CN114677419A - 基于三维卷积网络的雷达多普勒信号低慢小目标检测方法 - Google Patents

Abstract

本发明公开了基于三维卷积网络的雷达多普勒信号低慢小目标检测方法，首先进行数据预处理，训练样本集准备；然后构建以3D卷积层、池化层交替组成的3D卷积网络为骨干网络的深度神经网络，并利用准备的训练样本集进行网络参数的学习；最后进行网络预测及后处理。本发明通过融合更多时间维度的目标信息，构建三维R‑D图进行目标轨迹特征的提取，在保证合理的虚警率之内，有效地提高模型预测的准确率。

Description

基于三维卷积网络的雷达多普勒信号低慢小目标检测方法

技术领域

本发明属于雷达信号处理及深度学习领域，具体涉及一种基于雷达信号的距离多普勒(Range-Doppler,R-D)图与三维(3Dimensio ns,3D)卷积神经网络的低空慢速小目标检测方法。

背景技术

近年来，随着国民经济水平的提高和科技的进步，无人机在民用和军用领域的应用得到了快速增长。但因缺乏相应的管控手段，无人机的使用对国家安全、社会稳定等构成了严重的威胁。如何利用多普勒雷达的全天候全天时工作能力，实现对无人机等低慢小目标的有效检测已经成为亟待解决的热点问题。

低慢小目标具有飞行高度低、飞行速度慢和雷达散射截面积小等特点，其检测的难点主要在于杂波环境复杂、目标回波弱且与杂波混叠严重等引起的信噪比低。目前对于低慢小目标的检测方法主要有传统频域滤波法、微多普勒效应法、CFAR恒虚警检测法和深度学习法。

这些检测方法有以下局限性：

1、传统频域滤波法将信号从时域转变为频域或时频域，包含基于快速傅里叶变换、短时傅里叶变换以及小波变换等。但其单一的变换域方法效果有限，且依赖人工分析，故传统频域滤波技术难以在对低慢小目标的检测中得到有效运用。

2、微多普勒效应法应用机翼旋转等产生微多普勒效应实现对目标的检测，但其要求雷达具有大带宽和高分辨力等特点，而低慢小目标由于回波极为微弱使得普通的脉冲多普勒雷达难以捕捉目标的微动特征，故微多普勒效应法不适用于对低慢小目标的检测。

3、CFAR恒虚警检测法在保持恒定的虚警率下，使正确检测的概率达到最大值。实际的探测环境中杂波环境复杂，该方法面对环境的变化难以依赖人工及时调整准确的阈值，故CFAR恒虚警检测法并不是对低慢小目标检测的最佳方案。

4、现有的基于雷达多普勒信号的深度学习法主要利用二维卷积神经网络提取二维特征，该方法压缩通道信息，提取的特征少，精确度和虚警率未能达到最佳的检测效果，仍有较大改进空间。

发明内容

针对上述方法的各种局限性，本发明提出一种基于三维卷积网络的雷达多普勒信号低慢小目标检测方法。

与现有的深度学习法不同，本发明构建以3D卷积网络为骨干网络的深度神经网络，通过融合更多时间维度的目标信息，得到以下三个方面的改善：(1)提高检测速度；(2)提高检测准确率；(3)利于后续目标跟踪。因此该方法能够在更快的速度下，实现预测精度更高、虚警率更低的检测效果。

基于三维卷积网络的雷达多普勒信号低慢小目标检测方法，包括如下步骤：

步骤1、数据预处理。

对一维雷达回波数据进行切分重排、切分叠加和傅里叶变换，将其转换为三维R-D图；

步骤2、训练样本集准备。

利用滑动窗口法对得到的三维R-D图进行切分，获取一系列三维图像体并进行筛选，以完成送入3D卷积神经网络训练的样本集准备；

步骤3、网络构建及训练。

构建以3D卷积层、池化层交替组成的3D卷积网络为骨干网络(Backbone)的深度神经网络，并利用准备的训练样本集进行网络参数的学习；

步骤4、网络预测及后处理。

通过训练好的深度神经网络预测输入的每个三维图像体包含目标的概率，并根据其在三维R-D图中的位置，构造类别分数图，以利用非极大值抑制法判定目标位置。

进一步的，所述步骤1具体包括以下几个步骤：

1-1、数据切分及重新排列：将雷达接受器收集的一维回波序列按照脉冲重复周期进行分割，不同的脉冲序列占据不同的慢时间行，由此将一维回波序列转换成二维数据矩阵。将M个脉冲长度为L的一维回波序列经过转换变为尺寸为M×L的二维数据矩阵；

1-2、数据切分及叠加：在慢时间维度，以N为宽度、N/J为步长移动窗口，将二维数据矩阵切分成C＝JM/N-(J-1)份，在通道维度进行叠加，得到尺寸为N×L×C的三维数据立方体；

1-3、傅里叶变换：对三维数据立方体的每个通道数据在快时间维度和慢时间维度均执行快速傅里叶变换(FFT)，并将它们分别转换为为多普勒(Doppler)向和距离(Range)向，得到尺寸为N×R×C的三维R-D图。

进一步的，所述步骤2具体包括以下几个步骤：

2-1、滑窗切分：以三维R-D图的R-D平面的每个像素为中心，建立W×H的滑动窗口，获取一系列尺寸为W×H×C的局部图像体；

2-2、图像体数据标准化：对图像体中每个像素，先后使用所有数据的均值和图像体内数据最大值进行中心化和归一化，以加快后续网络训练的收敛速度；

2-3、正负样本划分：对于每个局部图像体的每个时间通道，其目标位置满足以下约束条件，则称该通道包含目标，否则称该通道不包含目标，约束条件如下：

其中,(x₀,y₀)为通道图的中心坐标，(x₁,y₁)为目标点坐标，X和Y为横纵距离阈值。对于每个局部图像体，若其包含目标的通道数大于C/2，将其标记为正样本，否则标记为负样本；

进一步的，所述步骤3具体包括以下几个步骤：

3-1、网络搭建：构建由3D卷积特征提取骨干网络、全连接特征映射网络和全连接类别概率预测网络三部分组成的深度神经网络。3D卷积网络各部分具体结构描述如下：

深度神经网络的第一部分为用于三维图像体空间特征提取的3D卷积骨干网络，3D卷积骨干网络由3D卷积层和3D池化层交替组成，层数分别为4和3，且每个卷积层之后默认附带一个激活层，激活函数为线性整流函数(ReLU)。所有卷积层均使用步长为1，尺寸为3×3×3的卷积核进行特征提取，而卷积核的个数分别为16、32、64和64。池化层的池化核尺寸分别为1×2×2、2×1×1和2×1×1，步长均为2。其中，第一个池化核设置为1×2×2，以便不过早地合并通道维度的时间信息，后两个池化核设置为2×1×1，以在合并时间信号的同时保持一定空间信息。利用该网络结构，若输入神经网络的数据尺寸为C×W×H×1，则经过第一个3D卷积层的数据尺寸为C×W×H×16，经过第一个池化层的数据尺寸为

经过第二个3D卷积层的数据尺寸为

经过第二个池化层的数据尺寸为

经过第三个3D卷积层的数据尺寸为

经过第三个池化层的数据尺寸为

经过第四个3D卷积层的数据尺寸为

即通过3D卷积骨干网络的数据尺寸为

其中

和

均向上取整。

第二部分为用于特征映射的全连接神经网络，全连接神经网络由两个全连接层构成，分别包含200和100个隐含节点，其输入是展平成一维向量的图像卷积特征。

第三部分的类别概率预测网络为一个含有2个输出节点数感知机，其输入为特征映射模块最后一层的输出节点。为便于观测，该部分使用Softmax函数将网络原始输出值转化为概率，计算公式为：

其中oⁱ为输出层第i个节点的预测结果，n为类别预测层的节点个数；

3-2、前向传播及损失计算：对每个三维R-D图，将准备的正负样本输入构建的深度神经网络，通过前向传播计算每个图像体包含目标和属于背景的概率。考虑到负样本的数量远大于正样本，从而易导致损失不易收敛的问题，按照样本梯度密度，动态调整样本的损失权重，使得小梯度的易分负样本权重降低，大梯度的难分负样本权重提升。假设一个样本的梯度为g，其梯度密度定义为：

其中K为一次迭代中参与训练的样本总数；第k个样本的梯度g_k。

梯度密度GD(g)与梯度落在以g为中心长度为ε的区域内的样本数目成正比，归一化因子l_ε(g)为区域的有效长度。利用GD(g)，样本的损失权重表示为：

ω与梯度邻域内的样本比例成反比。当样本梯度均匀分布时，所有样本具有相同的损失权重，否则梯度密度较大的样本会被降权。采用二值交叉熵损失函数计算分类损失，经梯度均衡化之后的网络分类损失更新为：

其中ω_k为第k个样本的损失权重；

是第k个图像体的真实类别标签。实际计算中，直接对每个样本分别计算梯度密度的计算复杂度很高，因此将梯度幅值划分成S个区域，统计落在每个区域内的样本比例来计算损失权重，使得梯度位于同一区域的样本具有相同的权重；

3-3、反向传播损失更新参数：采用学习率为0.001，动量系数为0.9的动量梯度下降方法优化网络参数。

进一步的，所述步骤4具体包括以下几个步骤：

4-1、网络预测：对待测三维R-D图，根据步骤2-2所述方法得到所有图像体之后，将其送入训练好的深度神经网络进行概率预测，并根据其在三维R-D图中的中心位置，构造尺寸为N×R×2的类别分数图，以表示每个位置分别是否包含目标的概率；

4-2、非极大值抑制：将包含目标的概率大于设定阈值的位置，按照概率得分进行排序，并按照“选中最高分，以其为中心设定W×H的抑制区域，遍历其余的位置，若其抑制区域与当前最高分的抑制区域重叠，则标记为背景，而最高分标记为目标”的过程在图像体的每个时间通道图上不断重复，直至每个通道图得到的抑制区域没有重叠的目标位置。

本发明有益效果如下：

本发明将基于3D卷积神经网络的智能预测算法应用于雷达多普勒信号低慢小目标检测中，使结果具有更强的可靠性。相较于仅利用二维R-D图像进行特征提取的雷达目标智能检测方法，本发明通过融合更多时间维度的目标信息，构建三维R-D图进行目标轨迹特征的提取，在保证合理的虚警率之内，有效地提高模型预测的准确率。

附图说明

图1为本发明基于3D卷积网络的雷达多普勒信号低慢小目标检测流程示意图；

图2为本发明对雷达回波信号进行预处理的示意图；

图3为本发明构建的以3D卷积网络为骨干的深度神经网络结构图。

具体实施方式

下面结合附图和具体实施方式对本发明作详细说明，以下描述仅作为示范和解释，并不对本发明作任何形式上的限制。

通用的检测步骤已在“发明内容”中详述，现结合实例对本发明的检测流程做具体描述，图1是整体检测流程示意图。

基于三维卷积网络的雷达多普勒信号低慢小目标检测方法，包括如下步骤：

步骤1、数据预处理，对一维雷达回波数据进行切分重排、切分叠加和傅里叶变换，将其转换为三维R-D图，图2是雷达回波信号进行预处理的示意图，实验数据说明及数据处理过程具体流程如下：

本实验数据由两组数据组成，分别为靠近和远离雷达的回波信号。每组信号包括经过相位检波器的慢时间周期-距离复数矩阵(大小为81250×856)，其有81250个方位，每个方位均有856个位置点数据，其中1-256个位置的数据为点频信号，其周期40ns，257-856个位置的数据为线性调频信号，其时宽为3s，带宽为25MHz，脉冲重复频率为6000Hz，波长为3cm。由于81250个方位角度变化很小，故可将其81250组数据组与组之间看作连续的。在此基础上，我们将数据进行预处理。

1-1、数据切分及重新排列：将雷达接受器收集的一维回波序列按照脉冲重复周期进行分割，不同的脉冲序列占据不同的慢时间行，由此将一维回波序列转换成二维数据矩阵。本实验中，将112个脉冲长度为856的一维回波序列经过转换变为尺寸为112×856的二维数据矩阵；

1-2、数据切分及叠加：在慢时间维度，以64为窗口宽度、16为步长，从二维数据矩阵获取4个64×856大小的二维数据矩阵，在通道维度进行叠加，由此得到尺寸为64×856×4的三维数据立方体；

1-3、傅里叶变换：对三维数据立方体的每个通道数据在快时间维度和慢时间维度分别执行快速傅里叶变换(FFT)，并将它们分别转换为为多普勒(Doppler)向和距离(Range)向，得到尺寸为64×856×4的三维R-D图。

步骤2、训练样本集准备，利用滑动窗口法对得到的三维R-D图进行切分，获取一系列三维图像体并进行筛选，以完成送入3D卷积神经网络训练的样本集准备，具体流程如下：

2-1、滑窗切分：以三维R-D图的R-D平面的每个像素为中心，建立大小为9×33的滑动窗口，获取一系列尺寸为9×33×4的局部图像体；

2-2、图像体数据标准化：对图像体中每个像素，先后使用所有数据的均值和图像体内数据最大值进行中心化和归一化，以加快后续网络训练的收敛速度；

2-3、正负样本划分：对每个局部图像体的每个时间通道，目标位置满足以下约束条件，则称该通道包含目标，否则称该通道不包含目标，约束条件如下：

其中,(x₀,y₀)为通道图的中心坐标，(x₁,y₁)为目标点坐标。对于每个局部图像体，若其包含目标的通道数大于2，将其标记为正样本，否则标记为负样本；

步骤3、网络构建及训练，构建以3D卷积层、池化层交替组成的3D卷积网络为骨干网络(Backbone)的深度神经网络，并利用准备的训练样本集进行网络参数的学习，图3是本发明的深度网络结构图，具体流程如下：

3-1、网络搭建：构建由3D卷积特征提取骨干网络、全连接特征映射网络和全连接类别概率预测网络三部分组成的深度神经网络。3D卷积网络的优势及各部分具体结构描述如下：

现有的检测雷达低慢小目标的深度学习法主要是利用二维卷积神经网络在R-D图上提取二维特征，若直接将其应用于多通道的三维R-D图像体，会输出二维特征图，多通道信息被完全压缩，没有考虑到时间维度的帧间运动信息。而3D卷积层输出三维特征图，其时间信息得以保留，可以提取更加精细的时变特征。

3D卷积网络保留时序维的优势主要有以下三点：(1)提高检测速度：利用连续帧的冗余信息减少大量运算,从而提高目标检测速度；(2)提高检测准确率：更好地融合连续帧之间的时间信息，改善检测中存在的目标运动轨迹模糊等问题，从而提高检测准确率；(3)利于后续目标跟踪：补充单帧图像中没有的时间信息，提取轨迹特征，从而实现目标的跟踪。

本发明中深度神经网络的第一部分为用于三维图像体空间特征提取的3D卷积骨干网络，3D卷积骨干网络由3D卷积层和3D池化层交替组成，层数分别为4和3，且每个卷积层之后默认附带一个激活层，激活函数为线性整流函数(ReLU)。所有卷积层均使用步长为1，尺寸为3×3×3的卷积核进行特征提取，而卷积核的个数分别为16、32、64和64。池化层的池化核尺寸分别为1×2×2、2×1×1和2×1×1，步长均为2。其中，第一个池化核设置为1×2×2，以便不过早地合并通道维度的时间信息，后两个池化核设置为2×1×1，以在合并时间信号的同时保持一定空间信息。本发明中，输入神经网络的数据尺寸为4×9×33×1，经过第一个3D卷积层的数据尺寸为4×9×33×16，经过第一个池化层的数据尺寸为4×5×17×16，经过第二个3D卷积层的数据尺寸为4×5×17×32，经过第二个池化层的数据尺寸为2×5×17×32，经过第三个3D卷积层的数据尺寸为2×5×17×64，经过第三个池化层的数据尺寸为1×5×17×64，经过第四个3D卷积层的数据尺寸为1×5×17×64，即通过3D卷积骨干网络的数据尺寸为1×5×17×64。

第二部分为用于特征映射的全连接神经网络，全连接神经网络由两个全连接层构成，分别包含200和100个隐含节点，其输入是展平成一维向量的图像卷积特征。

第三部分的类别概率预测网络为一个含有2个输出节点数感知机，其输入为特征映射模块最后一层的输出节点。为便于观测，该部分使用Softmax函数将网络原始输出值转化为概率，计算公式为：

其中oⁱ为输出层第i个节点的预测结果，n为类别预测层的节点个数；

3-2、前向传播及损失计算：对每个三维R-D图，将准备的正负样本输入构建的神经网络，通过前向传播计算每个图像体包含目标和属于背景的概率。考虑到负样本的数量远大于正样本，从而易导致损失不易收敛的问题，按照样本梯度密度，动态调整样本的损失权重，使得占大多数的小梯度的易分负样本权重降低,占少数的大梯度的难分负样本权重提升。假设一个样本的梯度为g，其梯度密度定义为：

其中K为一次迭代中参与训练的样本总数；第k个样本的梯度g_k；

梯度密度GD(g)与梯度落在以g为中心长度为ε的区域内的样本数目成正比，归一化因子l_ε(g)为区域的有效长度。利用GD(g)，样本的损失权重表示为：

ω与梯度邻域内的样本比例成反比。当样本梯度均匀分布时，所有样本具有相同的损失权重，否则梯度密度较大的样本会被降权。采用二值交叉熵损失函数计算分类损失，经梯度均衡化之后的网络分类损失更新为：

其中ω_k为第k个样本的损失权重；

是第k个图像体的真实类别标签。实际计算中，直接对每个样本分别计算梯度密度的计算复杂度很高，将梯度幅值划分成30个区域，统计落在每个区域内的样本比例来计算损失权重，使得梯度位于同一区域的样本具有相同的权重；

3-3、反向传播损失更新参数：采用学习率为0.001，动量系数为0.9的动量梯度下降方法优化网络参数。

步骤4、网络预测及后处理，预测输入的每个三维图像体包含目标的概率，并根据其在三维R-D图中的位置，构造类别分数图，以利用非极大值抑制法判定目标位置，具体流程如下：

4-1、网络预测：对待测三维R-D图，根据步骤2-2所述方法得到所有图像体之后，将其送入训练好的深度神经网络进行概率预测，并根据其在三维R-D图中的中心位置，构造尺寸为64×856×2的类别分数图，以表示每个位置分别是否包含目标的概率；

4-2、非极大值抑制：将包含目标的概率大于设定阈值的位置，按照概率得分进行排序，并按照“选中最高分，以其为中心设定大小为9×33的抑制区域，遍历其余的位置，若其抑制区域与当前最高分的抑制区域重叠，则标记为背景，而最高分标记为目标”的过程在图像体的每个时间通道图上不断重复，直至每个通道图得到抑制区域没有重叠的目标位置。

应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。

Claims (5)

1.基于三维卷积网络的雷达多普勒信号低慢小目标检测方法，其特征在于，包括如下步骤：

步骤1、数据预处理；

对一维雷达回波数据进行切分重排、切分叠加和傅里叶变换，将其转换为三维R-D图；

步骤2、训练样本集准备；

利用滑动窗口法对得到的三维R-D图进行切分，获取一系列三维图像体并进行筛选，以完成送入3D卷积神经网络训练的样本集准备；

步骤3、网络构建及训练；

构建以3D卷积层、池化层交替组成的3D卷积网络为骨干网络的深度神经网络，并利用准备的训练样本集进行网络参数的学习；

步骤4、网络预测及后处理；

通过训练好的深度神经网络预测输入的每个三维图像体包含目标的概率，并根据其在三维R-D图中的位置，构造类别分数图，以利用非极大值抑制法判定目标位置。

2.根据权利要求1所述的基于三维卷积网络的雷达多普勒信号低慢小目标检测方法，其特征在于，所述步骤1具体包括以下几个步骤：

1-1、数据切分及重新排列：将雷达接受器收集的一维回波序列按照脉冲重复周期进行分割，不同的脉冲序列占据不同的慢时间行，由此将一维回波序列转换成二维数据矩阵；将M个脉冲长度为L的一维回波序列经过转换变为尺寸为M×L的二维数据矩阵；

1-2、数据切分及叠加：在慢时间维度，以N为宽度、N/J为步长移动窗口，将二维数据矩阵切分成C＝JM/N-(J-1)份，在通道维度进行叠加，得到尺寸为N×L×C的三维数据立方体；

1-3、傅里叶变换：对三维数据立方体的每个通道数据在快时间维度和慢时间维度均执行快速傅里叶变换，并将它们分别转换为为多普勒向和距离向，得到尺寸为N×R×C的三维R-D图。

3.根据权利要求2所述的基于三维卷积网络的雷达多普勒信号低慢小目标检测方法，其特征在于，所述步骤2具体包括以下几个步骤：

2-1、滑窗切分：以三维R-D图的R-D平面的每个像素为中心，建立W×H的滑动窗口，获取一系列尺寸为W×H×C的局部图像体；

2-2、图像体数据标准化：对图像体中每个像素，先后使用所有数据的均值和图像体内数据最大值进行中心化和归一化，以加快后续网络训练的收敛速度；

2-3、正负样本划分：对于每个局部图像体的每个时间通道，其目标位置满足以下约束条件，则称该通道包含目标，否则称该通道不包含目标，约束条件如下：

其中,(x₀,y₀)为通道图的中心坐标，(x₁,y₁)为目标点坐标，X和Y为横纵距离阈值；对于每个局部图像体，若其包含目标的通道数大于C/2，将其标记为正样本，否则标记为负样本。

4.根据权利要求3所述的基于三维卷积网络的雷达多普勒信号低慢小目标检测方法，其特征在于，所述步骤3具体包括以下几个步骤：

3-1、网络搭建：构建由3D卷积特征提取骨干网络、全连接特征映射网络和全连接类别概率预测网络三部分组成的深度神经网络；3D卷积网络各部分具体结构描述如下：

深度神经网络的第一部分为用于三维图像体空间特征提取的3D卷积骨干网络，3D卷积骨干网络由3D卷积层和3D池化层交替组成，层数分别为4和3，且每个卷积层之后默认附带一个激活层，激活函数为线性整流函数(ReLU)；所有卷积层均使用步长为1，尺寸为3×3×3的卷积核进行特征提取，而卷积核的个数分别为16、32、64和64；池化层的池化核尺寸分别为1×2×2、2×1×1和2×1×1，步长均为2；其中，第一个池化核设置为1×2×2，以便不过早地合并通道维度的时间信息，后两个池化核设置为2×1×1，以在合并时间信号的同时保持一定空间信息；利用该网络结构，若输入神经网络的数据尺寸为C×W×H×1，则经过第一个3D卷积层的数据尺寸为C×W×H×16，经过第一个池化层的数据尺寸为

经过第二个3D卷积层的数据尺寸为

经过第二个池化层的数据尺寸为

经过第三个3D卷积层的数据尺寸为

经过第三个池化层的数据尺寸为

经过第四个3D卷积层的数据尺寸为

即通过3D卷积骨干网络的数据尺寸为

其中

和

均向上取整；

第二部分为用于特征映射的全连接神经网络，全连接神经网络由两个全连接层构成，分别包含200和100个隐含节点，其输入是展平成一维向量的图像卷积特征；

第三部分的类别概率预测网络为一个含有2个输出节点数感知机，其输入为特征映射模块最后一层的输出节点；为便于观测，该部分使用Softmax函数将网络原始输出值转化为概率，计算公式为：

其中oⁱ为输出层第i个节点的预测结果，n为类别预测层的节点个数；

3-2、前向传播及损失计算：对每个三维R-D图，将准备的正负样本输入构建的深度神经网络，通过前向传播计算每个图像体包含目标和属于背景的概率；考虑到负样本的数量远大于正样本，从而易导致损失不易收敛的问题，按照样本梯度密度，动态调整样本的损失权重，使得小梯度的易分负样本权重降低，大梯度的难分负样本权重提升；假设一个样本的梯度为g，其梯度密度定义为：

其中K为一次迭代中参与训练的样本总数；第k个样本的梯度g_k；

梯度密度GD(g)与梯度落在以g为中心长度为ε的区域内的样本数目成正比，归一化因子l_ε(g)为区域的有效长度；利用GD(g)，样本的损失权重表示为：

ω与梯度邻域内的样本比例成反比；当样本梯度均匀分布时，所有样本具有相同的损失权重，否则梯度密度较大的样本会被降权；采用二值交叉熵损失函数计算分类损失，经梯度均衡化之后的网络分类损失更新为：

其中ω_k为第k个样本的损失权重；

是第k个图像体的真实类别标签；实际计算中，直接对每个样本分别计算梯度密度的计算复杂度很高，因此将梯度幅值划分成S个区域，统计落在每个区域内的样本比例来计算损失权重，使得梯度位于同一区域的样本具有相同的权重；

3-3、反向传播损失更新参数：采用学习率为0.001，动量系数为0.9的动量梯度下降方法优化网络参数。

5.根据权利要求4所述的基于三维卷积网络的雷达多普勒信号低慢小目标检测方法，其特征在于，所述步骤4具体包括以下几个步骤：

4-1、网络预测：对待测三维R-D图，根据步骤2-2所述方法得到所有图像体之后，将其送入训练好的深度神经网络进行概率预测，并根据其在三维R-D图中的中心位置，构造尺寸为N×R×2的类别分数图，以表示每个位置分别是否包含目标的概率；

4-2、非极大值抑制：将包含目标的概率大于设定阈值的位置，按照概率得分进行排序，并按照“选中最高分，以其为中心设定W×H的抑制区域，遍历其余的位置，若其抑制区域与当前最高分的抑制区域重叠，则标记为背景，而最高分标记为目标”的过程在图像体的每个时间通道图上不断重复，直至每个通道图得到的抑制区域没有重叠的目标位置。

Images