CN113625244A - 一种基于lstm的多源域的高重频雷达目标检测方法 - Google Patents
一种基于lstm的多源域的高重频雷达目标检测方法 Download PDFInfo
- Publication number
- CN113625244A CN113625244A CN202110927907.2A CN202110927907A CN113625244A CN 113625244 A CN113625244 A CN 113625244A CN 202110927907 A CN202110927907 A CN 202110927907A CN 113625244 A CN113625244 A CN 113625244A
- Authority
- CN
- China
- Prior art keywords
- target
- frequency
- lstm
- dimensional
- network
- 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 47
- 230000001427 coherent effect Effects 0.000 claims abstract description 21
- 238000009825 accumulation Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 9
- 238000012795 verification Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 239000013598 vector Substances 0.000 claims description 2
- 238000002592 echocardiography Methods 0.000 claims 1
- 238000012216 screening Methods 0.000 claims 1
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 abstract description 2
- 230000009466 transformation Effects 0.000 description 3
- 238000007792 addition Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000006467 substitution reaction 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于LSTM的多源域的高重频雷达目标检测方法,包括:对雷达接收的回波信号进行连续三帧的非相参积累,然后将回波数据转换为平滑伪维格纳分布二维图像、一维时间序列进行傅里叶变换得到的一维频率图、复数回波数据求幅值的一维图,并划分数据集;搭建目标分类卷积网络用于判断目标有无;搭建基于LSTM的目标频率检测网络;将训练得到模型用于目标分类和目标频率预测;训练过程中每个Epoch后使用验证集验证网络是否欠拟合或者过拟合;在验证集和测试集上计算目标检测的准确率、漏检率、虚警率是否满足检测要求,若不满足则设置新的初始化参数重新训练。本发明具有实现简单、检测精度高、适用于广泛的的特点。
Description
技术领域
本发明属于雷达技术领域,具体地说,是涉及一种基于LSTM的多源域的高重频雷达目标检测方法。
背景技术
高重频雷达具有探测距离远的特点,但随着距离的增加受到环境影响、杂波等的干扰也越多,目标信号的能量就越低,从低信噪比的回波信号中检测出目标的困难也越大。
发明内容
本发明的目的在于提供一种基于LSTM的多源域的高重频雷达目标检测方法,解决现有自适应阈值雷达目标检测方法在低信噪比情况下检测性能不佳的技术问题。
本发明采用以下技术方案予以实现:
提出一种基于LSTM的多源域的高重频雷达目标检测方法,包括:
对连续的高重频雷达信号进行非相参累积;
处理非相参累积后的信号得到spwvd图、fft图和幅值图,划分数据集;
构建目标分类卷积网络和基于LSTM的目标频率回归网络;
采用训练得到的模型进行目标分类,并使用平均绝对误差回归进行目标频率预测;
在验证集和测试集上计算目标检测的准确率、漏检率、虚警率,以及频率回归的准确率是否满足检测要求,在不满足时设置新的初始化参数重新训练直至满足检测要求。
与现有技术相比,本发明的优点和积极效果是:本发明提出的基于LSTM的多源域的高重频雷达目标检测方法,将连续的高重频雷达信号进行非相参累积,提高信号能量,从而有助于目标检测;利用多源域特征融合提高目标检测性能,利用LSTM时序特征提取能力获取连续帧时间维度的信息,能更好的预测频率,具有实现简单、检测快且精度高、适用于高重频雷达信号目标检测的优点。
结合附图阅读本发明实施方式的详细描述后,本发明的其他特点和优点将变得更加清楚。
附图说明
图1为本发明提出的基于LSTM的多源域的高重频雷达目标检测方法的步骤流程图;
图2为本发明提出的基于LSTM的多源域的高重频雷达目标检测方法的示意图;
图3为本发明中对非相参累积后的信号进行处理及处理结果示意图;
图4为本发明中构建的目标分类网络的网络架构图;
图5为本发明中构建的目标频率回归网络的网络架构图;
图6为采用本发明提出的基于LSTM的多源域的高重频雷达目标检测的检测结果示例。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步详细的说明。
本发明旨在提出一种提高高重频雷达信号检测能力及频率预测能力的检测方法,如图1所示和图2所示,包括如下步骤:
步骤S1:对连续的高重频雷达信号进行非相参累积。
在本发明一个实施例中,对接收的雷达回波的时间序列信号进行步长为三的连续的三帧信号的非相参累积,每一帧的复数数据按照序列顺序一一相加,形成新的序列:
Xk=xi+xi+1+xi+2,i=1,2,3,...,n,k=1,2,3,...,N;
其中,xi={a1+b1·j,a2+b2·j,...,an+bn·j}为其中一帧复数数据,连续三帧数据的实部和实部相加,虚部和虚部相加,形成一个新的复数序列Xk。
步骤S2:基于非相参累积后的信号得到spwvd图、fft图和幅值图,并划分数据集。
对非相参累积后的信号首先进行spwvd(平滑伪维格纳分布)变换,变换的图的尺寸大小设为256*256,对非相参累积后的一维时间序列进行fft变换得到一维频率图,傅里叶变换的长度设定为数据的长度,最后将非相参累积后的复数数据转换为幅值数据,从而得到多源域的输入,预处理结果如图3所示。
离线训练网络时有多段雷达回波信号,以段为单位按照8:1:1划分为训练集、验证集和测试集,每段数据包含多帧连续数据。
步骤S3:构建目标分类卷积网络和基于LSTM的目标频率回归网络。
构建用于判断目标有无的或用于分类的的目标分类卷积网络,网络输入中,spwvd图为二维数据,fft图和幅值图为一维数据,故针对spwvd图设计二维卷积网络分支,针对fft图和幅值图分别设计一维卷积网络分支;其中,二维卷积网络由二维卷积层和二维残差卷积层构成,一维卷积网络由一维卷积层和一维残差卷积层构成。
将三个卷积网络分支得到的特征经过平均池化层、全连接层形成一维向量,再经过拼接层形成总特征,最后经过全连接层筛选融合输出,如图4所示。
构建基于LSTM的目标频率回归网络,相比于普通卷积网络能够充分利用时间维度上的信息,能更准确预测出目标频率,网络的输入为未做非相参累积信号的连续三帧数据的spwvd,大小为256*256,网络有三支,分别经过卷积和残差卷积后送入LSTM层提取时间特征,得到的特征经过全连接层,最后回归出目标频率,网络结构图如图5所示。
步骤S4:采用训练得到的模型进行目标分类和目标频率预测。
采用训练集对步骤S3构建的额目标分类卷积网络和目标频率回归网络进行训练,设置起始训练参数,包括学习率、迭代次数、batchsize和早停机制等,在本发明一个具体实施例中:设置100个Epoch;初始学习率为0.001;设置学习率下降机制:在第60个Epoch、第80个Epoch学习率分别下降1/10;Batchsize为16;早停机制:当泛化错误在连续5个周期内增长时则停止更新。
采用训练得到的目标分类网络判断目标有无,并使用平均绝对误差回归预测出目标频率,目标回归的损失函数为:
训练过程中,每个epoch后使用验证集验证网络是否欠拟合或过拟合。
步骤S5:在验证集和测试集上计算目标检测的准确率、漏检率、虚警率,以及频率回归的准确率是否满足检测要求,在不满足时设置新的初始化参数重新训练直至满足检测要求。
目标分类网络中,使用准确率、漏检率、虚警率来评价网络性能:准确率采用计算;漏检率采用计算;虚警率采用计算;其中,NTP为真实目标被预测为真目标的个数,NFP为假目标被预测成真目标的个数,NFN为真实目标被预测为假目标,NTN为假目标被预测成假目标的个数。
上述在任一条件不满足检测要求时,设置新的初始化参数重新训练网络直至满足检测要求。
在本发明实施例中,采用上述提出的基于LSTM的多源域的高重频雷达目标检测方法进行一次检测,用识别准确率、漏检率、虚警率、频率回归准确率对其中一帧高重频信号进行评估,检测结果如图6所示的:真实目标一共有1个,目标检测器正确检测出1个目标,准确率为100%,漏检率为0,虚警率为0,频率预测为17.13KHZ,真实频率为16.34KHZ,频率预测准确率为95.2%。
应该指出的是,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (8)
1.一种基于LSTM的多源域的高重频雷达目标检测方法,其特征在于,包括:
对连续的高重频雷达信号进行非相参累积;
处理非相参累积后的信号得到spwvd图、fft图和幅值图,划分数据集;
构建目标分类卷积网络和基于LSTM的目标频率回归网络;
采用训练得到的模型进行目标分类,并使用平均绝对误差回归进行目标频率预测;
在验证集和测试集上计算目标检测的准确率、漏检率、虚警率,以及频率回归的准确率是否满足检测要求,在不满足时设置新的初始化参数重新训练直至满足检测要求。
2.根据权利要求1所述的基于LSTM的多源域的高重频雷达目标检测方法,其特征在于,对连续的高重频雷达信号进行非相参累积,具体为:
对接收的雷达回波的时间序列信号先进行以步长为三的连续的三帧非相参累积。
3.根据权利要求1所述的基于LSTM的多源域的高重频雷达目标检测方法,其特征在于,基于非相参累积后的信号得到spwvd图、fft图和幅值图,具体包括:
对非相参累积后的信号分别进行如下处理得到多源域输入:
将非相参累积后的信号转换为平滑伪维格纳分布二维图;
将非相参累积后的一维时间序列进行傅里叶变换得到一维频率图;
将非相参累积后的复数数据求幅值得到一维图。
4.根据权利要求1所述的基于LSTM的多源域的高重频雷达目标检测方法,其特征在于,构建目标分类卷积网络包括:
针对spwvd图设计二维卷积网络分支;
针对fft图和幅值图分别设计一维卷积网络分支;
将三个卷积网络分支得到的特征经过平均池化层、全连接层形成一维向量,再经过拼接层形成总特征,最后经过全连接层筛选融合输出;
其中,二维卷积网络由二维卷积层和二维残差卷积层构成,一维卷积网络由一维卷积层和一维残差卷积层构成。
5.根据权利要求1所述的基于LSTM的多源域的高重频雷达目标检测方法,其特征在于,所述基于LSTM的目标频率回归网络的输入为未做非相参累积的信号的连续数据的spwvd图。
6.根据权利要求1所述的基于LSTM的多源域的高重频雷达目标检测方法,其特征在于,所述方法还包括:
为构建的目标分类卷积网络的训练设置起始训练参数:设置100个Epoch;初始学习率为0.001;设置学习率下降机制:在第60个Epoch、第80个Epoch学习率分别下降1/10;Batchsize为16;早停机制:当泛化错误在连续5个周期内增长时则停止更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110927907.2A CN113625244A (zh) | 2021-08-11 | 2021-08-11 | 一种基于lstm的多源域的高重频雷达目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110927907.2A CN113625244A (zh) | 2021-08-11 | 2021-08-11 | 一种基于lstm的多源域的高重频雷达目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113625244A true CN113625244A (zh) | 2021-11-09 |
Family
ID=78385143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110927907.2A Pending CN113625244A (zh) | 2021-08-11 | 2021-08-11 | 一种基于lstm的多源域的高重频雷达目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113625244A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106443626A (zh) * | 2016-09-23 | 2017-02-22 | 西安思丹德信息技术有限公司 | 一种无人区域目标检测方法 |
CN109407067A (zh) * | 2018-10-13 | 2019-03-01 | 中国人民解放军海军航空大学 | 基于时频图卷积神经网络的雷达动目标检测与分类一体化方法 |
CN111505643A (zh) * | 2020-04-22 | 2020-08-07 | 南京信息工程大学 | 基于时频图深度学习的海面小目标检测方法 |
CN111796252A (zh) * | 2020-08-28 | 2020-10-20 | 西安电子科技大学 | 基于四通道相参融合的全极化mimo雷达目标检测方法 |
US20200408880A1 (en) * | 2019-06-28 | 2020-12-31 | Smart Radar System, Inc. | Method and apparatus for radar signal processing using convolutional neural network |
CN112541481A (zh) * | 2020-12-25 | 2021-03-23 | 南京航空航天大学 | 一种基于深度学习的对海探测雷达目标检测方法 |
CN112965062A (zh) * | 2021-02-09 | 2021-06-15 | 西安电子科技大学 | 基于lstm-dam网络的雷达距离像目标识别方法 |
-
2021
- 2021-08-11 CN CN202110927907.2A patent/CN113625244A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106443626A (zh) * | 2016-09-23 | 2017-02-22 | 西安思丹德信息技术有限公司 | 一种无人区域目标检测方法 |
CN109407067A (zh) * | 2018-10-13 | 2019-03-01 | 中国人民解放军海军航空大学 | 基于时频图卷积神经网络的雷达动目标检测与分类一体化方法 |
US20200408880A1 (en) * | 2019-06-28 | 2020-12-31 | Smart Radar System, Inc. | Method and apparatus for radar signal processing using convolutional neural network |
CN111505643A (zh) * | 2020-04-22 | 2020-08-07 | 南京信息工程大学 | 基于时频图深度学习的海面小目标检测方法 |
CN111796252A (zh) * | 2020-08-28 | 2020-10-20 | 西安电子科技大学 | 基于四通道相参融合的全极化mimo雷达目标检测方法 |
CN112541481A (zh) * | 2020-12-25 | 2021-03-23 | 南京航空航天大学 | 一种基于深度学习的对海探测雷达目标检测方法 |
CN112965062A (zh) * | 2021-02-09 | 2021-06-15 | 西安电子科技大学 | 基于lstm-dam网络的雷达距离像目标识别方法 |
Non-Patent Citations (2)
Title |
---|
ZHANG, ZF 等: ""Automatic Modulation Classification Using Convolutional Neural Network With Features Fusion of SPWVD and BJD"", 《IEEE TRANSACTIONS ON SIGNAL AND INFORMATION PROCESSING OVER NETWORKS》, vol. 5, no. 3, pages 469 - 478, XP011736873, DOI: 10.1109/TSIPN.2019.2900201 * |
郑超凡: ""基于脉间特征深度学习的雷达辐射源识别"", 《信号处理》, vol. 36, no. 8, pages 1187 - 1195 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106872955B (zh) | 基于联合概率数据关联算法的雷达多目标跟踪优化方法 | |
CN111077523B (zh) | 一种基于生成对抗网络的逆合成孔径雷达成像方法 | |
CN108333569A (zh) | 一种基于phd滤波的异步多传感器融合多目标跟踪方法 | |
CN106772352B (zh) | 一种基于Hough和粒子滤波的PD雷达扩展微弱目标检测方法 | |
CN115169479A (zh) | 污水处理过程远程监控方法、系统及存储介质 | |
CN104299248A (zh) | 利用前视声呐图像对水下多个动态目标运动预测的方法 | |
CN112965062B (zh) | 基于lstm-dam网络的雷达距离像目标识别方法 | |
CN113963441A (zh) | 一种基于跨域增强的毫米波雷达手势识别方法及系统 | |
CN117075097B (zh) | 一种基于扩展目标簇划分的海事雷达目标跟踪方法及系统 | |
Qin et al. | Underwater acoustic source localization using LSTM neural network | |
Chu et al. | Attention enhanced spatial temporal neural network for HRRP recognition | |
CN111368653B (zh) | 一种基于r-d图与深度神经网络的低空小目标检测方法 | |
CN113625244A (zh) | 一种基于lstm的多源域的高重频雷达目标检测方法 | |
CN117233706A (zh) | 一种基于多层通道注意力机制的雷达有源干扰识别方法 | |
CN112711032A (zh) | 一种基于图数据和gcn的雷达目标检测方法及系统 | |
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 | |
Pan et al. | Ship detection using online update of clutter map based on fuzzy statistics and spatial property | |
CN113759362B (zh) | 雷达目标数据关联的方法、装置、设备和存储介质 | |
CN115508824A (zh) | 多目标大数据关联融合跟踪方法及系统 | |
CN114898202A (zh) | 基于多模型融合的水下视频目标尺度空间判别式跟踪系统及方法 | |
CN113126086B (zh) | 一种基于状态预测积累的生命探测雷达弱目标检测方法 | |
Guo et al. | Target depth estimation by deep neural network based on acoustic interference structure in deep water | |
Zhang et al. | A real-time automatic method for target locating under unknown wall characteristics in through-wall imaging | |
CN115220002B (zh) | 一种固定单站的多目标数据关联跟踪方法和相关装置 | |
Pulford | Relative performance of single-scan algorithms for passive sonar tracking |
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 |