CN113281776A - 针对复杂水下动态目标的激光雷达目标智能检测仪 - Google Patents
针对复杂水下动态目标的激光雷达目标智能检测仪 Download PDFInfo
- Publication number
- CN113281776A CN113281776A CN202110025034.6A CN202110025034A CN113281776A CN 113281776 A CN113281776 A CN 113281776A CN 202110025034 A CN202110025034 A CN 202110025034A CN 113281776 A CN113281776 A CN 113281776A
- Authority
- CN
- China
- Prior art keywords
- target
- time
- module
- radar
- frequency
- 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
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000003384 imaging method Methods 0.000 claims abstract description 6
- 238000005259 measurement Methods 0.000 claims description 24
- 238000001514 detection method Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 238000013135 deep learning Methods 0.000 claims description 13
- 238000007906 compression Methods 0.000 claims description 12
- 230000006835 compression Effects 0.000 claims description 11
- 230000003068 static effect Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 108091026890 Coding region Proteins 0.000 claims description 6
- 238000002592 echocardiography Methods 0.000 claims description 6
- 238000000691 measurement method Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010304 firing Methods 0.000 claims description 3
- 230000002779 inactivation Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000035485 pulse pressure Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 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
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明公开一种针对复杂水下动态目标的激光雷达目标智能检测仪。该智能检测仪由雷达信号预处理模块、结构特征提取模块、结构特征识别模块、目标状态估计模块四个模块构成。本发明不需要对水下目标进行高质量成像,具有实现方法简单、分类识别精度高、鲁棒性好等优点。
Description
技术领域
本发明涉及激光雷达目标特性检测技术领域,尤其涉及一种针对水下运动目标的激光雷达目标检测系统。
背景技术
作为一种重要的目标特性,由目标散射点分布决定的结构在雷达目标探测与目标识别领域具有很高的军用和民用价值。随着激光雷达发射机性能指标的提升,使用蓝绿激光进行水下目标探测已经成为了当前研究的热点。
目前使用激光雷达进行水下运动目标识别的研究方案较少,这是因为目前主流的目标检测技术都需要先进行激光雷达成像或提取点云数据,然后在图像数据和点云数据的基础上进行目标检测。这些方法对目标运动和平台运动都提出了较强的假设,然而在水下场景,激光雷达平台不能保证沿预定轨迹运动。因此,使用激光雷达进行水下运动目标识别,目前仍然是充满挑战的前沿课题。
作为机器学习领域的一个新研究方向,深度学习可以从大量的输入数据中自学习有效的特征表示。利用深度学习技术,直接基于雷达回波,使用非成像方式实现水下目标检测、水下目标结构特征的提取、水下目标识别等,具有广阔的应用前景。
发明内容
针对现有技术存在的技术问题,本发明提供一种实现方法简单、能够实现水下运动目标结构特征的提取以及分类识别,且分类识别精度高、鲁棒性好的智能检测仪。
为解决前述技术问题,本发明提出的技术方案为:一种针对水下运动目标的激光雷达信号智能检测仪,由雷达信号预处理模块、结构特征提取模块、结构特征识别模块、目标状态估计模块四个模块构成。
1)雷达信号预处理模块:获取对动态目标检测的雷达回波并做后处理;
2)结构特征提取模块:通过脉冲压缩技术将接收到的雷达回波转换为二维时频图像;
3)结构特征识别模块:基于所提取的时频图像进行结构特征提取,并使用预先基于深度学习神经网络模型训练好的分类器对提取到的结构特征进行识别。
4)目标状态估计模块:对于存在目标的回波段,基于回波信息进行测速、测距、测角;
进一步地,所述结构特征提取模块通过以下步骤,将雷达回波转换成时频图像:
1)对接收到的雷达回波信号做dechirp处理生成参考信号;
2)将接收到的雷达回波信号与前一步骤生成的参考信号在频域做脉冲压缩处理,形成目标一维距离像;
3)对目标进行连续观测,将连续观测中得到的一系列所述一维目标距离像按时间顺序排列,形成所述时频图像。
其中,TP为脉冲宽度,fc是雷达工作载频,μ是调频率,是快时间,m是当前脉冲数,tm是雷达慢时间,j为虚数单位,t是全时间由当前脉冲个数m除以脉冲重复频率得到。记τm是第m个脉冲测量到的雷达收发时延,则第m个脉冲对应的回波信号为:
其中τm,ref=2Rm,ref/c,Rm,ref为第m个脉冲的参考距离。记ΔRm=Rm-Rm,ref,将接收信号与参考信号在频域做匹配滤波,得到脉冲压缩处理后形成的目标距离像Sr'(f,m):
由上式,脉压后的回波信号在快时间频谱上被聚焦成一个sinc函数,sinc函数的峰值在频谱上的位置与参考点到目标点的位置矢量在LOS上的投影线性相关。这种方法实际上建立了目标位置和快时间频域的空-频等价,受到水体的吸收和散射作用,水下激光雷达信噪比低、杂波干扰明显,在这种情况下,这种非成像目标结构特征提取技术通过建立雷达目标间的信号模型,即使在恶劣的水下场景仍能有效提取目标的结构特征。另一方面,在目前的雷达非成像目标检测领域,为了实现较高的距离分辨率和时间分辨率,一般使用脉冲LFM模型对发射信号建模,然后对接收到的回波进行脉冲压缩。其中,本发明所用的解线性调频处理 (Dechirp)是一种针对LFM信号的脉冲压缩技术,通过将回波信号与一个固定时延参考信号混频,将时域中的收发时延、空域中沿视线方向的目标位置,统一转换为频域中的频差进行分析。所述固定时延一般通过平动补偿进行估计。在此基础上,将各脉冲回波的频谱依次排列起来,就形成了高分辨率距离像(High Resolution Range Profile,HRRP),蕴含丰富的目标运动特性和结构特征。
进一步地,结构特征识别模块通过以下步骤,对输入的雷达时频图像实现目标检测:
1)构建网络静态计算图;
2)前向计算:对训练数据进行时频张量的提取,并将提取出的所述时频张量输入所述网络静态计算图中,根据网络输出结果和标签信息计算损失函数,并在前向计算过程中对各层加入随机反向失活、权值衰减以实现网络正则化;
3)反向计算和参数更新:计算所述损失函数对各层可学习参数的导数,并根据计算得到的导数更新各层参数;
4)实时评价和参数保优:每次参数更新后在测试集上解算模型的性能度量参数,根据度量参数确定最优的模型参数,训练得到最终的分类器。
根据所述结构特征识别模块,针对其中所述网络静态计算图,本发明进一步给出一种基于残差网络的实现方法。基于深度学习神经网络模型训练好的分类器时,使用基于残差卷积模块构建的残差编码序列网络对训练数据中的图像区域特征进行提取,其中每个所述残差卷积模块由多个瓶颈模块构成,所述瓶颈模块包括跳跃连接的三个基本模块,每个所述卷积模块包括一个卷积模块、一个最大池化模块、一个批量归一化模块和一个非线性激活模块,,每层所述卷积模块的特征通道的数量逐层递增,最后通过稠密连接层实现目标检测与分类,并辅助实现目标运动参数估计任务。
根据所述结构特征识别模块,针对其中所述网络静态计算图,本发明进一步给出一种基于序列网络的实现方法。基于深度学习神经网络模型训练好的分类器时,使用序列网络对训练数据中的图像时频特征进行提取。在所述序列模型中的每个时间步t,先结合输入信息x<t>和前一时间步的隐含层状态a<t-1>,用tanh函数得到当前步记忆细胞状态更新值的候选值
其中,a<t-1>是前一时间步的隐含层状态,x<t>是当前步的输入信息,WC是线性变换系数, bC是偏置项。接着,定义三个门单元:更新门Γu、遗忘门Γf、输出门Γo。如下所示,这三个门单元具有类似的定义方式,且都使用sigmoid函数。
其中Wu,Wf,Wo分别是更新门、遗忘门、输出门的线性变换系数,bu,bf,bo分别是更新门、遗忘门、输出门的偏置项。σ(·)表示sigmoid函数,它将门单元的输出值控制0~1,在大多数情况下总是非常接近0或1。对于上一时间步的记忆细胞状态c<t-1>,遗忘门Γf决定是不是要遗忘它;对于当前步记忆细胞状态的更新值更新门Γu决定是否要真的更新它;接着,将更新后的细胞状态c<t>通过输出门Γo,可得到当前步隐含层状态a<t>。
借助序列模型对时序依赖强大的建模能力,能有效提取时频图像中的时序特征,最后通过稠密连接层实现目标检测与分类任务,并辅助实现目标运动参数估计任务。
根据所述结构特征识别模块,针对其中所述网络静态计算图,本发明进一步给出一种基于残差编码序列网络的实现方法。基于深度学习神经网络模型训练好的分类器时,先使用基于残差卷积模块对时频图像的区域特征进行抽取,再进一步将提取出的特征图送入序列模型中,使网络直接捕获特征图上的时序依赖,最后通过稠密连接层实现最后的分类任务。
进一步地,所述目标状态估计模块包括:
1)激光雷达测距模块:基于接收到的雷达回波得到目标距离信息,实现距离估计;
2)激光雷达测角模块:基于接收到的雷达回波得到目标角位置信息,实现位置估计;
3)激光雷达测速模块:基于接收到的雷达回波得到目标的速度信息,实现速度估计。
根据所述目标状态估计模块,针对其中所述激光雷达测距模块,激光雷达测距方案一般包括三角测距法、PTOF测距法以及AMCW(调幅连续波)测距法。考虑三角法在远距离探测时误差会迅速增长;PTOF测距法对时钟电路和激光发射电路的要求较高,因此本发明给出一种基于AMCW的测距方法:
其中R是目标距离,c为光速,tTOF是发射激光的飞行时间,是发射激光初始相位,是接收激光相位,f是发射激光频率。可见,AMCW通过将光波的强度进行调制,使光波在投射到物体后返回探测器的过程中在光强波形上形成一个相位差,通过测量相位差就可以间接获取光的飞行时间,从而反推目标距离。
其中λ是所用波长,θ是目标相对两发射机连线法线顺时针方向的角度。由于低频更易实现比相,可将两接收机收到的信号与同一本振差频后,在中频进行比相,比相结果不变。
根据所述目标状态估计模块,针对其中所述激光雷达测速模块,激光雷达的测速原理和普通微波雷达的多普勒原理不同,本发明给出一种基于收发时延的测速方法:使用两个激光脉冲依次测量目标距离,再结合两脉冲的发射间隔时长,即可估算目标沿雷达视线方向的运动速度。
与现有技术相比,本发明的技术构思与益处在于:
1)本发明针对复杂水下运动目标的结构特征,通过先将雷达回波转换为包含目标结构特性的时频图像,再结合基于深度学习模型对目标结构特征进行分类识别,可以充分利用深度学习技术强大的自学习能力以及1*1卷积对不同特征的自适应能力,快速、智能的识别出目标的结构信号,整个过程无需人工参与完成,
2)本发明进一步在深度学习网络模型的基础上,使用残差编码序列网络,能够在保证网络性能不变的前提下,有效削减模型体量,使得能够具有更好的模型性能和更合理的计算开销;同时有效利用时频图像的时序信息,提高识别精度。
3)本发明不需要依托成像雷达即可实现目标检测,可以有效降低水下目标识别复杂度,且对目标和雷达平台的运动模式没有较高要求。
附图说明
图1是本实施例针对水下运动目标的激光雷达信号智能处理方法实现流程示意图。
图2是本实施例实现水下目标信号智能处理方法的拓扑原理示意图。
图3是本发明在具体实施例中生成的水下弹头状目标时频图像示意图。
图4是本发明在具体实施例中生成的水下杆状目标时频图像示意图。
图5是本发明在具体实施例中对水下目标检测的训练效果示意图。
图6是本发明在具体实施例中对水下目标检测的测试效果示意图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述,但并不因此而限制本发明的保护范围。
如图1、2所示,一种针对水下运动目标的激光雷达信号智能检测仪,由雷达信号预处理模块、结构特征提取模块、结构特征识别模块、目标状态估计模块四个模块构成。
1)雷达信号预处理模块:获取对动态目标检测的雷达回波并做后处理;
2)结构特征提取模块:通过脉冲压缩技术将接收到的雷达回波转换为二维时频图像;
3)结构特征识别模块:基于所提取的时频图像进行结构特征提取,并使用预先基于深度学习神经网络模型训练好的分类器对提取到的结构特征进行识别。
4)目标状态估计模块:对于存在目标的回波段,基于回波信息进行测速、测距、测角;
进一步地,所述结构特征提取模块通过以下步骤,将雷达回波转换成时频图像:
1)对接收到的雷达回波信号做dechirp处理生成参考信号;
2)将接收到的雷达回波信号与前一步骤生成的参考信号在频域做脉冲压缩处理,形成目标一维距离像;
3)对目标进行连续观测,将连续观测中得到的一系列所述一维目标距离像按时间顺序排列,形成所述时频图像。
其中,TP为脉冲宽度,fc是雷达工作载频,μ是调频率,是快时间,m是当前脉冲数,tm是雷达慢时间,j为虚数单位,t是全时间由当前脉冲个数m除以脉冲重复频率得到。记τm是第m个脉冲测量到的雷达收发时延,则第m个脉冲对应的回波信号为:
其中τm,ref=2Rm,ref/c,Rm,ref为第m个脉冲的参考距离。记ΔRm=Rm-Rm,ref,将接收信号与参考信号在频域做匹配滤波,得到脉冲压缩处理后形成的目标距离像S′r(f,m):
由上式,脉压后的回波信号在快时间频谱上被聚焦成一个sinc函数,sinc函数的峰值在频谱上的位置与参考点到目标点的位置矢量在LOS上的投影线性相关。这种方法实际上建立了目标位置和快时间频域的空-频等价,受到水体的吸收和散射作用,水下激光雷达信噪比低、杂波干扰明显,在这种情况下,这种非成像目标结构特征提取技术通过建立雷达目标间的信号模型,即使在恶劣的水下场景仍能有效提取目标的结构特征。
进一步地,本实施例中的结构特征识别模块通过以下步骤,对输入的雷达时频图像实现目标检测:
1)构建网络静态计算图;
2)前向计算:对训练数据进行时频张量的提取,并将提取出的所述时频张量输入所述网络静态计算图中,根据网络输出结果和标签信息计算损失函数,并在前向计算过程中对各层加入随机反向失活、权值衰减以实现网络正则化;
3)反向计算和参数更新:计算所述损失函数对各层可学习参数的导数,并根据计算得到的导数更新各层参数;
4)实时评价和参数保优:每次参数更新后在测试集上解算模型的性能度量参数,根据度量参数确定最优的模型参数,训练得到最终的分类器。
根据所述结构特征识别模块,针对其中所述网络静态计算图,本实施例使用一种基于残差编码序列网络的实现方法。首先,使用基于残差卷积模块构建的残差编码序列网络对训练数据中的图像区域特征进行提取,其中每个所述残差卷积模块由多个瓶颈模块构成,所述瓶颈模块包括跳跃连接的三个基本模块,每个所述卷积模块包括一个卷积模块、一个最大池化模块、一个批量归一化模块和一个非线性激活模块,,每层所述卷积模块的特征通道的数量逐层递增,最后提取的特征张量中描述了时频数据的空间依赖关系。进一步,使用序列网络对已提取的特征张量中的图像时频特征进行提取。在所述序列模型中的每个时间步t,先结合输入信息x<t>和前一时间步的隐含层状态a<t-1>,用tanh函数得到当前步记忆细胞状态更新值的候选值
其中,a<t-1>是前一时间步的隐含层状态,x<t>是当前步的输入信息,WC是线性变换系数, bC是偏置项。接着,定义三个门单元:更新门Γu、遗忘门Γf、输出门Γo。如下所示,这三个门单元具有类似的定义方式,且都使用sigmoid函数。
其中Wu,Wf,Wo分别是更新门、遗忘门、输出门的线性变换系数,bu,bf,bo分别是更新门、遗忘门、输出门的偏置项。σ(·)表示sigmoid函数,它将门单元的输出值控制0~1,在大多数情况下总是非常接近0或1。对于上一时间步的记忆细胞状态c<t-1>,遗忘门Γf决定是不是要遗忘它;对于当前步记忆细胞状态的更新值更新门Γu决定是否要真的更新它;接着,将更新后的细胞状态c<t>通过输出门Γo,可得到当前步隐含层状态a<t>。
借助卷积模型的并行计算和局部连接能力,可以编码提取时频数据中的空间关系;借助序列模型对时序依赖强大的建模能力,能进一步提取时频图像中的时序特征,最后通过稠密连接层实现目标检测与分类任务,并辅助实现目标运动参数估计任务。
进一步地,本实施例中所述目标状态估计模块包括:
1)激光雷达测距模块:基于接收到的雷达回波得到目标距离信息,实现距离估计;
2)激光雷达测角模块:基于接收到的雷达回波得到目标角位置信息,实现位置估计;
3)激光雷达测速模块:基于接收到的雷达回波得到目标的速度信息,实现速度估计。
根据所述目标状态估计模块,针对其中所述激光雷达测距模块,激光雷达测距方案一般包括三角测距法、PTOF测距法以及AMCW(调幅连续波)测距法。考虑三角法在远距离探测时误差会迅速增长;PTOF测距法对时钟电路和激光发射电路的要求较高,因此本实施例给出一种基于AMCW的测距方法:
其中R是目标距离,c为光速,tTOF是发射激光的飞行时间,是发射激光初始相位,是接收激光相位,f是发射激光频率。可见,AMCW通过将光波的强度进行调制,使光波在投射到物体后返回探测器的过程中在光强波形上形成一个相位差,通过测量相位差就可以间接获取光的飞行时间,从而反推目标距离。
其中λ是所用波长,θ是目标相对两发射机连线法线顺时针方向的角度。由于低频更易实现比相,可将两接收机收到的信号与同一本振差频后,在中频进行比相,比相结果不变。
根据所述目标状态估计模块,针对其中所述激光雷达测速模块,激光雷达的测速原理和普通微波雷达的多普勒原理不同,本实施例给出一种基于收发时延的测速方法:使用两个激光脉冲依次测量目标距离,再结合两脉冲的发射间隔时长,即可估算目标沿雷达视线方向的运动速度。
本实施例中还包括构建训练所需的仿真数据集步骤,具体步骤包括:
1)设置参数范围,生成对应的雷达回波数据,其中参数包括雷达电磁参数(载频、采样频率、脉冲重复频率、带宽等)、目标位置参数(如初始位置、初始角位置等)、目标结构参数(散射点个数、散射点位置分布等,用于模拟真实水下目标)、目标运动参数(欧拉角描述的角运动参数等);
2)对生成的雷达回波数据做快时间域dechirp处理生成参考信号,再将雷达回波数据与参考信号在频域做脉冲压缩处理,形成当前慢时间的目标一维距离像;
3)对目标进行连续观测,将得到的一系列所述目标一维距离像按慢时间顺序排列,形成二维时频图像;
4)根据对生成的二维时频图像按结构参数进行标定。
为充分验证本发明的有效性,在具体应用实施例中基于Google云计算平台进行实验,其中所用服务器配备Intel Xeon E7-8880处理器(22核心,2.2GHz)、16GB内存和Google第三代TPU(Tensor Processor Unit,TPU3),软件平台为Python,基于MATLAB实现信号处理和数据集构建,基于Pytorch实现分类器设计、训练和测试。
在实验中,对锥状目标、杆状目标、弹头状目标等三个类别进行仿真模拟,生成三种目标的回波信号共9072张,其中图3是本实施例生成的水下弹头状目标时频图像示意图,图4 是本实施例生成的水下杆状目标时频图像示意图。
接着,按4:1的比例划分训练集和测试集,使用数据流水线批量读取训练数据并提取时频特征张量,将每个批量数据的时频特征张量输入神经网络进行训练,训练曲线如图5所示,测试效果如图6所示。从实验可知,对三种目标的识别准确率在训练集和测试集上均超99%。
本发明通过把深度学习技术部署到水下目标的激光雷达信号处理中,在硬件端实现激光雷达回波信号的高精度采集,然后基于深度学习模型对目标结构特性进行快速判读,分类精度可以达到99.9%,进而可有效迁移到水下反潜、水下火控识别、目标结构特性识别领域。
上述只是本发明的较佳实施例,并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明。因此,凡是未脱离本发明技术方案的内容,依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均应落在本发明技术方案保护的范围内。
Claims (10)
1.一种针对复杂水下动态目标的激光雷达目标智能检测仪,由雷达信号预处理模块、结构特征提取模块、结构特征识别模块、目标状态估计模块四个模块依次相连构成。其中,雷达信号预处理模块获取对动态目标检测的雷达回波,并传输至结构特征提取模块;结构特征提取模块将接收到的雷达回波进行时频变换,将产生的二维时频图像传输至结构特征识别模块;结构特征识别模块使用预先基于深度学习神经网络模型训练好的分类器,基于接收到的二维时频图像进行目标结构特性识别;目标状态估计模块用于对存在目标的雷达回波段进行目标定位和速度估计。
2.根据权利要求1所述的针对复杂水下动态目标的信号智能检测仪,其特征在于,所述结构特征提取模块通过以下步骤,将雷达回波转换成时频图像:
(1.1)对接收到的雷达回波信号做dechirp处理生成参考信号;
(1.2)将接收到的雷达回波信号与前一步骤生成的参考信号在频域做脉冲压缩处理,形成目标一维距离像;
(1.3)对目标进行连续观测,将连续观测中得到的一系列所述一维目标距离像按时间顺序排列,形成所述时频图像。
其中,TP为脉冲宽度,fc是雷达工作载频,μ是调频率,是快时间,m是当前脉冲数,tm是雷达慢时间,j为虚数单位,tT是全时间,由当前脉冲个数m除以脉冲重复频率得到。记τm是第m个脉冲测量到的雷达收发时延,则第m个脉冲对应的回波信号为:
其中τm,ref=2Rm,ref/c,Rm,ref为第m个脉冲的参考距离。记ΔRm=Rm-Rm,ref,将接收信号与参考信号在频域做匹配滤波,得到脉冲压缩处理后形成的目标距离像S′r(f,m):
由上式,脉压后的回波信号在快时间频谱上被聚焦成一个sinc函数,sinc函数的峰值在频谱上的位置与参考点到目标点的位置矢量在LOS上的投影线性相关。这种方法实际上建立了目标位置和快时间频域的空-频等价,通过建立雷达目标间的信号模型,使用非成像方法实现了水下目标结构特征提取。
4.根据权利要求1所述的针对复杂水下动态目标的信号智能检测仪,其特征在于,所述结构特征识别模块通过以下步骤,对输入的雷达时频图像实现目标检测:
(2.1)构建网络静态计算图;
(2.2)前向计算:对训练数据进行时频张量的提取,并将提取出的所述时频张量输入所述网络静态计算图中,根据网络输出结果和标签信息计算损失函数,并在前向计算过程中对各层加入随机反向失活、权值衰减以实现网络正则化;
(2.3)反向计算和参数更新:计算所述损失函数对各层可学习参数的导数,并根据计算得到的导数更新各层参数;
(2.4)实时评价和参数保优:每次参数更新后在测试集上解算模型的性能度量参数,根据度量参数确定最优的模型参数,训练得到最终的分类器。
5.根据权利要求4所述的针对复杂水下动态目标的信号智能检测仪,其特征在于,所述步骤(2.1)通过以下方式实现:基于深度学习神经网络模型训练好的分类器时,使用基于残差卷积模块构建的残差编码序列网络对训练数据中的图像区域特征进行提取,其中每个所述残差卷积模块由多个瓶颈模块构成,所述瓶颈模块包括跳跃连接的三个基本模块,每个所述卷积模块包括一个卷积模块、一个最大池化模块、一个批量归一化模块和一个非线性激活模块,每层所述卷积模块的特征通道的数量逐层递增,最后通过稠密连接层实现目标检测与分类任务,并辅助实现目标运动参数估计任务。
6.根据权利要求4所述的针对复杂水下动态目标的信号智能检测仪,其特征在于,所述步骤(2.1)通过以下方式实现:基于深度学习神经网络模型训练好的分类器时,使用序列网络对训练数据中的图像时频特征进行提取。在所述序列模型中的每个时间步t,先结合输入信息x<t>和前一时间步的隐含层状态a<t-1>,用tanh函数得到当前步记忆细胞状态更新值的候选值
其中,a<t-1>是前一时间步的隐含层状态,x<t>是当前步的输入信息,WC是线性变换系数,bC是偏置项。接着,定义三个门单元:更新门Γu、遗忘门Γf、输出门Γo。如下所示,这三个门单元具有类似的定义方式,且都使用sigmoid函数。
其中:Wu,Wf,Wo分别是更新门、遗忘门、输出门的线性变换系数,bu,bf,bo分别是更新门、遗忘门、输出门的偏置项。σ(·)表示sigmoid函数,它将门单元的输出值控制0~1,在大多数情况下总是非常接近0或1。对于上一时间步的记忆细胞状态c<t-1>,遗忘门Γf决定是不是要遗忘它;对于当前步记忆细胞状态的更新值更新门Γu决定是否要真的更新它;接着,将更新后的细胞状态c<t>通过输出门Γo,可以得到当前步的隐含层状态a〈t>。
借助序列模型对时序依赖强大的建模能力,能有效提取时频图像中的时序特征,最后通过稠密连接层实现目标检测与分类任务,并辅助实现目标运动参数估计任务。
7.根据权利要求1所述的针对复杂水下动态目标的信号智能检测仪,其特征在于,所述目标状态估计模块包括:
(3.1)激光雷达测距模块:基于接收到的雷达回波得到目标距离信息,实现距离估计;
(3.2)激光雷达测角模块:基于接收到的雷达回波得到目标角位置信息,实现位置估计;
(3.3)激光雷达测速模块:基于接收到的雷达回波得到目标的速度信息,实现速度估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110025034.6A CN113281776A (zh) | 2021-01-08 | 2021-01-08 | 针对复杂水下动态目标的激光雷达目标智能检测仪 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110025034.6A CN113281776A (zh) | 2021-01-08 | 2021-01-08 | 针对复杂水下动态目标的激光雷达目标智能检测仪 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113281776A true CN113281776A (zh) | 2021-08-20 |
Family
ID=77275517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110025034.6A Pending CN113281776A (zh) | 2021-01-08 | 2021-01-08 | 针对复杂水下动态目标的激光雷达目标智能检测仪 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113281776A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821335A (zh) * | 2022-05-20 | 2022-07-29 | 电子科技大学 | 基于深度特征与线性判别特征融合的未知目标判别方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104122540A (zh) * | 2014-07-31 | 2014-10-29 | 电子科技大学 | 基于匹配字典和压缩感知的雷达一维距离像目标识别方法 |
CN106569194A (zh) * | 2016-10-28 | 2017-04-19 | 中国人民解放军空军工程大学 | 一种宽带雷达空间锥体目标的干涉式三维成像与微动特征提取方法 |
CN109212540A (zh) * | 2018-09-12 | 2019-01-15 | 百度在线网络技术(北京)有限公司 | 基于激光雷达系统的测距方法、装置及可读存储介质 |
CN109214452A (zh) * | 2018-08-29 | 2019-01-15 | 杭州电子科技大学 | 基于注意深度双向循环神经网络的hrrp目标识别方法 |
CN109492671A (zh) * | 2018-10-16 | 2019-03-19 | 北京理工大学 | 一种基于lstm的多极化高分辨距离像目标识别方法 |
CN110018461A (zh) * | 2019-04-16 | 2019-07-16 | 西安电子工程研究所 | 基于高分辨距离像和单脉冲测角的群目标识别方法 |
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 |
CN111693953A (zh) * | 2020-05-11 | 2020-09-22 | 中山大学 | 基于微多普勒的目标分类识别模型、方法、系统及装置 |
CN112130142A (zh) * | 2020-09-25 | 2020-12-25 | 中南大学 | 一种复杂运动目标微多普勒特征提取方法及系统 |
CN112184849A (zh) * | 2020-09-25 | 2021-01-05 | 中南大学 | 一种针对复杂动态多目标微动信号智能处理方法及系统 |
-
2021
- 2021-01-08 CN CN202110025034.6A patent/CN113281776A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104122540A (zh) * | 2014-07-31 | 2014-10-29 | 电子科技大学 | 基于匹配字典和压缩感知的雷达一维距离像目标识别方法 |
CN106569194A (zh) * | 2016-10-28 | 2017-04-19 | 中国人民解放军空军工程大学 | 一种宽带雷达空间锥体目标的干涉式三维成像与微动特征提取方法 |
CN109214452A (zh) * | 2018-08-29 | 2019-01-15 | 杭州电子科技大学 | 基于注意深度双向循环神经网络的hrrp目标识别方法 |
CN109212540A (zh) * | 2018-09-12 | 2019-01-15 | 百度在线网络技术(北京)有限公司 | 基于激光雷达系统的测距方法、装置及可读存储介质 |
CN109492671A (zh) * | 2018-10-16 | 2019-03-19 | 北京理工大学 | 一种基于lstm的多极化高分辨距离像目标识别方法 |
CN110018461A (zh) * | 2019-04-16 | 2019-07-16 | 西安电子工程研究所 | 基于高分辨距离像和单脉冲测角的群目标识别方法 |
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 |
CN111693953A (zh) * | 2020-05-11 | 2020-09-22 | 中山大学 | 基于微多普勒的目标分类识别模型、方法、系统及装置 |
CN112130142A (zh) * | 2020-09-25 | 2020-12-25 | 中南大学 | 一种复杂运动目标微多普勒特征提取方法及系统 |
CN112184849A (zh) * | 2020-09-25 | 2021-01-05 | 中南大学 | 一种针对复杂动态多目标微动信号智能处理方法及系统 |
Non-Patent Citations (1)
Title |
---|
李文臣等: ""宽带一维像雷达单脉冲跟踪建模仿真"", 《系统仿真学报》, 31 August 2009 (2009-08-31), pages 1 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821335A (zh) * | 2022-05-20 | 2022-07-29 | 电子科技大学 | 基于深度特征与线性判别特征融合的未知目标判别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112184849B (zh) | 一种针对复杂动态多目标微动信号智能处理方法及系统 | |
US11506776B2 (en) | Method and device with improved radar resolution | |
CN103869311B (zh) | 实波束扫描雷达超分辨成像方法 | |
US6911933B1 (en) | Dynamic logic algorithm used for detecting slow-moving or concealed targets in synthetic aperture radar (SAR) images | |
CN109116311A (zh) | 基于知识辅助稀疏迭代协方差估计的杂波抑制方法 | |
CN110726992B (zh) | 基于结构稀疏和熵联合约束的sa-isar自聚焦法 | |
CN113504522B (zh) | 一种基于发射天线随机切换的时空解耦与超分辨测角方法 | |
Budillon et al. | SAR tomography based on deep learning | |
CN109001700B (zh) | 一种实现目标轮廓重构的雷达前视成像方法 | |
Kim et al. | A study on 3D human pose estimation using through-wall IR-UWB radar and transformer | |
Davey et al. | Detection and tracking of multipath targets in over-the-horizon radar | |
CN113281776A (zh) | 针对复杂水下动态目标的激光雷达目标智能检测仪 | |
Zhou et al. | 4D radar simulator for human activity recognition | |
Kim et al. | Through-wall human tracking with multiple Doppler sensors using an artificial neural network | |
CN108919263A (zh) | 基于最大互信息准则的isar高分辨成像方法 | |
CN115494496B (zh) | 单比特雷达成像系统、方法及相关设备 | |
Thammakhoune et al. | Moving target imaging for synthetic aperture radar via RPCA | |
KR102279563B1 (ko) | 레이더 신호 처리 장치 및 레이더 신호 처리 방법 | |
Venkatasubramanian et al. | Data‐driven target localization using adaptive radar processing and convolutional neural networks | |
Yonel et al. | Deep learning for waveform estimation in passive synthetic aperture radar | |
Wu et al. | Using range-Doppler spectrum-based deep learning method to detect radar target in interrupted sampling repeater jamming | |
Youssef et al. | Scalable End-to-End RF Classification: A Case Study on Undersized Dataset Regularization by Convolutional-MST | |
EP4286884A1 (en) | People counting based on radar measurement and data processing in a neural network | |
Liu et al. | Radar-STDA: A High-Performance Spatial-Temporal Denoising Autoencoder for Interference Mitigation of FMCW Radars | |
Cipollone et al. | Multilayer Perceptron Neural Network for LEO Track Reconstruction from Multibeam Radar Measurements |
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 |
Application publication date: 20210820 |
|
RJ01 | Rejection of invention patent application after publication |