CN112180338A - 全息数字阵列雷达目标数量估计方法和系统 - Google Patents

全息数字阵列雷达目标数量估计方法和系统 Download PDF

Info

Publication number
CN112180338A
CN112180338A CN202010522523.8A CN202010522523A CN112180338A CN 112180338 A CN112180338 A CN 112180338A CN 202010522523 A CN202010522523 A CN 202010522523A CN 112180338 A CN112180338 A CN 112180338A
Authority
CN
China
Prior art keywords
distance
result
doppler domain
array radar
digital array
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
Application number
CN202010522523.8A
Other languages
English (en)
Other versions
CN112180338B (zh
Inventor
李云莉
蒋文
李胜军
叶祥龙
王正伟
刘志刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Jiuzhou Electric Group Co Ltd
Original Assignee
Sichuan Jiuzhou Electric Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan Jiuzhou Electric Group Co Ltd filed Critical Sichuan Jiuzhou Electric Group Co Ltd
Priority to CN202010522523.8A priority Critical patent/CN112180338B/zh
Publication of CN112180338A publication Critical patent/CN112180338A/zh
Application granted granted Critical
Publication of CN112180338B publication Critical patent/CN112180338B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S7/414—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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • 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
    • G01S7/418—Theoretical aspects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

本发明公开了全息数字阵列雷达目标数量估计方法和系统，涉及全息数字阵列雷达探测下的目标数量估计领域，解决了现有方法的对目标数量估计精度低的问题。本发明主要分为两大步骤，回波预处理和智能数量估计，回波预处理的具体步骤为：距离压缩、运动补偿、距离‑多普勒处理、目标检测；智能数量估计的具体步骤为：初始特征图计算、原始图像分辨率恢复、数量估计。该发明利用全息数字阵列雷达的凝视特性，增加相参积累时间,提高在强杂波背景下的弱小目标检测能力从而实现目标在距离‑多普勒域的高分辨。在此基础上，结合深度神经网络，通过对距离‑多普勒域像素进行分割，统计分割后的像素类别数最终完成目标数量的估计。

Description

全息数字阵列雷达目标数量估计方法和系统
技术领域
本发明涉及全息数字阵列雷达探测下的目标数量估计领域，具体涉及全息数字阵列雷达目标数量估计方法和系统。
背景技术
目标数量估计是全息数字阵列雷达探测中一个重要的应用方面，它综合了全息数字阵列雷达和深度神经网络，利用全息数字阵列雷达长时间积累带来的目标在距离-多普勒域的高分辨特性和深度神经网络的特征提取和像素分割，完成目标智能、高精度的数量估计。通过基于全息数字阵列雷达对目标数量的智能估计，可以实现在强杂波环境下被测目标的高分辨、高精度的数量估计。
基于全息数字阵列雷达的目标数量估计方法主要包含两大步骤，即回波预处理和智能数量估计。其中，回波预处理是实现目标数量准确估计的基础。在《多波束凝视雷达》(国防工业出版社)所提到利用多波束技术和相位中心凝视方法改进杂波中目标检测概率，有效支撑了基于全息数字阵列雷达体制对目标的数量估计。回波预处理是通过全息数字阵列雷达的凝视特性实现对目标回波的长时间积累，完成目标在距离、速度的高分辨。将距离、速度的高分辨结果输入到深度神经网络中，通过特征提取、像素分割最终实现目标的智能数量估计。
现有方法的对目标数量估计精度低。
发明内容
本发明所要解决的技术问题是：现有方法的对目标数量估计精度低，为了提升在全息数字阵列雷达目标探测中目标数量估计的准确率，本发明提供了解决上述问题的全息数字阵列雷达目标数量估计方法和系统。
本发明通过下述技术方案实现：
全息数字阵列雷达目标数量估计方法，包括对数字阵列雷达的回波进行预处理后进行智能数量估计得到目标数量估计；
所述回波预处理包括对回波信号在快时间域内进行傅里叶变换得到距离压缩结果，将距离压缩的结果运用回波变换到频率平面，然后在距离频率进行变量代换实现运动补偿，运动补偿后的距离压缩结果进行慢时间维的傅里叶变换，得到距离-多普勒域结果，对距离-多普勒域的输出结果进行数字波束形成，后利用单元平均恒虚警率(CA-CFAR)检测距离-多普勒域结果；对距离-多普勒域结果载入卷积神经网络模型中进行卷积基于非线性激活函数运用特征提取得到初始特征图，在模型训练过程中采用最大池化的方法进行模型运算量的降采样，基于线性插值方式恢复池化层输出的特征图，同时利用反卷积恢复原始距离-多普勒域分辨率，将恢复后的特征图输入以像素为分类标准的分类层进行像素分类并得到像素类别数的统计结果，所述统计结果即为在距离-多普勒域中目标数量的估计结果。
为了方便表述本发明的内容，首先定义如下参数。
距离向快时间τ
方位向慢时间t
电磁波传播速度c
线性调频斜率Kr
载波频率f0
发射信号带宽B
载波波长λ
本发明的具体步骤如下。
步骤1距离压缩
假设长时间积累下的回波信号为：
Figure BDA0002532663940000021
以上四项分别记为距离向包络、方位向包络、发射信号相位以及多普勒调制项。
距离压缩过程表示为：
src(τ,t)＝IFFT(s(fτ,t)H(fτ)) (2)
其中H(fτ)为参考函数的响应函数，s(fτ,t)为回波在快时间域的傅里叶变换。将式(1)在快时间域进行傅里叶变换后代入式(2)得到距离压缩的结果为：
Figure BDA0002532663940000022
其中，sinc(·)为距离脉冲压缩响应函数。
步骤2运动补偿
对步骤1输出的结果src(τ,t)在快时间域进行傅里叶变换得到src(fτ,t)从而将回波变换到频率平面，然后在距离频率进行变量代换实现运动补偿。具体代换表达式如下：
Figure BDA0002532663940000023
将式(4)带入src(fτ,t)并进行傅里叶反变换，得到运动补偿后的结果srcn(τ,t)。
步骤3距离-多普勒域处理
对步骤2中输出的结果srcn(τ,t)进行慢时间维的傅里叶变换，得到距离-多普勒域结果，表示为：
Figure BDA0002532663940000031
步骤4目标检测
将步骤3中输出结果进行数字波束形成后利用单元平均恒虚警率(CA-CFAR)进行检测。设置M个参考单元，对其进行平均，将所有参考单元的平均估计值乘以常数K0得到门限值，从而实现对距离-多普勒域结果进行检测。
步骤5初始特征图计算
将步骤4中检测后的距离-多普勒域结果输入到卷积神经网络模型中进行卷积操作得到初始特征图。卷积层包括K个大小为N*N*C的卷积核，将距离-多普勒域结果与卷积核进行卷积运算后，使用非线性激活函数增强卷积层的特征提取能力，经过运算后得到K个大小为(M-N+1)*(M-N+1)的特征图，计算公式如下：
Figure BDA0002532663940000032
其中，Xi (l-1)为第l-1个隐藏层的输出，Wi l表示第l个隐藏层的权值，bi (l)为第l个隐藏层的偏置，f为激活函数，用来解决原始线性函数表达能力不足的问题，其表达式为f(x)＝max(0,x)，xi (l)为第l层第i个神经元。
对特征图采用最大池化的方法进行降采样从而减少模型的训练时间，降低网络模型的运算量。池化层具体的计算公式如下：
Figure BDA0002532663940000033
其中，l表示当前池化的层数，down为降采样操作。
步骤6原始图像分辨率恢复
对经过池化层输出的特征图以线性插值的方式恢复原始图像大小，同时利用反卷积恢复原始距离-多普勒域分辨率。
步骤7数量估计
将恢复后的特征图输入以像素为分类标准的分类层进行像素分类并得到像素类别数的统计结果，该统计结果即为在距离-多普勒域中目标数量的估计结果。分类层具体的计算公式如下：
Figure BDA0002532663940000041
其中，Wi为卷积层输出特征图矩阵。
通过上述步骤可以实现对目标的智能数量估计。
进一步地，基于全息数字阵列雷达的目标数量估计方法主要分为两大步骤，回波预处理和智能数量估计。其中，回波预处理的具体步骤为：距离压缩、运动补偿、距离-多普勒处理、目标检测；智能数量估计的具体步骤为：初始特征图计算、原始图像分辨率恢复、数量估计。该发明适用于在全息数字阵列雷达体制下对目标进行数量智能估计，解决了对目标数量估计精度低的问题。该发明利用全息数字阵列雷达的凝视特性，可大大增加相参积累时间,提高在强杂波背景下的弱小目标检测能力从而实现目标在距离-多普勒域的高分辨。在此基础上，结合深度神经网络，将距离-多普勒域中目标数量估计当做一个语义分割的问题，通过对距离-多普勒域像素进行分割，统计分割后的像素类别数最终完成目标数量的估计。采用本方法可以提高目标数量估计的精度。
进一步地，全息数字阵列雷达目标数量估计系统，所述系统执行上述任意一条所述的方法的步骤。
本发明具有如下的优点和有益效果：
本发明基于全息数字阵列雷达，对目标进行长时间观测，从而获得目标较高的多普勒分辨率，然后利用深度神经网络中的语义分割，完成距离多普勒域中的目标数量智能高效的估计。因此本发明结合了全息数字阵列雷达体制的凝视高分辨特性和深度神经网络中的语义分割实现了对目标的数量准确估计。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明的工作流程框图。
图2为本发明的几何场景图。
图3为本发明实施例中CA-CAFR检测后的距离-多普勒域0.5s处理结果图。
图4为本发明实施例中CA-CAFR检测后的距离-多普勒域2s处理结果图。
图5为本发明实施例中目标数量估计0.5s结果图。
图6为本发明实施例中目标数量估计2s结果图。
具体实施方式
在对本发明的任意实施例进行详细的描述之前，应该理解本发明的应用不局限于下面的说明或附图中所示的结构的细节。本发明可采用其它的实施例，并且可以以各种方式被实施或被执行。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改进前提下所获得的所有其它实施例，均属于本发明保护的范围。
实施例1：
为了方便表述本发明的内容，首先定义如下参数。
距离向快时间τ
方位向慢时间t
电磁波传播速度c
线性调频斜率Kr
载波频率f0
发射信号带宽B
载波波长λ
本发明的具体步骤如下。
步骤1距离压缩
假设长时间积累下的回波信号为：
Figure BDA0002532663940000051
以上四项分别记为距离向包络、方位向包络、发射信号相位以及多普勒调制项。
距离压缩过程表示为：
src(τ,t)＝IFFT(s(fτ,t)H(fτ)) (2)
其中H(fτ)为参考函数的响应函数，s(fτ,t)为回波在快时间域的傅里叶变换。将式(1)在快时间域进行傅里叶变换后代入式(2)得到距离压缩的结果为：
Figure BDA0002532663940000052
其中，sinc(·)为距离脉冲压缩响应函数。
步骤2运动补偿
对步骤1输出的结果src(τ,t)在快时间域进行傅里叶变换得到src(fτ,t)从而将回波变换到频率平面，然后在距离频率进行变量代换实现运动补偿。具体代换表达式如下：
Figure BDA0002532663940000061
将式(4)带入src(fτ,t)并进行傅里叶反变换，得到运动补偿后的结果srcn(τ,t)。
步骤3距离-多普勒域处理
对步骤2中输出的结果srcn(τ,t)进行慢时间维的傅里叶变换，得到距离-多普勒域结果，表示为：
Figure BDA0002532663940000062
步骤4目标检测
将步骤3中输出结果进行数字波束形成后利用单元平均恒虚警率(CA-CFAR)进行检测。设置M个参考单元，对其进行平均，将所有参考单元的平均估计值乘以常数K0得到门限值，从而实现对距离-多普勒域结果进行检测。
步骤5初始特征图计算
将步骤4中检测后的距离-多普勒域结果输入到卷积神经网络模型中进行卷积操作得到初始特征图。卷积层包括K个大小为N*N*C的卷积核，将距离-多普勒域结果与卷积核进行卷积运算后，使用非线性激活函数增强卷积层的特征提取能力，经过运算后得到K个大小为(M-N+1)*(M-N+1)的特征图，计算公式如下：
Figure BDA0002532663940000063
其中，Xi (l-1)为第l-1个隐藏层的输出，Wi l表示第l个隐藏层的权值，bi (l)为第l个隐藏层的偏置，f为激活函数，用来解决原始线性函数表达能力不足的问题，其表达式为f(x)＝max(0,x)，xi (l)为第l层第i个神经元。
对特征图采用最大池化的方法进行降采样从而减少模型的训练时间，降低网络模型的运算量。池化层具体的计算公式如下：
xi (l)＝down(ai (l-1)),ai (l-1)＝f(xi (l-1)) (7)
其中，l表示当前池化的层数，down为降采样操作。
步骤6原始图像分辨率恢复
对经过池化层输出的特征图以线性插值的方式恢复原始图像大小，同时利用反卷积恢复原始距离-多普勒域分辨率。
步骤7数量估计
将恢复后的特征图输入以像素为分类标准的分类层进行像素分类并得到像素类别数的统计结果，该统计结果即为在距离-多普勒域中目标数量的估计结果。分类层具体的计算公式如下：
Figure BDA0002532663940000071
其中，Wi为卷积层输出特征图矩阵。
通过上述步骤可以实现对目标的智能数量估计。
优选的，全息数字阵列雷达目标数量估计系统，所述系统执行上述任意一条所述的方法的步骤。
在实施例1基础上的实施例2：
如图1为本发明的具体流程所示。
以雷达平台为坐标原点，建立如图2所示的几何构型。场景中共设置20个目标，以相同的速度V＝30m/s沿着Y轴运动。目标1对应的初始角度(偏移Y轴的角度)θ1＝12°，对应的初始斜距为R1＝10000m，目标2对应的初始角度(偏移Y轴的角度)θ2＝12°，对应的初始斜距为R2＝10010m。目标3和12之间的间隔为10m，与目标1、2对应的纵向距离为10m，由此计算得到目标3、12对应的角度为θ3＝12.0826°,θ12＝11.9714°，二者角度间隔为0.0572°。目标4—20均以横向、纵向间隔为10m递增。
基于matlab平台，根据上述几何构型，设置如表1所示参数进行仿真。对获取的回波信号(积累时间分别为0.5s和2s)进行距离压缩，得到距离压缩后的结果src(τ,t)。
步骤2运动补偿
对步骤1输出的距离压缩结果src(τ,t)在快时间域进行傅里叶变换得到src(fτ,t)从而将回波变换到频率平面，然后在距离频率进行变量代换实现运动补偿。具体代换表达式如下：
Figure BDA0002532663940000072
将式(1)带入src(fτ,t)并进行傅里叶反变换，得到运动补偿后的结果srcn(τ,t)，。
步骤3距离-多普勒域处理
对步骤2中输出的结果srcn(τ,t)进行慢时间维的傅里叶变换，得到距离-多普勒域结果，表示为：
Figure BDA0002532663940000081
步骤4目标检测
将步骤3中输出结果进行数字波束形成后利用单元平均恒虚警率(CA-CFAR)进行检测。设置M个参考单元，对其进行平均，将所有参考单元的平均估计值乘以常数K0得到门限值，从而实现对距离-多普勒域结果进行检测，检测结果如图3-4所示。可以看出，基于全息雷达的凝视特性，0.5s时出现多普勒混叠的目标在经过0.5s的积累时间后，在距离-多普勒域可以将其分辨出来，从而可以更好的进行数量估计。
步骤5初始特征图计算
将步骤4中检测后的距离-多普勒域结果图3-4到卷积神经网络模型中进行卷积操作得到初始特征图。卷积层主要包括K个大小为N*N*C的卷积核，将距离-多普勒域结果与卷积核进行卷积运算后，使用非线性激活函数增强卷积层的特征提取能力，经过运算后得到K个大小为(M-N+1)*(M-N+1)的特征图，计算公式如下：
Figure BDA0002532663940000082
其中，Xi (l-1)为第l-1个隐藏层的输出，Wi l表示第l个隐藏层的权值，bi (l)为第l个隐藏层的偏置，f为激活函数，用来解决原始线性函数表达能力不足的问题，其表达式为f(x)＝max(0,x)，xi (l)为第l层第i个神经元。
对特征图采用最大池化的方法进行降采样从而减少模型的训练时间，降低网络模型的运算量。池化层具体的计算公式如下：
xi (l)＝down(ai (l-1)),ai (l-1)＝f(xi (l-1)) (4)
其中，l表示当前池化的层数，down为降采样操作。
步骤6原始图像分辨率恢复
对经过池化层输出的特征图以线性插值的方式恢复原始图像大小，同时利用反卷积恢复原始距离-多普勒域分辨率。
步骤7数量估计
将恢复后的特征图输入以像素为分类标准的分类层进行像素分类并得到像素类别数的统计结果，该统计结果即为在距离-多普勒域中目标数量的估计结果。分类层具体的计算公式如下：
Figure BDA0002532663940000091
其中，Wi为卷积层输出特征图矩阵。进行像素分类后的输出结果如图5-6所示，可以看出，积累时间为0.5s时的数量估计准确率为90％，积累时间为2s时的数量估计准确率为100％，从而可有效提升估计准确率。
因此，本发明结合了全息数字阵列雷达体制的凝视高分辨特性和深度神经网络中的语义分割实现了对目标的数量准确估计。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.全息数字阵列雷达目标数量估计方法，其特征在于，包括对数字阵列雷达的回波进行预处理后进行智能数量估计得到目标数量估计；
所述回波预处理包括对回波信号在快时间域内进行傅里叶变换得到距离压缩结果，将距离压缩的结果运用回波变换到频率平面，然后在距离频率进行变量代换实现运动补偿，运动补偿后的距离压缩结果进行慢时间维的傅里叶变换，得到距离-多普勒域结果，对距离-多普勒域的输出结果进行数字波束形成，后利用单元平均恒虚警率(CA-CFAR)检测距离-多普勒域结果；
对距离-多普勒域结果载入卷积神经网络模型中进行卷积基于非线性激活函数运用特征提取得到初始特征图，在模型训练过程中采用最大池化的方法进行模型运算量的降采样，基于线性插值方式恢复池化层输出的特征图，同时利用反卷积恢复原始距离-多普勒域分辨率，将恢复后的特征图输入以像素为分类标准的分类层进行像素分类并得到像素类别数的统计结果，所述统计结果即为在距离-多普勒域中目标数量的估计结果。
2.根据权利要求1所述的全息数字阵列雷达目标数量估计方法，其特征在于：
距离压缩过程详细为：
回波信号的函数中包括距离向包络、方位向包络、发射信号相位以及多普勒调制项；
长时间积累下的回波信号为：
Figure FDA0002532663930000011
距离压缩过程表示为：
src(τ,t)＝IFFT(s(fτ,t)H(fτ)) (2)
其中H(fτ)为参考函数的响应函数，s(fτ,t)为回波在快时间域的傅里叶变换，将式(1)在快时间域进行傅里叶变换后代入式(2)得到距离压缩的结果为：
Figure FDA0002532663930000012
其中，sinc(·)为距离脉冲压缩响应函数，距离向快时间τ、方位向慢时间t、电磁波传播速度c、线性调频斜率Kr、载波频率f0、发射信号带宽B、载波波长λ。
3.根据权利要求2所述的全息数字阵列雷达目标数量估计方法，其特征在于：
运动补偿的详细步骤为：
对距离压缩过程输出的结果src(τ,t)在快时间域进行傅里叶变换得到src(fτ,t)从而将回波变换到频率平面，然后在距离频率进行变量代换实现运动补偿，具体代换表达式如下：
Figure FDA0002532663930000021
将式(4)带入src(fτ,t)并进行傅里叶反变换，得到运动补偿后的结果srcn(τ,t)。
4.根据权利要求3所述的全息数字阵列雷达目标数量估计方法，其特征在于：
距离-多普勒域处理的详细步骤为：
对运动补偿中输出的结果srcn(τ,t)进行慢时间维的傅里叶变换，得到距离-多普勒域结果，表示为：
Figure FDA0002532663930000022
慢时间维的傅里叶变换得到距离-多普勒域处理的结果。
5.根据权利要求4所述的全息数字阵列雷达目标数量估计方法，其特征在于：
目标检测的详细步骤为：
将距离-多普勒域处理中输出结果进行数字波束形成后利用单元平均恒虚警率(CA-CFAR)进行检测；
包括设置M个参考单元，对其进行平均，将所有参考单元的平均估计值乘以常数K0得到门限值，从而实现对距离-多普勒域结果进行检测。
6.根据权利要求5所述的全息数字阵列雷达目标数量估计方法，其特征在于：
将目标检测后的的距离-多普勒域结果输入到卷积神经网络模型中进行卷积操作得到初始特征图，详细步骤为：
卷积层包括K个大小为N*N*C的卷积核，将距离-多普勒域结果与卷积核进行卷积运算后，使用非线性激活函数增强卷积层的特征提取能力，经过运算后得到K个大小为(M-N+1)*(M-N+1)的特征图，计算公式如下：
Figure FDA0002532663930000023
其中，Xi (l-1)为第l-1个隐藏层的输出，Wi l表示第l个隐藏层的权值，bi (l)为第l个隐藏层的偏置，f为激活函数，用来解决原始线性函数表达能力不足的问题，其表达式为f(x)＝max(0,x)，xi (l)为第l层第i个神经元；
对特征图采用最大池化的方法进行降采样从而减少模型的训练时间，降低网络模型的运算量，池化层具体的计算公式如下：
xi (l)＝down(ai (l-1)),ai (l-1)＝f(xi (l-1)) (7)
其中，l表示当前池化的层数，down为降采样操作。
7.根据权利要求6所述的全息数字阵列雷达目标数量估计方法，其特征在于：
在初始特征图计算后进行原始图像分辨率恢复和数量估计，详细步骤如下：
对经过池化层输出的特征图以线性插值的方式恢复原始图像大小，同时利用反卷积恢复原始距离-多普勒域分辨率；
将恢复后的特征图输入以像素为分类标准的分类层进行像素分类并得到像素类别数的统计结果，所述统计结果为在距离-多普勒域中目标数量的估计结果，分类层具体的计算公式如下：
Figure FDA0002532663930000031
其中，Wi为卷积层输出特征图矩阵。
8.全息数字阵列雷达目标数量估计系统，其特征在于，所述系统执行权利要求1-7任意一条所述的方法的步骤。
CN202010522523.8A 2020-06-10 2020-06-10 全息数字阵列雷达目标数量估计方法和系统 Active CN112180338B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010522523.8A CN112180338B (zh) 2020-06-10 2020-06-10 全息数字阵列雷达目标数量估计方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010522523.8A CN112180338B (zh) 2020-06-10 2020-06-10 全息数字阵列雷达目标数量估计方法和系统

Publications (2)

Publication Number Publication Date
CN112180338A true CN112180338A (zh) 2021-01-05
CN112180338B CN112180338B (zh) 2022-03-01

Family

ID=73919533

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010522523.8A Active CN112180338B (zh) 2020-06-10 2020-06-10 全息数字阵列雷达目标数量估计方法和系统

Country Status (1)

Country Link
CN (1) CN112180338B (zh)

Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4209853A (en) * 1974-07-22 1980-06-24 Hyatt Gilbert P Holographic system for object location and identification
EP1303767A1 (en) * 2000-07-24 2003-04-23 QinetiQ Limited Method and apparatus for recognising a radar target
US20050100102A1 (en) * 2003-08-04 2005-05-12 Gazdzinski Robert F. Error-corrected wideband holographic communications apparatus and methods
WO2006108275A1 (en) * 2005-04-11 2006-10-19 Raytheon Canada Limited A classification system for radar and sonar applications
CA2762762A1 (en) * 2008-05-29 2009-12-03 Cambridge Consultants Limited Radar system and method
CN101995566A (zh) * 2010-10-15 2011-03-30 西安电子科技大学 二维数字阵列雷达数字波束形成系统及方法
CN102175995A (zh) * 2011-01-25 2011-09-07 西安电子科技大学 数字阵列雷达自适应发射置零方法
CN103163511A (zh) * 2013-03-06 2013-06-19 北京理工大学 一种数字阵列雷达频率步进信号相位补偿方法
CN104155646A (zh) * 2014-08-22 2014-11-19 西安电子科技大学 基于多普勒谱特征的海面低速运动目标检测方法
CN105676217A (zh) * 2016-03-29 2016-06-15 电子科技大学 一种改进的ml天波雷达机动目标参数估计方法
WO2016170005A1 (en) * 2015-04-20 2016-10-27 Resmed Sensor Technologies Limited Detection and identification of a human from characteristic signals
CN106597425A (zh) * 2016-11-18 2017-04-26 中国空间技术研究院 一种基于机器学习的雷达目标定位方法
CN107063259A (zh) * 2017-03-08 2017-08-18 四川九洲电器集团有限责任公司 一种航迹关联方法及电子设备
CN107341488A (zh) * 2017-06-16 2017-11-10 电子科技大学 一种sar图像目标检测识别一体化方法
US20180136326A1 (en) * 2016-10-14 2018-05-17 Lockheed Martin Corporation Radar system and method for determining a rotational state of a moving object
CN108596101A (zh) * 2018-04-25 2018-09-28 上海交通大学 一种基于卷积神经网络的遥感图像多目标检测方法
CN109471082A (zh) * 2018-11-07 2019-03-15 南京信息工程大学 基于信号子空间重构的阵元缺损mimo雷达角度估计方法
CN109709536A (zh) * 2019-01-24 2019-05-03 电子科技大学 一种基于卷积神经网络的sar动目标检测方法
US20190227156A1 (en) * 2018-01-22 2019-07-25 Infineon Technologies Ag System and method for human behavior modelling and power control using a millimeter-wave radar sensor
US10451712B1 (en) * 2019-03-11 2019-10-22 Plato Systems, Inc. Radar data collection and labeling for machine learning
CN110378204A (zh) * 2019-06-06 2019-10-25 东南大学 一种基于车载毫米波雷达的多目标分类方法
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

Patent Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4209853A (en) * 1974-07-22 1980-06-24 Hyatt Gilbert P Holographic system for object location and identification
EP1303767A1 (en) * 2000-07-24 2003-04-23 QinetiQ Limited Method and apparatus for recognising a radar target
US20050100102A1 (en) * 2003-08-04 2005-05-12 Gazdzinski Robert F. Error-corrected wideband holographic communications apparatus and methods
WO2006108275A1 (en) * 2005-04-11 2006-10-19 Raytheon Canada Limited A classification system for radar and sonar applications
EP3167305A1 (en) * 2005-04-11 2017-05-17 Raytheon Canada Limited A classification system for radar and sonar applications
CA2762762A1 (en) * 2008-05-29 2009-12-03 Cambridge Consultants Limited Radar system and method
CN101995566A (zh) * 2010-10-15 2011-03-30 西安电子科技大学 二维数字阵列雷达数字波束形成系统及方法
CN102175995A (zh) * 2011-01-25 2011-09-07 西安电子科技大学 数字阵列雷达自适应发射置零方法
CN103163511A (zh) * 2013-03-06 2013-06-19 北京理工大学 一种数字阵列雷达频率步进信号相位补偿方法
CN104155646A (zh) * 2014-08-22 2014-11-19 西安电子科技大学 基于多普勒谱特征的海面低速运动目标检测方法
WO2016170005A1 (en) * 2015-04-20 2016-10-27 Resmed Sensor Technologies Limited Detection and identification of a human from characteristic signals
CN105676217A (zh) * 2016-03-29 2016-06-15 电子科技大学 一种改进的ml天波雷达机动目标参数估计方法
US20180136326A1 (en) * 2016-10-14 2018-05-17 Lockheed Martin Corporation Radar system and method for determining a rotational state of a moving object
CN106597425A (zh) * 2016-11-18 2017-04-26 中国空间技术研究院 一种基于机器学习的雷达目标定位方法
CN107063259A (zh) * 2017-03-08 2017-08-18 四川九洲电器集团有限责任公司 一种航迹关联方法及电子设备
CN107341488A (zh) * 2017-06-16 2017-11-10 电子科技大学 一种sar图像目标检测识别一体化方法
US20190227156A1 (en) * 2018-01-22 2019-07-25 Infineon Technologies Ag System and method for human behavior modelling and power control using a millimeter-wave radar sensor
CN108596101A (zh) * 2018-04-25 2018-09-28 上海交通大学 一种基于卷积神经网络的遥感图像多目标检测方法
CN109471082A (zh) * 2018-11-07 2019-03-15 南京信息工程大学 基于信号子空间重构的阵元缺损mimo雷达角度估计方法
CN109709536A (zh) * 2019-01-24 2019-05-03 电子科技大学 一种基于卷积神经网络的sar动目标检测方法
US10451712B1 (en) * 2019-03-11 2019-10-22 Plato Systems, Inc. Radar data collection and labeling for machine learning
CN110378204A (zh) * 2019-06-06 2019-10-25 东南大学 一种基于车载毫米波雷达的多目标分类方法
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIHOON KWON等: ""Human detection by neural networks using a low-cost short-range Doppler radar sensor"", 《2017 IEEE RADAR CONFERENCE (RADARCONF)》 *
刘亚奇: ""基于时频空综合信息的阵列信号处理技术研究"", 《中国优秀硕士学位论文全文数据库（博士）信息科技辑》 *

Also Published As

Publication number Publication date
CN112180338B (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
CN108919249B (zh) 一种基于二维局部插值的雷达目标距离联合估计方法
CN108427115B (zh) 合成孔径雷达对运动目标参数的快速估计方法
Ran et al. An adaptive fast factorized back-projection algorithm with integrated target detection technique for high-resolution and high-squint spotlight SAR imagery
CN109407070B (zh) 一种高轨平台地面运动目标检测方法
CN103728619B (zh) 基于变重频技术的机载大斜视条带sar成像方法
CN110907938B (zh) 一种近场的快速下视合成孔径三维成像方法
CN111551922A (zh) 三维空间双/多基地雷达高速目标检测方法
CN114966693B (zh) 基于深度学习的机载舰船目标isar精细化成像方法
CN114114260A (zh) 一种基于深度学习的机动目标isar自聚焦成像方法
CN109188436B (zh) 适用于任意平台轨迹的高效双基sar回波生成方法
CN108196238B (zh) 高斯背景下基于自适应匹配滤波的杂波图检测方法
CN111060909A (zh) 一种机载雷达斜前视超分辨成像方法
CN112180338B (zh) 全息数字阵列雷达目标数量估计方法和系统
CN114780911B (zh) 一种基于深度学习的海洋宽测绘带距离解模糊方法
CN115407279B (zh) 一种脉冲压缩雷达距离多普勒耦合误差补偿方法
CN114185047B (zh) 一种基于最优极坐标变换的双基sar动目标重聚焦方法
CN108490417B (zh) 一种精确的sar动目标参数估计方法
Kim et al. Deep-learning based multi-object detection and tracking using range-angle map in automotive radar systems
CN111880154B (zh) 基于对称波数谱对消的复图像域运动目标检测方法
CN110907930B (zh) 一种基于角度估计的车载雷达目标检测估计方法及装置
CN113640793A (zh) 基于mrf的实孔径扫描雷达超分辨成像方法
CN108981707B (zh) 基于时差量测箱粒子phd的被动跟踪多目标方法
CN112255609A (zh) 一种恒加速机动目标相参积累检测方法
CN116990791B (zh) 一种多接收阵合成孔径声纳回波仿真方法
CN113447925B (zh) 一种基于图像域偏移特征的地面运动目标参数估计方法

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
GR01 Patent grant
GR01 Patent grant