CN114089301A - 一种基于神经网络的新型自适应声呐目标检测方法及计算机设备 - Google Patents
一种基于神经网络的新型自适应声呐目标检测方法及计算机设备 Download PDFInfo
- Publication number
- CN114089301A CN114089301A CN202111304694.4A CN202111304694A CN114089301A CN 114089301 A CN114089301 A CN 114089301A CN 202111304694 A CN202111304694 A CN 202111304694A CN 114089301 A CN114089301 A CN 114089301A
- Authority
- CN
- China
- Prior art keywords
- detection
- neural network
- sonar target
- background
- clutter
- 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 125
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 56
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 10
- 239000010410 layer Substances 0.000 description 8
- 210000004027 cell Anatomy 0.000 description 7
- 238000002592 echocardiography Methods 0.000 description 5
- 238000012935 Averaging Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008713 feedback mechanism Effects 0.000 description 2
- RVRCFVVLDHTFFA-UHFFFAOYSA-N heptasodium;tungsten;nonatriacontahydrate Chemical compound O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W] RVRCFVVLDHTFFA-UHFFFAOYSA-N 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000001228 spectrum 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (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神经网络的新型自适应声呐目标检测方法及计算机设备，属于水声探测技术领域，解决现有采用一种CFAR检测方法进行检测，很难实现在较复杂的背景环境下，仍能获取较稳健的检测性能的问题。本发明的方法包括：对接收到的声呐目标信号进行匹配滤波处理；对所述滤波后的声呐目标信号进行检波处理，获取检测单元和参考单元；根据所述参考单元，并利用神经网络对所述声呐目标信号进行分类，获取所述检测单元的背景杂波类型；根据所述检测单元的背景杂波类型，选取最佳检测方法；利用所述最佳检测方法，完成对声呐目标的检测。本发明适用于水声探测中对声呐目标的检测。
Description
技术领域
本申请涉及水声探测技术领域，尤其涉及一种基于神经网络的新型自适应声呐目标检测方法。
背景技术
在声呐目标检测中恒虚警检测(CFAR)是一种有效的方法。该方法中虚警率将作为一种先验参数，并维持不变。经典的常用CFAR方法主要包括单元平均恒虚警检测器(CellAveraging CFAR,CA-CFAR)，有序恒虚警检测器(Ordered Statistics CFAR,OS-CFAR)，自动筛选平均恒虚警检测器(Auto Censored Mean Level Detector CFAR，ACMLD-CFAR)两侧单元平均选最大恒虚警检测器(Greatest Of CFAR,GO-CFAR)，两侧单元平均选最小恒虚警检测器(Smallest Of CFAR,SO-CFAR)等等。这些常用的恒虚警检测器只在一个或者多个特殊场合下具有很高的性能，例如在均匀杂波背景中，CA-CFAR的检测性能要优于其他检测器，但是在多目标、杂波边缘中的性能会出现急剧下降；在多目标环境中，OS-CFAR和ACMLD-CFAR的检测能力更好，其中ACMLD方法是在OS方法的基础上派生出来的，ACMLD方法能够适当删除引起非均匀的强离散混响参考单元，充分利用更多的参考单元数据，因此检测性能不会随着干扰目标数的增加而呈现剧烈的下降；在杂波边缘低功率环境中，SO-CFAR的虚警控制能力要优于其他的检测器，并且虚警率也要低于其他检测器，在杂波边缘高功率环境中，GO-CFAR的虚警控制能力要优于其他的检测器，并且虚警率也要低于其他检测器。
人工神经网络是对生物神经网络的高度简化，通过互联许多的计算单元形成，有着较强大的非线性拟合功能，能够通过计算机实现一定的自学能力和超常的记忆能力。现在的人工神经网络模型已经比较多了，包括径向基神经网络、卷积神经网络、循环神经网络、单层感知器、多层感知器、BP神经网络都是这当中比较典型的模型。神经网络已经在很多工程领域得到有效地应用，其中也包括水声信号处理领域，例如：将神经网络应用在谱估计、自适应滤波方向、声呐阵列信号处理和信号重构、基于神经网络的声呐目标检测等。当前基于神经网络算法的CFAR方法仍被广泛研究。
现有技术中，如图1所示，采用一种CFAR检测方法进行检测，很难实现在较复杂的背景环境下，仍能获取较稳健的检测性能。
发明内容
本发明目的是为了解决现有采用一种CFAR检测方法进行检测，很难实现在较复杂的背景环境下，仍能获取较稳健的检测性能的问题，提供了一种基于神经网络的新型自适应声呐目标检测方法及计算机设备。
本发明是通过以下技术方案实现的，本发明一方面，提供一种基于神经网络的新型自适应声呐目标检测方法，所述方法包括：
对接收到的声呐目标信号进行匹配滤波处理；
对所述滤波后的声呐目标信号进行检波处理，获取检测单元和参考单元；
根据所述参考单元，并利用神经网络对所述声呐目标信号进行分类，获取所述检测单元的背景杂波类型；
根据所述检测单元的背景杂波类型，选取最佳检测方法；
利用所述最佳检测方法，完成对声呐目标的检测。
进一步地，所述检波处理方法包括：平方律检波或线性检波。
进一步地，所述检测单元的获取方法具体包括：
根据所述滤波后的声呐目标信号，获取所述声呐目标信号的同相分量和正交分量；
根据所述同相分量和正交分量，获取所述检测单元。
进一步地，所述分类具体包括：将所述声呐目标信号分为均匀背景环境，杂波边缘环境高功率区、杂波边缘低功率区和多目标背景环境四种类型。
进一步地，所述根据所述参考单元，并利用神经网络对所述声呐目标信号进行分类，具体为：将所述参考单元输入杂波背景识别分类网络。
进一步地，所述杂波背景识别分类网络采用列文伯格-马夸尔特算法进行反馈训练。
进一步地，所述根据所述检测单元的背景杂波类型，选取最佳检测方法，具体包括：
若所述背景杂波类型为均匀背景环境，选取CA-CFAR检测器；
若所述背景杂波类型为杂波边缘环境高功率区，选取GO-CFAR检测器；
若所述背景杂波类型为杂波边缘低功率区，选取SO-CFAR检测器；
若所述背景杂波类型为多目标背景环境，选取ACMLD-CFAR检测器。
另一方面，本发明提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时执行如上文所述的一种基于神经网络的新型自适应声呐目标检测方法的步骤。
本发明的有益效果：采用基于神经网络的新型自适应声呐目标检测方法，利用神经网络对所述声呐目标信号进行分类识别，自适应选取最佳的CFAR检测方法，既可以提高系统的抗干扰能力，又可以达到精确探测的目的。
本发明适用于水声探测中对声呐目标的检测。
附图说明
为了更清楚地说明本申请的技术方案，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，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为现有技术声呐目标检测的实际操作流程图；
图2为CFAR检测器结构框图；
图3为BP神经网络反馈机制；
图4为本发明的新型声呐信号检测器的结构图。
具体实施方式
实施方式一、如图1-4所示，一种基于神经网络的新型自适应声呐目标检测方法，所述方法包括：
对接收到的声呐目标信号进行匹配滤波处理；
对所述滤波后的声呐目标信号进行检波处理，获取检测单元和参考单元；
根据所述参考单元，并利用神经网络对所述声呐目标信号进行分类，获取所述检测单元的背景杂波类型；
根据所述检测单元的背景杂波类型，选取最佳检测方法；
利用所述最佳检测方法，完成对声呐目标的检测。
本实施方式中，将神经网络与声呐恒虚警检测技术相结合，利用神经网络训练结果自适应选择最合适的恒虚警检测方法。
首先测量得到原始信号后，对于接收到的声呐目标信号首先会进行匹配滤波处理，目的是为了提升信号的信噪比；利用平方律检波得到检测单元后，输入杂波背景识别分类网络，根据分类结果选用最佳检测方法，完成对声呐目标的准确检测。
实施方式二，本实施方式是对实施方式一所述的一种基于神经网络的新型自适应声呐目标检测方法的进一步限定，本实施方式中，对所述检波处理方法做了进一步限定，具体包括：平方律检波或线性检波。
本实施方式中，对滤波后的声呐目标信号进行检波处理，该两种检波方法均可以获取恒虚警检测系统的检测单元。
实施方式三，本实施方式是对实施方式一所述的一种基于神经网络的新型自适应声呐目标检测方法的进一步限定，本实施方式中，对所述检测单元的获取方法做了进一步限定，具体包括：
根据所述滤波后的声呐目标信号，获取所述声呐目标信号的同相分量和正交分量；
根据所述同相分量和正交分量，获取所述检测单元。
本实施方式是对滤波后的声呐目标信号进行检波处理后，可以分析得到信号的同相分量I(t)、正交分量Q(t)，D(t)为I(t)和Q(t)检波后的输出结果。常见的检波方法包括平方律检波，表达式为：
D(t)＝I2(t)+Q2(t) (1)
线性检波，表达式为：
图2中D为恒虚警检测系统的检测单元。系统的检测门限由两侧的参考单元xi(i＝1,2…,n)和yi(i＝1,2…,n)和乘积因子T有关。
需要说明的是，检测单元的目的是估计背景噪声功率水平，具体的计算方式与所选取的CFAR算法的形式有关，得到Z后由式S＝Z*T得到系统的检测门限。然后将该值与检测单元进行比较，从而判断是否有目标存在。检测单元的两侧应设置相应的距离单位，，一般称其为保护单元，用以避免目标信号进入两侧的参考单元，提高噪声功率，从而提高系统的检测阈值，而阈值提高以后会使门限升高，大于目标功率以后就检测不到目标。
实施方式四，本实施方式是对实施方式一所述的一种基于神经网络的新型自适应声呐目标检测方法的进一步限定，本实施方式中，对所述分类做了进一步限定，具体包括：
将所述声呐目标信号分为均匀背景环境，杂波边缘环境高功率区、杂波边缘低功率区和多目标背景环境四种类型。
需要说明的是，在噪声均匀分布的条件下，根据参考单元采样独立同分布的特性，可以得到虚警概率表达式如下：
式(3)中μ是指数分布参数，随机变量Z可以由参考窗内信号得到，fZ(z)是Z的概率密度函数，MZ(u)是Z的矩母函数。当u＝T/(1+SNR)μ时，可以得到系统在均匀噪声背景中的检测概率pd，即：
pd＝MZ(u)|u＝T(1+SNR)μ (4)
式中SNR为信噪比。从上述的分析可见，可以通过计算背景噪声估计的矩母函数，来求解恒虚警检测的虚警概率pf和检测概率pd。
首先进行CA-CFAR的原理分析。该检测器利用前、后两侧参考窗N＝2n中的参考单元的数值，对其采样的均值进行计算，并以此作为总的背景噪声功率，即：
式中ZCA表示总的背景噪声功率估计。
Γ分布的概率密度函数PDF为：
f(x)＝β-αxα-1e-xβ/Γ(α) x≥0,α≥0,β≥0 (6)
Γ(α)＝(α-1)！ (7)
如果一个随机变量X服从Γ分布，可以将它表示成下面的表达式X～G(α,β)，并且可以知道其矩母函数如下：
MX(u)＝(1+βu)-α (8)
指数分布是Γ分布α＝1的特殊情况，在均匀噪声环境中，可以知道xi～G(1,μ)，yi～G(1,μ)以及ZCA～G(N,μ)，这样可以推导虚警概率
和检测概率
的表达式：
式(9)和(10)中的n为参考窗数目。可以看出，检测概率和μ无关，即CA-CFAR检测器是恒虚警的。CA-CFAR的检测过程可以概述如下：给定系统的虚警概率和参考窗长度后，可以得到乘积因子TCA的值，然后将其代入(10)中，就得到了系统的检测概率。
均值选大(GO-CFAR)恒虚警检测是为了应对CA-CFAR在杂波边缘环境下虚警增多而研究拓展的一种均值类CFAR算法，其背景杂波功率参考值ZGO计算公式如下
ZGO＝max(A,B) (11)
式(11)中，A为待检测单元前半滑窗均值，B为待检测单元后半滑窗均值。GO-CFAR的虚警概率
与门限因子TGO的关系如下
均值选小(SO-CFAR)恒虚警检测是为了应对CA-CFAR在多目标环境下漏报增多而研究拓展的一种均值类CFAR算法，其背景杂波功率参考值ZSO计算公式如下
ZSO＝min(A,B) (13)
SO-CFAR的虚警概率
与门限因子TSO的关系如下
ACMLD算法的流程如下：
1)首先对参考单元中的样本q(1),q(2)…q(N)进行从小到大的排序：
q(1)≤q(2)≤…≤q(N) (15)
设置一个初始样本量k＝10；
2)比较q(k+1)和阈值Tksk的大小：
若q(k+1)＜Tksk，则表示q(k+1),…,q(N)中不包含干扰目标，令k＝k+1，转2)。
若q(k+1)＞Tksk，则表示q(k+1),…,q(N)中包含干扰目标，转3)。
其中
每一步对应的Tk可以通过以下公式计算得出：
3)将样本q(k+1),…,q(N)删除，取q(1),…,q(k)用于估计背景噪声功率：
可以看出，当背景环境为均匀杂波时，CA-CFAR具有最佳的检测性能。在多目标环境中，选择ACMLD-CFAR检测方法性能更优。混响边缘低功率区选择SO-CFAR可以有效避免在边缘处目标漏检的现象发生。混响边缘高功率区采用GO-CFAR检测方法可以降低系统的虚警。
本实施方式给出了最佳检测方法所要用到的具体背景杂波类型，用以选择合适的CFAR检测器。
实施方式五，本实施方式是对实施方式一所述的一种基于神经网络的新型自适应声呐目标检测方法的进一步限定，本实施方式中，对所述根据所述参考单元，并利用神经网络对所述声呐目标信号进行分类的步骤做了进一步限定，具体包括：将所述参考单元输入杂波背景识别分类网络。
需要说明的是，在较复杂的背景环境下，只用一种恒虚警检测方法很难获取较稳健的检测性能。如果可以首先通过神经网络算法识别出目标所处的环境背景类型，然后针对不同的背景自适应的采用恰当的CFAR检测方法，肯定可以使得性能获得显著提升。因此本实施方式提出一种以神经网络算法为基础，CA-CFAR、GO-CFAR、SO-CFAR和ACMLD-CFAR为可选项的新型声呐信号检测器。进而选取杂波背景识别分类网络为本实施方式中的神经网络。
BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络。假设第k层的第i个单元的输入为：
其中
为k层的第i个单元与第k-1层的第j个单元之间的连接权值；Nk-1为第k-1层的神经元个数；
为第k层的第i个单元的阈值偏置量。由此可得到其输出为
其中g(·)为激励函数，当k＝0时，
假设已经设定好的数据样本集为{(x1,o1),(x2,o2),…,(xN,oN)}，其中xi为训练数据的输入，oN为训练数据的期望输出。该网络的误差函数为：
如图4所示，该检测器主要由两块组成，第一块是识别背景环境杂波，第二部分为选取对应背景的CFAR检测方法。其中x1,…,xN是声呐回波信号通过处理后得到的N个参考单元，会有K组这样的参考单元送入识别网络，最后输出背景识别结果，每种结果通过一个特征量来表示，例如，特征量和CFAR检测器的对应关系如表1所示：
表1特征量对应的检测方法选取
| 特征量 | 背景杂波类型 | 恒虚警检测方法 |
| 1000 | 均匀背景环境 | CA-CFAR |
| 0100 | 杂波边缘高功率区 | GO-CFAR |
| 0010 | 杂波边缘低功率区 | SO-CFAR |
| 0001 | 多目标环境 | ACMLD-CFAR |
实施方式六，本实施方式是对实施方式五所述的一种基于神经网络的新型自适应声呐目标检测方法的进一步限定，本实施方式中，对所述杂波背景识别分类网络做了进一步限定，具体包括：所述杂波背景识别分类网络采用列文伯格-马夸尔特算法进行反馈训练。
在本实施方式中，BP神经网络的反馈机制如图3所示，对于L-M反馈算法，权值和阈值偏置量的调整函数为：
Δwk＝[JT(wk)J(wk)+σI]-1JT(wk)e(wk) (21)
Δbk＝[JT(bk)J(bk)+σI]-1JT(bk)e(bk) (22)
其中I为单位矩阵；σ为用户自定义的学习率；e(w)和e(b)分别表示权值w和阈值偏置量b的误差；JT(wk)e(wk)和JT(bk)e(bk)为梯度；J(x)为Jacobian矩阵：
本实施方式给出了神经网络中的反馈训练的方法，具体是对神经网络的实际输出与理想输出之间的误差进行反馈训练。
实施方式七，本实施方式是对实施方式一所述的一种基于神经网络的新型自适应声呐目标检测方法的进一步限定，本实施方式中，对所述根据所述检测单元的背景杂波类型，选取最佳检测方法的步骤做了进一步限定，具体包括：
若所述背景杂波类型为均匀背景环境，选取CA-CFAR检测器；
若所述背景杂波类型为杂波边缘环境高功率区，选取GO-CFAR检测器；
若所述背景杂波类型为杂波边缘低功率区，选取SO-CFAR检测器；
若所述背景杂波类型为多目标背景环境，选取ACMLD-CFAR检测器。
针对不同的声呐目标回波，有针对的选择性能较好的CFAR检测器，其中在CA-CFAR检测器在均匀背景环境噪声表现最佳，在有杂波边缘的高功率区域选用GO-CFAR检测器可以避免虚警，在有杂波边缘的低功率区域选用GO-CFAR检测器可以避免漏报，对于多目标环境选用ACMLD-CFAR具有较好性能。
本发明的技术方案主要包括：
首先将接收到的声呐目标回波输入杂波背景识别分类网络，采用列文伯格-马夸尔特(Levenberg-Marquardt,L-M)算法进行反馈训练，将信号分成均匀背景环境，杂波边缘环境高功率区、杂波边缘低功率区、多目标背景环境四种类型。
针对不同的声呐目标回波，有针对的选择性能较好的CFAR检测器，其中在CA-CFAR检测器在均匀背景环境噪声表现最佳，在有杂波边缘的高功率区域选用GO-CFAR检测器可以避免虚警，在有杂波边缘的低功率区域选用GO-CFAR检测器可以避免漏报，对于多目标环境选用ACMLD-CFAR具有较好性能。
声呐目标探测具有数据量大、混响背景复杂的特点，在较复杂的背景环境下，只用一种恒虚警检测方法很难获取较稳健的检测性能。为了高效准确的实现对声呐目标的探测，利用列文伯格-马夸尔特(Levenberg-Marquardt,L-M)算法优化的BP神经网络可以对输入信号进行分类识别的特点，提出了一种以神经网络算法为基础，CA-CFAR、GO-CFAR、SO-CFAR和ACMLD-CFAR为可选项的新型ANN-CFAR信号检测器。该方法首先将接收到的声呐目标回波输入杂波背景识别分类网络，通过反馈训练将信号分成均匀背景环境，杂波边缘环境高功率区、杂波边缘低功率区、多目标背景环境四种类型。针对不同的声呐目标回波，有针对的选择检测性能最佳的CFAR检测器。该方法对复杂背景环境适应性强，使检测性能获得了显著提升。
Claims (8)
1.一种基于神经网络的新型自适应声呐目标检测方法，其特征在于，所述方法包括：
对接收到的声呐目标信号进行匹配滤波处理；
对所述滤波后的声呐目标信号进行检波处理，获取检测单元和参考单元；
根据所述参考单元，并利用神经网络对所述声呐目标信号进行分类，获取所述检测单元的背景杂波类型；
根据所述检测单元的背景杂波类型，选取最佳检测方法；
利用所述最佳检测方法，完成对声呐目标的检测。
2.根据权利要求1所述的一种基于神经网络的新型自适应声呐目标检测方法，其特征在于，所述检波处理方法包括：平方律检波或线性检波。
3.根据权利要求1所述的一种基于神经网络的新型自适应声呐目标检测方法，其特征在于，所述检测单元的获取方法具体包括：
根据所述滤波后的声呐目标信号，获取所述声呐目标信号的同相分量和正交分量；
根据所述同相分量和正交分量，获取所述检测单元。
4.根据权利要求1所述的一种基于神经网络的新型自适应声呐目标检测方法，其特征在于，所述分类具体包括：将所述声呐目标信号分为均匀背景环境，杂波边缘环境高功率区、杂波边缘低功率区和多目标背景环境四种类型。
5.根据权利要求1所述的一种基于神经网络的新型自适应声呐目标检测方法，其特征在于，所述根据所述参考单元，并利用神经网络对所述声呐目标信号进行分类，具体为：将所述参考单元输入杂波背景识别分类网络。
6.根据权利要求5所述的一种基于神经网络的新型自适应声呐目标检测方法，其特征在于，所述杂波背景识别分类网络采用列文伯格-马夸尔特算法进行反馈训练。
7.根据权利要求1所述的一种基于神经网络的新型自适应声呐目标检测方法，其特征在于，所述根据所述检测单元的背景杂波类型，选取最佳检测方法，具体包括：
若所述背景杂波类型为均匀背景环境，选取CA-CFAR检测器；
若所述背景杂波类型为杂波边缘环境高功率区，选取GO-CFAR检测器；
若所述背景杂波类型为杂波边缘低功率区，选取SO-CFAR检测器；
若所述背景杂波类型为多目标背景环境，选取ACMLD-CFAR检测器。
8.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，当所述处理器运行所述存储器存储的计算机程序时执行权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111304694.4A CN114089301A (zh) | 2021-11-05 | 2021-11-05 | 一种基于神经网络的新型自适应声呐目标检测方法及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111304694.4A CN114089301A (zh) | 2021-11-05 | 2021-11-05 | 一种基于神经网络的新型自适应声呐目标检测方法及计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114089301A true CN114089301A (zh) | 2022-02-25 |
Family
ID=80298994
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111304694.4A Pending CN114089301A (zh) | 2021-11-05 | 2021-11-05 | 一种基于神经网络的新型自适应声呐目标检测方法及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114089301A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107703495A (zh) * | 2017-09-01 | 2018-02-16 | 中国科学院声学研究所 | 一种目标信号检测方法及系统 |
| CN109188388A (zh) * | 2018-09-03 | 2019-01-11 | 中国科学院声学研究所 | 一种对抗多目标干扰的恒虚警检测方法 |
| CN109655834A (zh) * | 2018-12-21 | 2019-04-19 | 中国海洋石油集团有限公司 | 基于恒虚警检测的多波束声呐测深方法及系统 |
| CN111551903A (zh) * | 2020-04-29 | 2020-08-18 | 南京理工大学 | 改进型二维变化指数恒虚警目标检测方法 |
| CN111708055A (zh) * | 2020-05-27 | 2020-09-25 | 桂林电子科技大学 | 一种导航欺骗信号检测方法及装置 |
| CN112327265A (zh) * | 2020-10-23 | 2021-02-05 | 北京理工大学 | 一种基于语义分割网络的分治检测方法 |
| CN112965040A (zh) * | 2021-02-05 | 2021-06-15 | 重庆邮电大学 | 一种基于背景预筛选的自适应cfar目标检测方法 |
-
2021
- 2021-11-05 CN CN202111304694.4A patent/CN114089301A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107703495A (zh) * | 2017-09-01 | 2018-02-16 | 中国科学院声学研究所 | 一种目标信号检测方法及系统 |
| CN109188388A (zh) * | 2018-09-03 | 2019-01-11 | 中国科学院声学研究所 | 一种对抗多目标干扰的恒虚警检测方法 |
| CN109655834A (zh) * | 2018-12-21 | 2019-04-19 | 中国海洋石油集团有限公司 | 基于恒虚警检测的多波束声呐测深方法及系统 |
| CN111551903A (zh) * | 2020-04-29 | 2020-08-18 | 南京理工大学 | 改进型二维变化指数恒虚警目标检测方法 |
| CN111708055A (zh) * | 2020-05-27 | 2020-09-25 | 桂林电子科技大学 | 一种导航欺骗信号检测方法及装置 |
| CN112327265A (zh) * | 2020-10-23 | 2021-02-05 | 北京理工大学 | 一种基于语义分割网络的分治检测方法 |
| CN112965040A (zh) * | 2021-02-05 | 2021-06-15 | 重庆邮电大学 | 一种基于背景预筛选的自适应cfar目标检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 付康: "复杂背景下雷达恒虚警检测方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 2, 15 February 2020 (2020-02-15), pages 11 - 12 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111352102B (zh) | 一种基于调频连续波雷达的多目标个数检测方法及装置 | |
| CN106468770B (zh) | K分布杂波加噪声下的近最优雷达目标检测方法 | |
| CN104569948B (zh) | 海杂波背景下子带自适应glrt‑ltd检测方法 | |
| CN111965632B (zh) | 一种基于黎曼流形降维的雷达目标检测方法 | |
| CN109444869B (zh) | 一种用于信号失配的雷达扩展目标参数可调检测器 | |
| CN101881826A (zh) | 扫描模式海杂波局部多重分形目标检测器 | |
| CN101984360B (zh) | 基于frft的归一化泄露lms自适应动目标检测方法 | |
| CN106526584A (zh) | 多雷达系统中目标检测跟踪联合处理方法 | |
| CN109143195A (zh) | 一种基于全kl散度的雷达目标检测方法 | |
| CN110658508A (zh) | 一种基于特征量的k分布海杂波参数估计方法 | |
| CN117434153B (zh) | 基于超声波技术的道路无损检测方法及系统 | |
| CN105785330A (zh) | 一种认知型副瓣干扰抑制方法 | |
| CN114997326B (zh) | 一种基于多特征融合的机载雷达工作模式识别方法 | |
| CN111929679A (zh) | 一种自适应加权截断统计恒虚警检测方法 | |
| CN113504521B (zh) | 一种用于多目标环境下的基于混合模型的恒虚警检测方法 | |
| CN111090089B (zh) | 一种基于两类辅助数据的空时自适应检测方法 | |
| CN114609594A (zh) | 非均匀性杂波中知识辅助宽带雷达目标检测器及设计方法 | |
| CN108196238B (zh) | 高斯背景下基于自适应匹配滤波的杂波图检测方法 | |
| CN114089301A (zh) | 一种基于神经网络的新型自适应声呐目标检测方法及计算机设备 | |
| CN105738882B (zh) | 对实测杂波协方差矩阵估计性能的白化度评价方法 | |
| CN108387879B (zh) | 基于自适应归一化匹配滤波的杂波图单元中值检测方法 | |
| CN115856819A (zh) | 一种基于平稳高斯过程的雷达目标恒虚警检测方法 | |
| CN105204018B (zh) | 一种利用多帧信息的二维doa跟踪方法 | |
| CN111144316B (zh) | 基于堆栈自编码器的海面目标检测方法 | |
| CN113552550A (zh) | 一种基于概率分布差异性的智能恒虚警检测方法 |
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 |