CN111880159A - 一种基于lstm的雷达序列信号检测方法及系统 - Google Patents
一种基于lstm的雷达序列信号检测方法及系统 Download PDFInfo
- Publication number
- CN111880159A CN111880159A CN202010785827.3A CN202010785827A CN111880159A CN 111880159 A CN111880159 A CN 111880159A CN 202010785827 A CN202010785827 A CN 202010785827A CN 111880159 A CN111880159 A CN 111880159A
- Authority
- CN
- China
- Prior art keywords
- radar
- lstm
- lstm model
- data set
- value
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 56
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 16
- 230000002159 abnormal effect Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 15
- 238000005070 sampling Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000000750 progressive effect 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
-
- 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
- G01S7/415—Identification of targets based on measurements of movement associated with the target
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
本发明公开了一种基于LSTM的雷达序列信号检测方法及系统。该方法包括:获取待检测区域雷达信号数据;计算所述雷达信号数据的幅度;将所述雷达信号数据分为训练数据集和测试数据集;构建LSTM模型;通过所述训练数据集对所述LSTM模型进行训练,得到训练后的LSTM模型;通过所述训练后的LSTM模型对所述测试集进行预测,得到预测值;计算所述预测值与实际值之间的相对误差;所述实际值为雷达信号数据的幅度;根据所述相对误差实现雷达序列信号的检测。本发明通过训练好的LSTM模型对后续时刻信号进行预测,通过比较预测值与实际值的相对误差,将相对误差较大的点视为异常值,可实现雷达目标检测,并可减少杂波影响。
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LSTM的雷达序列信号检测方法及系统。
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,可靠和稳健的目标检测和分类技术一直是关键技术。目前雷达微弱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,目标类型复杂,既存在静止、慢速目标,又存在运动目标,如,海面漂浮目标多普勒频移与海杂波相近,容易淹没在杂波中,运动目标不固定出现在同一距离单元内,积累时间短,且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。
发明内容
本发明的目的是提供一种基于LSTM的雷达序列信号检测方法及系统,用以对雷达目标进行准确的检测,并减少杂波影响。
为实现上述目的,本发明提供了如下方案:
一种基于LSTM的雷达序列信号检测方法,包括:
获取待检测区域雷达信号数据;
计算所述雷达信号数据的幅度;
将所述雷达信号数据分为训练数据集和测试数据集;
构建LSTM模型;
通过所述训练数据集对所述LSTM模型进行训练,得到训练后的LSTM模型;
通过所述训练后的LSTM模型对所述测试集进行预测,得到预测值;
计算所述预测值与实际值之间的相对误差;所述实际值为雷达信号数据的幅度;
根据所述相对误差实现雷达序列信号的检测。
可选的,所述将雷达数据分为训练数据集和测试数据集,具体包括:
对所述雷达数据进行压缩,得到压缩后的信号序列;
将所述压缩后的信号序列分为训练数据集和测试数据集。
可选的,所述构建LSTM模型,具体包括:
LSTM模型的输入维数为2,时间步为15,隐藏节点数为4。
可选的,所述通过所述训练数据集对所述LSTM模型进行训练,得到训练后的LSTM模型,具体包括:
将所述训练数据集输入至所述LSTM模型中,得到输出值;
根据所述输出值与所述实际值,计算损失函数值;
对所述LSTM模型的参数进行优化,使损失函数值减小到设定值。
本发明还提供了一种基于LSTM的雷达序列信号检测系统,包括:
数据获取模块,用于获取待检测区域雷达信号数据;
幅度计算模块,用于计算所述雷达信号数据的幅度;
划分模块,用于将所述雷达信号数据分为训练数据集和测试数据集;
模型构建模块,用于构建LSTM模型;
训练模块,用于通过所述训练数据集对所述LSTM模型进行训练,得到训练后的LSTM模型;
预测模块,用于通过所述训练后的LSTM模型对所述测试集进行预测,得到预测值;
误差计算模块,用于计算所述预测值与实际值之间的相对误差;所述实际值为雷达信号数据的幅度;
检测模块,用于根据所述相对误差实现雷达序列信号的检测。
可选的,所述划分模块具体包括:
压缩单元,用于对所述雷达信号数据进行压缩,得到压缩后的信号序列;
划分单元,用于将所述压缩后的信号序列分为训练数据集和测试数据集。
可选的,所述LSTM模型具体为:
LSTM模型的输入维数为2,时间步为15,隐藏节点数为4。
可选的,所述训练模块具体包括:
输入单元,用于将所述训练数据集输入至所述LSTM模型中,得到输出值;
损失函数值计算单元,用于根据所述输出值与所述实际值,计算损失函数值;
优化单元,用于对所述LSTM模型的参数进行优化,使损失函数值减小到设定值。
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:
本发明通过训练好的LSTM模型对后续时刻信号进行预测,通过比较预测值与实际值的相对误差,将相对误差较大的点视为异常值,可实现雷达目标检测,并可减少杂波影响。
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为本发明实施例基于LSTM的雷达序列信号检测方法的流程图;
图2为LSTM网络结构示意图;
图3为数据集样本示例;
图4为IPIX距离单元1检测结果;
图5为IPIX距离单元2检测结果;
图6为CSIR距离单元59检测结果;
图7为图8CSIR距离单元60检测结果;
图8为本发明实施例基于LSTM的雷达序列信号检测系统的结构框图。
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LSTM的雷达序列信号检测方法及系统,用以对雷达目标进行准确的检测,并减少杂波影响。
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LSTM的雷达序列信号检测方法包括以下步骤:
步骤101:获取待检测区域雷达信号数据。
步骤102:计算所述雷达信号数据的幅度。
步骤103:将所述雷达信号数据分为训练数据集和测试数据集。具体的对所述雷达信号数据进行压缩,得到压缩后的信号序列;将所述压缩后的信号序列分为训练数据集和测试数据集。
步骤104:构建LSTM模型。
长短期记忆神经网络(LSTM)解决了一般RNN存在的梯度爆炸问题,使得网络的学习更加的稳定。LSTM网络用LSTM单元取代了一般RNN的隐藏单元,通过输入门、遗忘门和输出门控制LSTM单元的状态更新。图2为LSTM网络结构。
LSTM网络同样遵循循环神经网络的参数共享机制,在前后时刻的LSTM单元之间存在循环连接。LSTM主要是通过三个门控节点控制隐藏状态的信息的记忆、输入信息的获取和输出信息的传输。每一个门控节点的实现是通过σ函数计算一个0~1之间的门控系数,通过系数控制决定信息的获取。各门控系数的计算式为:
f(t)=σ(Wf·[h(t-1),x(t)]+bf)
i(t)=σ(Wi·[h(t-1),x(t)]+bi)
o(t)=σ(Wo·[h(t-1),x(t)]+bo)
其中,Wf、Wi、Wo为各门控节点的权值矩阵,bf、bi、bo为各门控节点的偏置。LSTM网络的传播模型与RNN的不同点在于隐藏状态的计算,LSTM隐藏状态的计算式为:
h(t)=o(t)*tanh(C(t))
构建LSTM模型需选取输入维数、时间步和隐藏层节点数。本发明采用两个相邻距离单元内的信号作为输入,故输入维数为2。时间步是时间序列预测的重要参数,决定了积累目标历史信息的量。时间步的选择影响着网络的预测准确度,时间步过小会导致网络不能充分的学习轨迹特征,时间步过大会导致梯度消失(爆炸),本发明设置时间步为15。隐藏层节点数一般由输入数据维度决定,一般取输入数据维度的两倍。隐藏层节点数决定网络的训练特性,节点数过少导致特征提取不足,需要增加训练次数,预测准确度低。节点数过多,会导致网络出现过拟合。本发明选取输入维数为4。
步骤105:通过所述训练数据集对所述LSTM模型进行训练,得到训练后的LSTM模型。具体的:将所述训练数据集输入至所述LSTM模型中,得到输出值;根据所述输出值与所述实际值,计算损失函数值;对所述LSTM模型的参数进行优化,使损失函数值减小到设定值。
步骤106:通过所述训练后的LSTM模型对所述测试集进行预测,得到预测值。
步骤107:计算所述预测值与实际值之间的相对误差;所述实际值为雷达信号数据的幅度。
步骤108:根据所述相对误差实现雷达序列信号的检测。
下面以含有海面漂浮小目标的IPIX数据为例进行介绍:
本实施例采用含有海面漂浮小目标的IPIX数据和含有机动目标信号的CSIR数据进行验证分析。
其中IPIX数据是海杂波相关研究中常用的标准实测数据,于1989年在Haykin.S领导下由加拿大Mcmaster大学使用IPIX(Itelligent pixel-processing)雷达在Dartmouth地区通过测量和采集实验获得。IPIX雷达参数如下:雷达峰值功率为8kW,天线直径为2.4m,笔形波速宽度为0.9°,44dB天线增益,旁瓣<-30dB,瞬时动态范围>50dB。雷达带宽是5MHz,对应的分辨率是30米,PRF为1000Hz。雷达工作在驻留模式,每组数据采样时间是131秒,对应131072点。数据文件命名格式:19931108_213827(年/月/日/小时/分钟);极化方式:HH/VV/HV/VH(可调)。
本实施例选取IPIX数据中19931108_220902_starea数据进行分析。该雷达信号数据为131072(采样点)×14(距离单元)复数矩阵,选用除目标单元和保护单元以外的一个距离单元作为杂波序列。假设仿真目标为静止目标,SCR为8,通过SCR公式计算目标回波信号幅度,得到目标信号。
由于模型用于处理实信号,上述信号取模,得到回波信号幅值信息。信号序列体现了散射点位置、特性随时间变化情况。该信号采样频率为1000Hz,即两个相邻采样点之间的时间间隔仅为10-3秒,由于海浪周期通常为秒级,在预测过程中,为使较短的输入信号包含更长时间内海面状态变化信息,故将幅度信号序列压缩,相邻的500个采样点通过取平均转换为一个点,得到262点长度的信号序列,用于模型训练和测试。数据集样本示例如图3所示,图3中点状线部分为训练序列(训练数据集),实线部分为测试序列(测试数据集)。
将时间序列前120点设为训练集,对模型进行训练。训练过程在TensorFlow1.13环境下进行,计算机配置包括:CPU:i7-8700K,GPU:Nvidia1080Ti,计算机内存16GB。训练过程中学习率为0.001,batch size为32,迭代次数为2000,当连续10次损失函数变化率不超过0.01时,训练停止。参数优化算法选用Adam,损失函数采用平均误差:
式中L(t)为t时刻的损失函数值,k为序列长度,yi (t)为t时刻i节点的实际值,oi (t)为t时刻i节点的输出值。同时观察训练过程中损失函数数值,观察参数收敛情况。
模型训练完成后,将时间序列后142点作为测试集输入到训练好的模型中进行逐点预测,得到时间序列预测值。将预测值与实际值逐点做差,得到误差值。观察目标出现时刻与其他时刻误差值变化情况,判断是否出现异常值。将相对误差较大的点视为异常值,可实现海尖峰检测,并可减少杂波影响。
序列预测结果分析:
用IPIX数据第1和第2两个相邻距离单元时间序列后142采样点作为测试集,对训练后的模型进行测试通过测试集对训练后的模型进行测试,得到序列各点预测值,并求各点预测值与实际值的绝对误差和相对误差。结果如图4和图5所示。
图中实线方框位置有目标,虚线方框存在海尖峰。可以看出在有目标和海尖峰的采样点处,预测值和实际值的绝对误差较大,但在海尖峰处相对误差值较小,在目标处相对误差较大。因此通过序列预测可减弱海尖峰对检测造成的影响。
为进一步研究所提方法对实测杂波和海上运动小目标信号检测性能,采用南非科学与工业研究理事会(Council for Scientific and Industrial Research,CSIR)采集的对海雷达数据验证。本发明选取CSIR数据中00_017_TTrFA数据文件进行分析。除信号数据外,CSIR数据文件中还包含试验过程中目标运动状态、风向和海浪方向等信息,其中CSIR中目标运动方式为近似匀速运动,其目标运动状态、风向、海浪方向等环境信息及信号时间-距离图如0所示。
表1 CSIR数据说明
选用第59、60距离单元对本方法进行测试,目标在两个距离单元出现时间分别为第30秒和第37秒,结果如图6和图7所示。从图中看出基于LSTM预测的目标检测模型对海杂波回波信号幅度变化趋势预测较准确,对纯海杂波信号序列的预测值与实际值绝对误差很小,在目标出现时二者绝对误差较大。但由于CSIR数据海况较高,海面环境复杂,在海杂波信号序列上预测值与实际值相对误差较大,且由于目标处信号幅度实际值较大,导致此处相对误差减小,与目标处相近,因此难以通过实际值与预测值的相对误差对目标进行检测。
如图8所示,本发明还提供了一种基于LSTM的雷达序列信号检测系统,包括:
数据获取模块801,用于获取待检测区域雷达信号数据。
幅度计算模块802,用于计算所述雷达信号数据的幅度。
划分模块803,用于将所述雷达信号数据分为训练数据集和测试数据集。
所述划分模块803具体包括:
压缩单元,用于对所述雷达信号数据进行压缩,得到压缩后的信号序列;
划分单元,用于将所述压缩后的信号序列分为训练数据集和测试数据集。
模型构建模块804,用于构建LSTM模型。LSTM模型的输入维数为2,时间步为15,隐藏节点数为4。
训练模块805,用于通过所述训练数据集对所述LSTM模型进行训练,得到训练后的LSTM模型。
所述训练模块805具体包括:
输入单元,用于将所述训练数据集输入至所述LSTM模型中,得到输出值;
损失函数值计算单元,用于根据所述输出值与所述实际值,计算损失函数值;
优化单元,用于对所述LSTM模型的参数进行优化,使损失函数值减小到设定值。
预测模块806,用于通过所述训练后的LSTM模型对所述测试集进行预测,得到预测值。
误差计算模块807,用于计算所述预测值与实际值之间的相对误差;所述实际值为雷达信号数据的幅度。
检测模块808,用于根据所述相对误差实现雷达序列信号的检测。
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。
本发明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 (8)
1.一种基于LSTM的雷达序列信号检测方法,其特征在于,包括:
获取待检测区域雷达信号数据;
计算所述雷达信号数据的幅度;
将所述雷达信号数据分为训练数据集和测试数据集;
构建LSTM模型;
通过所述训练数据集对所述LSTM模型进行训练,得到训练后的LSTM模型;
通过所述训练后的LSTM模型对所述测试集进行预测,得到预测值;
计算所述预测值与实际值之间的相对误差;所述实际值为雷达信号数据的幅度;
根据所述相对误差实现雷达序列信号的检测。
2.根据权利要求1所述的基于LSTM的雷达序列信号检测方法,其特征在于,所述将所述雷达信号数据分为训练数据集和测试数据集,具体包括:
对所述雷达信号数据进行压缩,得到压缩后的信号序列;
将所述压缩后的信号序列分为训练数据集和测试数据集。
3.根据权利要求1所述的基于LSTM的雷达序列信号检测方法,其特征在于,所述构建LSTM模型,具体包括:
LSTM模型的输入维数为2,时间步为15,隐藏节点数为4。
4.根据权利要求1所述的基于LSTM的雷达序列信号检测方法,其特征在于,所述通过所述训练数据集对所述LSTM模型进行训练,得到训练后的LSTM模型,具体包括:
将所述训练数据集输入至所述LSTM模型中,得到输出值;
根据所述输出值与所述实际值,计算损失函数值;
对所述LSTM模型的参数进行优化,使损失函数值减小到设定值。
5.一种基于LSTM的雷达序列信号检测系统,其特征在于,包括:
数据获取模块,用于获取待检测区域雷达信号数据;
幅度计算模块,用于计算所述雷达信号数据的幅度;
划分模块,用于将所述雷达信号数据分为训练数据集和测试数据集;
模型构建模块,用于构建LSTM模型;
训练模块,用于通过所述训练数据集对所述LSTM模型进行训练,得到训练后的LSTM模型;
预测模块,用于通过所述训练后的LSTM模型对所述测试集进行预测,得到预测值;
误差计算模块,用于计算所述预测值与实际值之间的相对误差;所述实际值为雷达信号数据的幅度;
检测模块,用于根据所述相对误差实现雷达序列信号的检测。
6.根据权利要求5所述的基于LSTM的雷达序列信号检测系统,其特征在于,所述划分模块具体包括:
压缩单元,用于对所述雷达信号数据进行压缩,得到压缩后的信号序列;
划分单元,用于将所述压缩后的信号序列分为训练数据集和测试数据集。
7.根据权利要求5所述的基于LSTM的雷达序列信号检测系统,其特征在于,所述LSTM模型具体为:
LSTM模型的输入维数为2,时间步为15,隐藏节点数为4。
8.根据权利要求5所述的基于LSTM的雷达序列信号检测系统,其特征在于,所述训练模块具体包括:
输入单元,用于将所述训练数据集输入至所述LSTM模型中,得到输出值;
损失函数值计算单元,用于根据所述输出值与所述实际值,计算损失函数值;
优化单元,用于对所述LSTM模型的参数进行优化,使损失函数值减小到设定值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010785827.3A CN111880159A (zh) | 2020-08-06 | 2020-08-06 | 一种基于lstm的雷达序列信号检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010785827.3A CN111880159A (zh) | 2020-08-06 | 2020-08-06 | 一种基于lstm的雷达序列信号检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111880159A true CN111880159A (zh) | 2020-11-03 |
Family
ID=73210963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010785827.3A Pending CN111880159A (zh) | 2020-08-06 | 2020-08-06 | 一种基于lstm的雷达序列信号检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111880159A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112881987A (zh) * | 2021-02-06 | 2021-06-01 | 西安晟昕科技发展有限公司 | 一种基于lstm模型的机载相控阵雷达行为预测方法 |
CN112986940A (zh) * | 2021-02-08 | 2021-06-18 | 北京无线电测量研究所 | 一种用于水平距离上的雷达海杂波功率的预测方法 |
CN115291198A (zh) * | 2022-10-10 | 2022-11-04 | 西安晟昕科技发展有限公司 | 一种雷达信号发射及信号处理方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108732550A (zh) * | 2018-08-01 | 2018-11-02 | 北京百度网讯科技有限公司 | 用于预测雷达回波的方法和装置 |
CN110334741A (zh) * | 2019-06-06 | 2019-10-15 | 西安电子科技大学 | 基于循环神经网络的雷达一维距离像识别方法 |
-
2020
- 2020-08-06 CN CN202010785827.3A patent/CN111880159A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108732550A (zh) * | 2018-08-01 | 2018-11-02 | 北京百度网讯科技有限公司 | 用于预测雷达回波的方法和装置 |
CN110334741A (zh) * | 2019-06-06 | 2019-10-15 | 西安电子科技大学 | 基于循环神经网络的雷达一维距离像识别方法 |
Non-Patent Citations (2)
Title |
---|
张宇行等: "基于LSTM模型的航迹跟踪", 《信息通信》 * |
苏宁远等: "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》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112881987A (zh) * | 2021-02-06 | 2021-06-01 | 西安晟昕科技发展有限公司 | 一种基于lstm模型的机载相控阵雷达行为预测方法 |
CN112986940A (zh) * | 2021-02-08 | 2021-06-18 | 北京无线电测量研究所 | 一种用于水平距离上的雷达海杂波功率的预测方法 |
CN115291198A (zh) * | 2022-10-10 | 2022-11-04 | 西安晟昕科技发展有限公司 | 一种雷达信号发射及信号处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111880159A (zh) | 一种基于lstm的雷达序列信号检测方法及系统 | |
CN105699952B (zh) | 海杂波k分布形状参数的双分位点估计方法 | |
CN111680870B (zh) | 目标运动轨迹质量综合评估方法 | |
CN106872958A (zh) | 基于线性融合的雷达目标自适应检测方法 | |
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 | |
CN105372659A (zh) | 道路交通监控多目标探测跟踪方法及跟踪系统 | |
CN107255805B (zh) | 基于加权最小二乘的雷达目标rcs的预测方法 | |
Fan et al. | Fractal properties of autoregressive spectrum and its application on weak target detection in sea clutter background | |
CN106569193A (zh) | 基于前‑后向收益参考粒子滤波的海面小目标检测方法 | |
CN113673565B (zh) | 多传感器gm-phd自适应序贯融合多目标跟踪方法 | |
CN111310109B (zh) | 一种基于vmd-arma-garch模型的非良态风速建模方法 | |
CN103616680B (zh) | 基于离散变速率采样的机动弱目标检测前跟踪方法 | |
Hao et al. | High-precision chaotic radial basis function neural network model: Data forecasting for the earth electromagnetic signal before a strong earthquake | |
Qin et al. | Underwater acoustic source localization using LSTM neural network | |
CN106199552A (zh) | 一种局部均匀海杂波背景下的分组广义似然比检测方法 | |
CN109635407A (zh) | 一种雷达精密稳定平台运行可靠性评估方法 | |
Zhou et al. | Sea clutter distribution modeling: A kernel density estimation approach | |
CN108196238A (zh) | 高斯背景下基于自适应匹配滤波的杂波图检测方法 | |
CN112147603A (zh) | 一种基于tKL散度的矩阵CFAR检测器的目标检测方法 | |
Weinberg et al. | A Bayesian-based CFAR detector for Pareto type II clutter | |
CN112986940B (zh) | 一种用于水平距离上的雷达海杂波功率的预测方法 | |
Feng et al. | Detection performance analysis of recurrence quantification analysis measures for low observable target within sea clutter under different sea conditions | |
Zhang et al. | A new detecting method for weak targets in sea clutter based on multifractal properties | |
Juan et al. | A new Wavelet Prediction method for GPR clutter elimination Based on LSTM network | |
CN112731388A (zh) | 一种基于有效散射点能量积累的目标检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201103 |