CN112711032B - 一种基于图数据和gcn的雷达目标检测方法及系统 - Google Patents

一种基于图数据和gcn的雷达目标检测方法及系统 Download PDF

Info

Publication number
CN112711032B
CN112711032B CN202011427847.XA CN202011427847A CN112711032B CN 112711032 B CN112711032 B CN 112711032B CN 202011427847 A CN202011427847 A CN 202011427847A CN 112711032 B CN112711032 B CN 112711032B
Authority
CN
China
Prior art keywords
node
signal
data
graph
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.)
Active
Application number
CN202011427847.XA
Other languages
English (en)
Other versions
CN112711032A (zh
Inventor
陈小龙
苏宁远
关键
宋杰
张财生
薛永华
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.)
Naval Aeronautical University
Original Assignee
Naval Aeronautical University
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 Naval Aeronautical University filed Critical Naval Aeronautical University
Priority to CN202011427847.XA priority Critical patent/CN112711032B/zh
Publication of CN112711032A publication Critical patent/CN112711032A/zh
Application granted granted Critical
Publication of CN112711032B publication Critical patent/CN112711032B/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
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • 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
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及一种基于图数据和GCN的雷达目标检测方法及系统。该方法包括：获取目标的雷达回波数据；对所述雷达回波数据按照时间序列进行划分，得到多段信号节点序列；对每个信号节点序列取模，得到每个信号节点序列的节点特征；所述节点特征为该信号节点序列对应的幅度信息；根据每个信号节点序列的节点特征，构建邻接矩阵，得到信号图数据；所述邻接矩阵的节点为信号节点序列，所述信号图数据包括邻接矩阵和每个节点的节点特征；将所述信号图数据输入图卷积网络，输出所述图卷积网络中每个节点对应的分类结果；每个节点的分类结果为目标信号或者杂波信号。本发明可以提高目标检测的性能。

Description

一种基于图数据和GCN的雷达目标检测方法及系统
技术领域
本发明涉及雷达信号处理领域，特别是涉及一种基于图数据和GCN的雷达目标检测方法及系统。
背景技术
目标的检测在军事和民用等领域有广泛应用，雷达是目标探测和监视的重要手段，但受复杂环境产生的杂波以及目标类型多样化的影响，可靠和稳健的目标检测始终是需要研究的关键技术之一。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，为目标的检测提供新的途径。在雷达信号处理领域，深度学习方法已广泛用于SAR图像、多普勒雷达信号、高分辨距离相等类型信号的处理。
此前有学者尝试采用各类卷积神经网络对雷达信号时间序列进行处理，通过二元分类的方式区分目标和杂波信号，实现目标检测。此类方法完全以信号序列特征为依据进行分类，在训练和测试过程中各信号样本之间完全相互独立，而各信号样本之间时域空域关系信息未得到充分利用，性能受到限制。
发明内容
本发明的目的是提供一种基于图数据和GCN的雷达目标检测方法及系统，以提高雷达目标的检测准确度。
为实现上述目的，本发明提供了如下方案：
一种基于图数据和GCN的雷达目标检测方法，包括：
获取对目标的雷达回波数据；
对所述雷达回波数据按照时间序列进行划分，得到多段信号节点序列；每个信号节点序列对应固定时间段的雷达回波数据；
对每个信号节点序列取模，得到每个信号节点序列的节点特征；所述节点特征为该信号节点序列对应的幅度信息；
根据每个信号节点序列的节点特征，构建邻接矩阵，得到信号图数据；所述邻接矩阵的节点为信号节点序列，所述信号图数据包括邻接矩阵和每个节点的节点特征；
将所述信号图数据输入图卷积网络，输出所述图卷积网络中每个节点对应的分类结果；每个节点的分类结果为目标信号或者杂波信号。
可选的，所述对所述雷达回波数据按照时间序列进行划分，得到多段信号节点序列，具体包括：
将所述雷达回波数据划分为N个距离单元；每个距离单元对应的时间序列中包括L个采样点；
将每个距离单元等分为多个信号节点序列；每个信号节点序列对应的时间序列中包括Linput个采样点；Linput＜L。
可选的，所述根据每个信号节点序列的节点特征，构建邻接矩阵，得到信号图数据，具体包括：
将信号节点序列作为节点，计算相邻两个节点的节点特征之差的二范数，确定任意相邻两个节点之间的边权值；所述相邻两个节点是指时间相邻或距离相邻的信号节点序列；
基于所有节点之间的边权值，构建所述邻接矩阵；
根据所述邻接矩阵和每个节点的节点特征，得到所述信号图数据。
可选的，所述将信号节点序列作为节点，计算相邻两个节点的节点特征之差的二范数，确定任意相邻两个节点之间的边权值，具体包括：
利用公式
Figure BDA0002819446240000021
确定任意两个节点之间的边权值；其中，d(a,b)为节点va和节点vb之间的边权值；节点va为第i个距离单元中第m秒信号对应的节点；节点vb为第j个距离单元中第n秒信号对应的节点；xa为节点va的节点特征；xb为节点vb的节点特征；lt和lr为预设变量。
可选的，所述将所述信号图数据输入图卷积网络，输出所述图卷积网络中每个节点对应的分类结果，具体包括：
将所述信号图数据输出所述图卷积网络；所述图卷积网络包括第一图卷积层和第二图卷积层；
所述第一图卷积层根据所述信号图数据，输出每个节点的第一特征；
所述第二图卷积层根据每个节点的第一特征，对应输出每个节点的第二特征；所述第二特征为分类结果。
本发明还提供一种基于图数据和GCN的雷达目标检测系统，包括：
雷达回波数据获取模块，用于获取目标的雷达回波数据；
数据划分模块，用于对所述雷达回波数据按照时间序列进行划分，得到多段信号节点序列；每个信号节点序列对应固定时间段的雷达回波数据；
取模运算模块，用于对每个信号节点序列取模，得到每个信号节点序列的节点特征；所述节点特征为该信号节点序列对应的幅度信息；
信号图数据构建模块，用于根据每个信号节点序列的节点特征，构建邻接矩阵，得到信号图数据；所述邻接矩阵的节点为信号节点序列，所述信号图数据包括邻接矩阵和每个节点的节点特征；
信号检测模块，用于将所述信号图数据输入图卷积网络，输出所述图卷积网络中每个节点对应的分类结果；每个节点的分类结果为目标信号或者杂波信号。
可选的，所述数据划分模块，具体包括：
距离单元划分单元，用于将所述雷达回波数据划分为N个距离单元；每个距离单元对应的时间序列中包括L个采样点；
信号节点序列划分单元，用于将每个距离单元等分为多个信号节点序列；每个信号节点序列对应的时间序列中包括Linput个采样点；Linput＜L。
可选的，所述信号图数据构建模块，具体包括：
边权值确定单元，用于将信号节点序列作为节点，计算相邻两个节点的节点特征之差的二范数，确定任意相邻两个节点之间的边权值；所述相邻两个节点是指时间相邻或距离相邻的信号节点序列；
邻接矩阵构建单元，用于基于所有节点之间的边权值，构建所述邻接矩阵；
信号图数据构建单元，用于根据所述邻接矩阵和每个节点的节点特征，得到所述信号图数据。
可选的，所述边权值确定单元，具体包括：
边权值计算子单元，用于利用公式
Figure BDA0002819446240000041
确定任意两个节点之间的边权值；其中，d(a,b)为节点va和节点vb之间的边权值；节点va为第i个距离单元中第m秒信号对应的节点；节点vb为第j个距离单元中第n秒信号对应的节点；xa为节点va的节点特征；xb为节点vb的节点特征；lt和lr为预设变量。
可选的，所述信号检测模块，具体包括：
输入单元，用于将所述信号图数据输入所述图卷积网络；所述图卷积网络包括第一图卷积层和第二图卷积层；
第一图卷积层检测单元，用于基于所述第一图卷积层根据所述信号图数据，输出每个节点的第一特征；
第二图卷积层检测单元，用于基于所述第二图卷积层根据每个节点的第一特征，对应输出每个节点的第二特征；所述第二特征为分类结果。
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：
本发明通过将雷达回波数据按照时间序列划分为信号节点序列，并提取每个信号节点序列的特征，进而构建信号图数据，能够有效利用各信号之间的时域空域信息，特征提取能力更强，检测性能更高。而且，本发明基于图卷积网络对信号图数据进行目标检测，能有效降低训练参数量，训练过程更快，可实现实时参数优化，自适应能力强。
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为本发明基于图数据和GCN的雷达目标检测方法的流程示意图；
图2为本发明构建的信号图数据的示意图；
图3为本发明的图卷积网络的结构示意图；
图4为本发明基于图数据和GCN的雷达目标检测系统的结构示意图。
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。
近年来图数据处理受到关注，图神经网络(GraphNeural Networks，GNN)可以实现信息在相邻图数据节点之间传递，并在文本分类、关系提取和图像分类等领域得到广泛应用。目前GNN应用场景主要包括分子化学、计算机网络、社交网络等，此类应用场景中，数据本身具有显式图结构。图卷积网络是一种基本的GNN，该网络可实现图数据中节点的分类，目前大量对GNN的应用都基于GCN节点分类这一功能。雷达信号数据本身不具备图结构，但包含时空域信息，对其中部分数据进行处理时，其相邻时刻、位置采集到的信号可提供重要信息，因此本发明采用雷达信号数据构建图数据，并用图神经网络进行处理，更充分地利用雷达信号所含信息。
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。
图1为本发明基于图数据和GCN的雷达目标检测方法的流程示意图。如图1所示，本发明基于图数据和GCN的雷达目标检测方法包括以下步骤：
步骤100：获取目标的雷达回波数据。采用雷达获取目标的回波数据。
步骤200：对雷达回波数据按照时间序列进行划分，得到多段信号节点序列。每个信号节点序列对应固定时间段的雷达回波数据。具体的，首先，本发明将雷达回波数据划分为N个距离单元，每个距离单元对应的时间序列中包括L个采样点；然后，将每个距离单元划分为多个信号节点序列，每个信号节点序列对应的时间序列中包括Linput个采样点，Linput＜L。因此，雷达回波数据总共划分为
Figure BDA0002819446240000061
个信号节点序列。
步骤300：对每个信号节点序列取模，得到每个信号节点序列的节点特征。节点特征为该信号节点序列对应的幅度信息，用特征向量表示。
步骤400：根据每个信号节点序列的节点特征，构建邻接矩阵，得到信号图数据。邻接矩阵的节点为信号节点序列，信号图数据包括邻接矩阵和每个节点的节点特征。具体的，首先将信号节点序列作为节点，利用如下公式确定任意两个节点之间的边权值：
Figure BDA0002819446240000062
式中，d(a,b)为节点va和节点vb之间的边权值；节点va为第i个距离单元中第m秒信号对应的节点；节点vb为第j个距离单元中第n秒信号对应的节点；xa为节点va的特征向量；xb为节点vb的特征向量；lt和lr为预设变量，用于控制每个节点邻域的范围。
然后，基于所有节点与节点之间的边权值，给每个节点按顺序编号，构建邻接矩阵邻接矩阵，例如，邻接矩阵Aij为第i个节点和第j个节点之间的边权值。
最后，根据邻接矩阵和每个节点的节点特征，可以得到信号图数据。信号图数据的结构如图2所示，信号图数据由节点v和边e构成，节点即信号节点序列，边表示信号节点序列与信号节点序列之间的关系，节点自身信息表示为节点特征x，边的信息表示为权值。
步骤500：将信号图数据输入图卷积网络，输出图卷积网络中每个节点对应的分类结果。每个节点的分类结果为目标信号或者杂波信号。
本发明的图卷积网络与卷积神经网络(Convolutional Neural Networks,CNN)进行数据分类类似，GCN对节点进行分类也是通过实现数据降维，建立输入原始数据(特征)到输出类别的映射关系。如图3所示，本发明采用由两个图卷积层组成的GCN，输入为信号图数据中每个信号节点特征，信号节点特征1×Linput向量表示；第一层图卷积层输出为每个节点的第一特征，为1×M的向量；第二层图卷积层输出为每个节点的第二特征，即该信号节点序列的分类结果，为1×2的向量。在图卷积网络使用之前，根据样本数据中各节点信号类别将所有节点打标签，将节点分为训练集、验证集和测试集。损失函数采用交叉熵函数，参数优化算法采用Adam，迭代次数为3000，学习率设置为0.001，利用构建好的图数据对该图卷积网络进行节点分类训练，优化图卷积网络参数，得到可对目标和杂波信号进行二元分类的图卷积网络，训练完成后，直接将构建的信号图网络输入该图卷积网络可以直接得到每个节点对应的信号节点序列是否为目标信号。
第一图卷积层的运算为：
Figure BDA0002819446240000071
式中，y1i为第一图卷积层输出图数据中第i个节点的第一特征，x1j为第一图卷积层输入图数据中第j个节点的特征，W1为第一图卷积层的图卷积核，ρ为激活函数ReLu，
Figure BDA0002819446240000072
表示节点j的取值范围为节点i的邻域节点，
Figure BDA0002819446240000073
为第一图卷积层输入图数据的归一化后的拉普拉斯矩阵：
Figure BDA0002819446240000074
式中，
Figure BDA0002819446240000075
A1为第一图卷积层输入图数据的邻接矩阵。
第二图卷积层的运算为：
Figure BDA0002819446240000076
式中，
Figure BDA0002819446240000077
为第二图卷积层输出图数据中第i个节点的第二特征，即分类结果；
Figure BDA0002819446240000081
为第二图卷积层输入图数据中第j个节点的特征，W2为第二图卷积层的图卷积核，ρ为激活函数ReLu，
Figure BDA0002819446240000082
表示节点j的取值范围为节点i的邻域节点，
Figure BDA0002819446240000083
为第二图卷积层输入图数据的归一化后的拉普拉斯矩阵：
Figure BDA0002819446240000084
式中，
Figure BDA0002819446240000085
A2为第二图卷积层输入图数据的邻接矩阵。
基于上述方法，本发明还提供一种基于图数据和GCN的雷达目标检测系统，图4为本发明基于图数据和GCN的雷达目标检测系统的结构示意图。如图4所示，本发明基于图数据和GCN的雷达目标检测系统包括：
雷达回波数据获取模块401，用于获取目标的雷达回波数据。
数据划分模块402，用于对所述雷达回波数据按照时间序列进行划分，得到多段信号节点序列；每个信号节点序列对应固定时间段的雷达回波数据。
取模运算模块403，用于对每个信号节点序列取模，得到每个信号节点序列的节点特征；所述节点特征为该信号节点序列对应的幅度信息。
信号图数据构建模块404，用于根据每个信号节点序列的节点特征，构建邻接矩阵，得到信号图数据；所述邻接矩阵的节点为信号节点序列，所述信号图数据包括邻接矩阵和每个节点的节点特征。
信号检测模块405，用于将所述信号图数据输入图卷积网络，输出所述图卷积网络中每个节点对应的分类结果；每个节点的分类结果为目标信号或者杂波信号。
作为具体实施例，本发明基于图数据和GCN的雷达目标检测系统中，所述数据划分模块402，具体包括：
距离单元划分单元，用于将所述雷达回波数据划分为N个距离单元；每个距离单元对应的时间序列中包括L个采样点。
信号节点序列划分单元，用于将每个距离单元等分为多个信号节点序列；每个信号节点序列对应的时间序列中包括Linput个采样点；Linput＜L。
作为具体实施例，本发明基于图数据和GCN的雷达目标检测系统中，所述信号图数据构建模块404，具体包括：
边权值确定单元，用于将信号节点序列作为节点，计算相邻两个节点的节点特征之差的二范数，确定任意相邻两个节点之间的边权值；所述相邻两个节点是指时间相邻或距离相邻的信号节点序列。
邻接矩阵构建单元，用于基于所有节点之间的边权值，构建所述邻接矩阵。
信号图数据构建单元，用于根据所述邻接矩阵和每个节点的节点特征，得到所述信号图数据。
作为具体实施例，本发明基于图数据和GCN的雷达目标检测系统中，所述边权值确定单元，具体包括：
边权值计算子单元，用于利用公式
Figure BDA0002819446240000091
确定任意两个节点之间的边权值；其中，d(a,b)为节点va和节点vb之间的边权值；节点va为第i个距离单元中第m秒信号对应的节点；节点vb为第j个距离单元中第n秒信号对应的节点；xa为节点va的节点特征；xb为节点vb的节点特征；lt和lr为预设变量。
作为具体实施例，本发明基于图数据和GCN的雷达目标检测系统中，所述信号检测模块405，具体包括：
输入单元，用于将所述信号图数据输入所述图卷积网络；所述图卷积网络包括第一图卷积层和第二图卷积层。
第一图卷积层检测单元，用于基于所述第一图卷积层根据所述信号图数据，输出每个节点的第一特征。
第二图卷积层检测单元，用于基于所述第二图卷积层根据每个节点的第一特征，对应输出每个节点的第二特征；所述第二特征为分类结果。
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)

1.一种基于图数据和GCN的雷达目标检测方法，其特征在于，包括：
获取对目标的雷达回波数据；
对所述雷达回波数据按照时间序列进行划分，得到多段信号节点序列；每个信号节点序列对应固定时间段的雷达回波数据；
对每个信号节点序列取模，得到每个信号节点序列的节点特征；所述节点特征为该信号节点序列对应的幅度信息；
根据每个信号节点序列的节点特征，构建邻接矩阵，得到信号图数据；所述邻接矩阵的节点为信号节点序列，所述信号图数据包括邻接矩阵和每个节点的节点特征；具体过程为：将信号节点序列作为节点，利用公式
Figure FDA0003563124070000011
确定任意两个节点之间的边权值；其中，d(a,b)为节点va和节点vb之间的边权值，节点va为第i个距离单元中第m秒信号对应的节点，节点vb为第j个距离单元中第n秒信号对应的节点，xa为节点va的节点特征，xb为节点vb的节点特征，lt和lr为预设变量；相邻的两个节点是指时间相邻或距离相邻的信号节点序列；基于所有节点之间的边权值，构建所述邻接矩阵；根据所述邻接矩阵和每个节点的节点特征，得到所述信号图数据；
将所述信号图数据输入图卷积网络，输出所述图卷积网络中每个节点对应的分类结果；每个节点的分类结果为目标信号或者杂波信号。
2.根据权利要求1所述的基于图数据和GCN的雷达目标检测方法，其特征在于，所述对所述雷达回波数据按照时间序列进行划分，得到多段信号节点序列，具体包括：
将所述雷达回波数据划分为N个距离单元；每个距离单元对应的时间序列中包括L个采样点；
将每个距离单元等分为多个信号节点序列；每个信号节点序列对应的时间序列中包括Linput个采样点；Linput＜L。
3.根据权利要求1所述的基于图数据和GCN的雷达目标检测方法，其特征在于，所述将所述信号图数据输入图卷积网络，输出所述图卷积网络中每个节点对应的分类结果，具体包括：
将所述信号图数据输出所述图卷积网络；所述图卷积网络包括第一图卷积层和第二图卷积层；
所述第一图卷积层根据所述信号图数据，输出每个节点的第一特征；
所述第二图卷积层根据每个节点的第一特征，对应输出每个节点的第二特征；所述第二特征为分类结果。
4.一种基于图数据和GCN的雷达目标检测系统，其特征在于，包括：
雷达回波数据获取模块，用于获取目标的雷达回波数据；
数据划分模块，用于对所述雷达回波数据按照时间序列进行划分，得到多段信号节点序列；每个信号节点序列对应固定时间段的雷达回波数据；
取模运算模块，用于对每个信号节点序列取模，得到每个信号节点序列的节点特征；所述节点特征为该信号节点序列对应的幅度信息；
信号图数据构建模块，用于根据每个信号节点序列的节点特征，构建邻接矩阵，得到信号图数据；所述邻接矩阵的节点为信号节点序列，所述信号图数据包括邻接矩阵和每个节点的节点特征；所述信号图数据构建模块，具体包括：边权值确定单元，用于将信号节点序列作为节点，利用公式
Figure FDA0003563124070000021
确定任意两个节点之间的边权值；其中，d(a,b)为节点va和节点vb之间的边权值；节点va为第i个距离单元中第m秒信号对应的节点；节点vb为第j个距离单元中第n秒信号对应的节点；xa为节点va的节点特征；xb为节点vb的节点特征；lt和lr为预设变量；相邻的两个节点是指时间相邻或距离相邻的信号节点序列；邻接矩阵构建单元，用于基于所有节点之间的边权值，构建所述邻接矩阵；信号图数据构建单元，用于根据所述邻接矩阵和每个节点的节点特征，得到所述信号图数据；
信号检测模块，用于将所述信号图数据输入图卷积网络，输出所述图卷积网络中每个节点对应的分类结果；每个节点的分类结果为目标信号或者杂波信号。
5.根据权利要求4所述的基于图数据和GCN的雷达目标检测系统，其特征在于，所述数据划分模块，具体包括：
距离单元划分单元，用于将所述雷达回波数据划分为N个距离单元；每个距离单元对应的时间序列中包括L个采样点；
信号节点序列划分单元，用于将每个距离单元等分为多个信号节点序列；每个信号节点序列对应的时间序列中包括Linput个采样点；Linput＜L。
6.根据权利要求4所述的基于图数据和GCN的雷达目标检测系统，其特征在于，所述信号检测模块，具体包括：
输入单元，用于将所述信号图数据输入所述图卷积网络；所述图卷积网络包括第一图卷积层和第二图卷积层；
第一图卷积层检测单元，用于基于所述第一图卷积层根据所述信号图数据，输出每个节点的第一特征；
第二图卷积层检测单元，用于基于所述第二图卷积层根据每个节点的第一特征，对应输出每个节点的第二特征；所述第二特征为分类结果。
CN202011427847.XA 2020-12-07 2020-12-07 一种基于图数据和gcn的雷达目标检测方法及系统 Active CN112711032B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011427847.XA CN112711032B (zh) 2020-12-07 2020-12-07 一种基于图数据和gcn的雷达目标检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011427847.XA CN112711032B (zh) 2020-12-07 2020-12-07 一种基于图数据和gcn的雷达目标检测方法及系统

Publications (2)

Publication Number Publication Date
CN112711032A CN112711032A (zh) 2021-04-27
CN112711032B true CN112711032B (zh) 2022-05-13

Family

ID=75542737

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011427847.XA Active CN112711032B (zh) 2020-12-07 2020-12-07 一种基于图数据和gcn的雷达目标检测方法及系统

Country Status (1)

Country Link
CN (1) CN112711032B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114814776B (zh) * 2022-06-24 2022-10-14 中国空气动力研究与发展中心计算空气动力研究所 基于图注意力网络和迁移学习的pd雷达目标检测方法
CN117233725B (zh) * 2023-11-15 2024-01-23 中国空气动力研究与发展中心计算空气动力研究所 基于图神经网络多特征融合的相干雷达目标检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101615964A (zh) * 2008-02-22 2009-12-30 西米奥有限责任公司 用于在网络中同步时钟的电路装置和方法
CN103852648A (zh) * 2014-03-20 2014-06-11 西安电子科技大学 获取空间电磁强度数据的方法
CN106291126A (zh) * 2016-07-15 2017-01-04 西安电子科技大学 基于变采样率的复杂电磁环境时域信号模拟方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105954586B (zh) * 2016-07-15 2018-11-30 西安电子科技大学 基于变采样率的空间电磁信号频谱获取方法
US11360216B2 (en) * 2017-11-29 2022-06-14 VoxelMaps Inc. Method and system for positioning of autonomously operating entities
CN108196251A (zh) * 2017-12-25 2018-06-22 电子科技大学 基于向量外推的加速迭代正则化超分辨成像方法
CN109117701B (zh) * 2018-06-05 2022-01-28 东南大学 基于图卷积的行人意图识别方法
CN109389058B (zh) * 2018-09-25 2021-03-23 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
US11373233B2 (en) * 2019-02-01 2022-06-28 Target Brands, Inc. Item recommendations using convolutions on weighted graphs
US11544535B2 (en) * 2019-03-08 2023-01-03 Adobe Inc. Graph convolutional networks with motif-based attention
CN110309732B (zh) * 2019-06-13 2021-04-06 浙江大学 基于骨架视频的行为识别方法
CN111563533B (zh) * 2020-04-08 2023-05-02 华南理工大学 基于图卷积神经网络融合多种人脑图谱的受试者分类方法
CN111645073B (zh) * 2020-05-29 2022-04-19 武汉理工大学 一种机器人视觉语义导航方法、装置及系统
CN111626961B (zh) * 2020-05-29 2022-10-28 中国人民解放军海军航空大学 一种基于生成对抗网络的雷达图像杂波抑制方法及系统
CN111738318B (zh) * 2020-06-11 2022-09-30 大连理工大学 一种基于图神经网络的超大图像分类方法
CN111880158A (zh) * 2020-08-06 2020-11-03 中国人民解放军海军航空大学 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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101615964A (zh) * 2008-02-22 2009-12-30 西米奥有限责任公司 用于在网络中同步时钟的电路装置和方法
CN103852648A (zh) * 2014-03-20 2014-06-11 西安电子科技大学 获取空间电磁强度数据的方法
CN106291126A (zh) * 2016-07-15 2017-01-04 西安电子科技大学 基于变采样率的复杂电磁环境时域信号模拟方法

Also Published As

Publication number Publication date
CN112711032A (zh) 2021-04-27

Similar Documents

Publication Publication Date Title
CN112783940B (zh) 基于图神经网络的多源时序数据故障诊断方法和介质
CN109389058B (zh) 海杂波与噪声信号分类方法及系统
CN112711032B (zh) 一种基于图数据和gcn的雷达目标检测方法及系统
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
Okuno et al. Combining multiple forecasts for multivariate time series via state-dependent weighting
CN116861262B (zh) 一种感知模型训练方法、装置及电子设备和存储介质
Jia et al. A fingerprint-based localization algorithm based on LSTM and data expansion method for sparse samples
CN114814776B (zh) 基于图注意力网络和迁移学习的pd雷达目标检测方法
CN111860623A (zh) 基于改进ssd神经网络的统计树木数量的方法及系统
CN114358162B (zh) 一种基于连续小波变换的跌倒检测方法、装置及电子设备
CN115631771A (zh) 基于组合卷积神经网络的声音事件检测与定位方法
CN116186581A (zh) 一种基于图脉冲神经网络的楼层识别方法及系统
CN112801271B (zh) 生成神经网络的方法、数据处理方法、智能行驶控制方法
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
CN113688655B (zh) 干扰信号的识别方法、装置、计算机设备和存储介质
Mandic et al. Sequential data fusion via vector spaces: Fusion of heterogeneous data in the complex domain
CN110045362B (zh) 基于rnn的雷达目标航迹识别方法和装置
CN113609970A (zh) 基于分组卷积深度U_Net的水下目标识别方法
CN108960406B (zh) 一种基于bfo小波神经网络的mems陀螺随机误差预测方法
Pribić Stochastic deep learning for compressive-sensing radar
CN114332151B (zh) 一种基于阴影Video-SAR中感兴趣目标跟踪方法
CN111523258B (zh) 基于MS-Net网络的微地震有效信号初至拾取方法及系统
CN116228609B (zh) 一种基于零样本学习的雷达图像相干斑滤波方法及装置
CN115542282B (zh) 基于深度学习的雷达回波检测方法、系统、设备及介质
CN113989665B (zh) 一种基于路由聚合感知fpn的sar船只检测方法

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
GR01 Patent grant
GR01 Patent grant