，仍有较高的检测概率。在SCR为大于20dB时，检测性能趋于稳定，受SCR影响变化不大，通过CNN对目标和杂波信号幅度序列进行二元分类可实现87％的目标样本分类准确率。SCR低于20dB时，目标样本分类准确率随SCR下降而下降明显，在SCR等于0dB时检测概率约为55％。同时由于杂波背景不变，不同信杂比下杂波信号特征相似，故杂波样分类错误率受SCR影响不大，始终低于5％。由于雷达目标检测对虚警率要求较高，通常低于10-4，因此需进一步提升模型性能，即需要优化训练后的卷积神经网络模型。具体的优化方法和训练过程中调整卷积神经网络模型的参数的方法相同，根据调整后的卷积神经网络模型的参数确定优化后的卷积神经网络模型。
步骤105：获取待预测的雷达信号序列。
步骤106：将所述待预测的雷达信号序列作为输入，输入至所述优化后的卷积神经网络模型，预测待测信号的分类结果。
如图7所示，本发明方法通过对目标、杂波回波信号短序列进行二元分类，区分目标和杂波样本，提高雷达目标检测的准确率。该流程主要包括数据集构建、模型训练、模型测试三个步骤。本发明基于CNN二元分类的雷达目标检测方法采用目标和杂波信号样本对CNN模型进行训练，然后用训练好的模型对待检测样本进行测试，根据分类结果判断样本为杂波或者目标，可提高雷达目标检测的准确率。以海上目标检测为例，本发明通过构建基于海上雷达信号序列的数据集，所述雷达信号序列包括杂波信号序列和目标信号序列，所述数据集包括训练集和测试集；采用训练集对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；采用测试集对所述训练后的卷积神经网络模型进行测试，得到分类结果；根据所述分类结果优化训练后的卷积神经网络模型，得到优化后的卷积神经网络模型；获取待预测的海上雷达信号序列；将所述待预测的海上雷达信号序列作为输入，输入至所述优化后的卷积神经网络模型，预测待测信号的分类结果。
如图8所示，本发明还提供一种基于卷积神经网络序列分类的目标检测系统，该系统包括：
数据集构建模块201，用于构建基于雷达信号序列的数据集，所述雷达信号序列包括杂波信号序列和目标信号序列，所述数据集包括训练集和测试集。
训练模块202，用于采用训练集对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型。
测试模块203，用于采用测试集对所述训练后的卷积神经网络模型进行测试，得到分类结果。
优化模块204，用于根据所述分类结果优化训练后的卷积神经网络模型，得到优化后的卷积神经网络模型。
待预测的雷达信号序列获取模块205，用于获取待预测的雷达信号序列。
预测模块206，用于将所述待预测的雷达信号序列作为输入，输入至所述优化后的卷积神经网络模型，预测待测信号的分类结果。
所述数据集构建模块201，具体包括：
获取单元，用于获取雷达回波信号中杂波单元的时间序列。
杂波信号序列样本确定单元，用于将所述杂波单元的时间序列分割成第一设定数量采样点长度的序列，作为杂波信号序列样本。
杂波信号序列样本确定单元，用于在所述杂波信号序列样本中随机位置插入第二设定数量采样点长度、以不同SCR生成的仿真目标信号，生成目标信号序列样本。
数据集样本确定单元，用于将所述杂波信号序列样本和所述目标信号序列样本添加标签，得到数据集样本。
所述训练模块202，具体包括：
预测结果确定单元，用于将所述雷达信号序列输入至卷积神经网络模型进行训练，得到预测结果准确率。
判断单元，用于判断所述预测结果准确率是否在阈值范围内。
训练后的卷积神经网络模型确定单元，用于当所述预测结果与真实结果之间的误差在阈值范围内，得到训练后的卷积神经网络模型。
调整单元，用于当所述预测结果与真实结果之间的误差不在阈值范围内，调整所述卷积神经网络模型的参数，使所述预测结果准确率在阈值范围内。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种基于卷积神经网络序列分类的雷达目标检测方法，其特征在于，包括：
构建基于雷达信号序列的数据集，所述雷达信号序列包括杂波信号序列和目标信号序列，所述数据集包括训练集和测试集；
采用训练集对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；
采用测试集对所述训练后的卷积神经网络模型进行测试，得到分类结果；
根据所述分类结果优化训练后的卷积神经网络模型，得到优化后的卷积神经网络模型；
获取待预测的雷达信号序列；
将所述待预测的雷达信号序列作为输入，输入至所述优化后的卷积神经网络模型，预测待测信号的分类结果。
2.根据权利要求1所述的基于卷积神经网络序列分类的雷达目标检测方法，其特征在于，所述构建基于雷达信号序列的数据集，具体包括：
获取雷达回波信号中杂波单元的时间序列；
将所述杂波单元的时间序列分割成第一设定数量采样点长度的序列，作为杂波信号序列样本；
在所述杂波信号序列样本中随机位置插入第二设定数量采样点长度、以不同SCR生成的仿真目标信号，生成目标信号序列样本；
将所述杂波信号序列样本和所述目标信号序列样本添加标签，得到数据集样本。
3.根据权利要求1所述的基于卷积神经网络序列分类的雷达目标检测方法，其特征在于，所述采用训练集对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型，具体包括：
将所述雷达信号序列输入至卷积神经网络模型进行训练，得到预测结果准确率；
判断所述预测结果准确率是否在阈值范围内；
若是，得到训练后的卷积神经网络模型；
若否，调整所述卷积神经网络模型的参数，使所述预测结果准确率在阈值范围内。
4.一种基于卷积神经网络序列分类的目标检测系统，其特征在于，包括：
数据集构建模块，用于构建基于雷达信号序列的数据集，所述雷达信号序列包括杂波信号序列和目标信号序列，所述数据集包括训练集和测试集；
训练模块，用于采用训练集对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；
测试模块，用于采用测试集对所述训练后的卷积神经网络模型进行测试，得到分类结果；
优化模块，用于根据所述分类结果优化训练后的卷积神经网络模型，得到优化后的卷积神经网络模型；
待预测的雷达信号序列获取模块，用于获取待预测的雷达信号序列；
预测模块，用于将所述待预测的雷达信号序列作为输入，输入至所述优化后的卷积神经网络模型，预测待测信号的分类结果。
5.根据权利要求4所述的基于卷积神经网络序列分类的目标检测系统，其特征在于，所述数据集构建模块，具体包括：
获取单元，用于获取雷达回波信号中杂波单元的时间序列；
杂波信号序列样本确定单元，用于将所述杂波单元的时间序列分割成第一设定数量采样点长度的序列，作为杂波信号序列样本；
杂波信号序列样本确定单元，用于在所述杂波信号序列样本中随机位置插入第二设定数量采样点长度、以不同SCR生成的仿真目标信号，生成目标信号序列样本；
数据集样本确定单元，用于将所述杂波信号序列样本和所述目标信号序列样本添加标签，得到数据集样本。
6.根据权利要求4所述的基于卷积神经网络序列分类的目标检测系统，其特征在于，所述训练模块，具体包括：
预测结果确定单元，用于将所述雷达信号序列输入至卷积神经网络模型进行训练，得到预测结果准确率；
判断单元，用于判断所述预测结果准确率是否在阈值范围内；
训练后的卷积神经网络模型确定单元，用于当所述预测结果与真实结果之间的误差在阈值范围内，得到训练后的卷积神经网络模型；
调整单元，用于当所述预测结果与真实结果之间的误差不在阈值范围内，调整所述卷积神经网络模型的参数，使所述预测结果准确率在阈值范围内。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010785821.6A CN111880158A (zh) | 2020-08-06 | 2020-08-06 | 一种基于卷积神经网络序列分类的雷达目标检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010785821.6A CN111880158A (zh) | 2020-08-06 | 2020-08-06 | 一种基于卷积神经网络序列分类的雷达目标检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111880158A true CN111880158A (zh) | 2020-11-03 |
Family
ID=73210876
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010785821.6A Pending CN111880158A (zh) | 2020-08-06 | 2020-08-06 | 一种基于卷积神经网络序列分类的雷达目标检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111880158A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112579670A (zh) * | 2020-12-23 | 2021-03-30 | 成都北方石油勘探开发技术有限公司 | 一种精细油藏分布的勘察数据分析方法及系统 |
| CN112711032A (zh) * | 2020-12-07 | 2021-04-27 | 中国人民解放军海军航空大学 | 一种基于图数据和gcn的雷达目标检测方法及系统 |
| CN112859011A (zh) * | 2021-01-12 | 2021-05-28 | 武汉大学 | 一种单波长机载测深雷达波形信号提取方法 |
| CN113189557A (zh) * | 2021-04-20 | 2021-07-30 | 中国人民解放军海军航空大学航空作战勤务学院 | 对海雷达目标检测精细化处理方法及装置 |
| CN113759323A (zh) * | 2021-07-19 | 2021-12-07 | 西安电子科技大学 | 基于改进K-Means联合卷积自编码器的信号分选方法及装置 |
| CN114049551A (zh) * | 2021-10-22 | 2022-02-15 | 南京航空航天大学 | 一种基于ResNet18的SAR原始数据目标识别方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109389058A (zh) * | 2018-09-25 | 2019-02-26 | 中国人民解放军海军航空大学 | 海杂波与噪声信号分类方法及系统 |
| 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 |
| 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 |
| CN110363151A (zh) * | 2019-07-16 | 2019-10-22 | 中国人民解放军海军航空大学 | 基于双通道卷积神经网络虚警可控的雷达目标检测方法 |
-
2020
- 2020-08-06 CN CN202010785821.6A patent/CN111880158A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109389058A (zh) * | 2018-09-25 | 2019-02-26 | 中国人民解放军海军航空大学 | 海杂波与噪声信号分类方法及系统 |
| 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 |
| 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 |
| CN110363151A (zh) * | 2019-07-16 | 2019-10-22 | 中国人民解放军海军航空大学 | 基于双通道卷积神经网络虚警可控的雷达目标检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 徐雅楠等: "利用CNN的海上目标探测背景分类方法", 《电子学报》 * |
| 徐雅楠等: "利用CNN的海上目标探测背景分类方法", 《电子学报》, no. 12, 15 December 2019 (2019-12-15) * |
| 苏宁远: "基于深度学习的海上目标一维序列信号目标检测方法", 《信号处理》, pages 1 - 17 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112711032A (zh) * | 2020-12-07 | 2021-04-27 | 中国人民解放军海军航空大学 | 一种基于图数据和gcn的雷达目标检测方法及系统 |
| CN112579670A (zh) * | 2020-12-23 | 2021-03-30 | 成都北方石油勘探开发技术有限公司 | 一种精细油藏分布的勘察数据分析方法及系统 |
| CN112859011A (zh) * | 2021-01-12 | 2021-05-28 | 武汉大学 | 一种单波长机载测深雷达波形信号提取方法 |
| CN112859011B (zh) * | 2021-01-12 | 2022-06-07 | 武汉大学 | 一种单波长机载测深雷达波形信号提取方法 |
| CN113189557A (zh) * | 2021-04-20 | 2021-07-30 | 中国人民解放军海军航空大学航空作战勤务学院 | 对海雷达目标检测精细化处理方法及装置 |
| CN113759323A (zh) * | 2021-07-19 | 2021-12-07 | 西安电子科技大学 | 基于改进K-Means联合卷积自编码器的信号分选方法及装置 |
| CN113759323B (zh) * | 2021-07-19 | 2024-02-06 | 西安电子科技大学 | 基于改进K-Means联合卷积自编码器的信号分选方法及装置 |
| CN114049551A (zh) * | 2021-10-22 | 2022-02-15 | 南京航空航天大学 | 一种基于ResNet18的SAR原始数据目标识别方法 |
| CN114049551B (zh) * | 2021-10-22 | 2022-08-05 | 南京航空航天大学 | 一种基于ResNet18的SAR原始数据目标识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111880158A (zh) | 一种基于卷积神经网络序列分类的雷达目标检测方法及系统 | |
| CN110361778B (zh) | 一种基于生成对抗网络的地震数据重建方法 | |
| CN108447057B (zh) | 基于显著性和深度卷积网络的sar图像变化检测方法 | |
| CN112949387B (zh) | 基于迁移学习的智能抗干扰目标检测方法 | |
| CN112784930B (zh) | 基于cacgan的hrrp识别数据库样本扩充方法 | |
| CN107688863A (zh) | 自适应迭代加强的短期风速高精度组合预测方法 | |
| CN111695461B (zh) | 一种基于图频特性的雷达杂波智能分类方法 | |
| CN114895263A (zh) | 基于深度迁移学习的雷达有源干扰信号识别方法 | |
| CN110501683A (zh) | 一种基于四维数据特征的海陆杂波分类方法 | |
| CN111880159A (zh) | 一种基于lstm的雷达序列信号检测方法及系统 | |
| CN113687433A (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 | |
| CN113761805A (zh) | 一种基于时域卷积网络的可控源电磁数据去噪方法、系统、终端及可读存储介质 | |
| CN110516700B (zh) | 基于度量学习的细粒度图像分类方法 | |
| CN115545334A (zh) | 土地利用类型预测方法、装置、电子设备及存储介质 | |
| CN112946600B (zh) | 基于wgan-gp的雷达hrrp数据库构建方法 | |
| CN112835008B (zh) | 基于姿态自适应卷积网络的高分辨距离像目标识别方法 | |
| CN112711032B (zh) | 一种基于图数据和gcn的雷达目标检测方法及系统 | |
| CN114117912A (zh) | 一种数据模型双驱动下的海杂波建模与抑制方法 | |
| CN115795353B (zh) | 一种基于不均衡数据集的地下金属目标分类方法及系统 | |
| CN114492540B (zh) | 目标检测模型的训练方法、装置、计算机设备及存储介质 | |
| CN112882010B (zh) | 基于信噪比领域知识网络的高分辨距离像目标识别方法 | |
| CN115547347A (zh) | 基于多尺度时频特征提取的鲸类声信号识别方法与系统 | |
| 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 | |
| CN114330924B (zh) | 基于生成式对抗网络的复杂产品变更强度预测方法 | |
| CN115169407B (zh) | 基于时域深度特征学习的微弱瞬态信号检测方法及系统 |
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 |