CN115542282B - 基于深度学习的雷达回波检测方法、系统、设备及介质 - Google Patents

基于深度学习的雷达回波检测方法、系统、设备及介质 Download PDF

Info

Publication number
CN115542282B
CN115542282B CN202211495735.7A CN202211495735A CN115542282B CN 115542282 B CN115542282 B CN 115542282B CN 202211495735 A CN202211495735 A CN 202211495735A CN 115542282 B CN115542282 B CN 115542282B
Authority
CN
China
Prior art keywords
target
radar echo
detected
detection
feature
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
CN202211495735.7A
Other languages
English (en)
Other versions
CN115542282A (zh
Inventor
皮德常
陈志炜
徐悦
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202211495735.7A priority Critical patent/CN115542282B/zh
Publication of CN115542282A publication Critical patent/CN115542282A/zh
Application granted granted Critical
Publication of CN115542282B publication Critical patent/CN115542282B/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
    • 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
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (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深度学习的雷达回波检测方法、系统、设备及介质，涉及雷达回波检测领域。该方法包括：获取待测目标的雷达回波数据；利用雷达回波检测模型对待测目标的雷达回波数据进行检测，得到待测目标的速度和距离方位；其中，雷达回波检测模型包括串联连接的特征提取模块和目标检测模块；特征提取模块包括卷积神经网络特征提取子模块、结合软注意力机制的自编码器杂波抑制子模块和特征融合子模块。本发明能够提高对“低小慢”目标雷达回波检测的准确性和适用性。

Description

基于深度学习的雷达回波检测方法、系统、设备及介质
技术领域
本发明涉及雷达回波检测领域，特别是涉及一种基于深度学习的雷达回波检测方法、系统、设备及介质。
背景技术
雷达作为重要的无线电定位与测距设备，具有全天时、全天候、作用距离远、参数估计精度高、响应速度快等特点，能够有效探测感知波束内的目标以及场景，其通过相应的信号与信息处理获取目标的位置、速度、运动态势等信息，广泛应用于侦察监视、态势感知、探测制导、目标检测等军民领域。但是随着近些年来电子信息技术、航空技术等各项相关领域对抗技术水平提高，使得雷达目标检测任务场景更加复杂化。尤其是对于以无人机为代表的低空弱小、速度慢目标的检测任务。无人机因其低成本和多功能性而被广泛使用，其在行人捕捉、航空摄影和遥感等各种应用中的使用迅速增加，但也带来了安全和隐私威胁。同时，由于“低小慢”目标往往存在于低空强杂波环境下，其目标回波信噪比低，对其的检测识别存在一定困难。因此，通过目标的雷达回波对其进行可靠和稳健的识别具有重要意义。
现阶段中国内外针对雷达回波数据的常用检测方法主要是通过传统信号处理方法对目标雷达回波序列进行一系列处理，包括匹配滤波器、杂波抑制、多普勒处理、恒虚警率检测等。但基于恒虚警率的目标检测方法主要依赖于统计假设，根据纽曼-皮尔逊准则，恒虚警方法在虚警率0.000001、检测概率90%条件下，可检测的目标信噪比需大于12.8dB。也就造成了在实际的雷达目标检测中，只有特定背景下的特定类型目标具有较好的检测性能。这是因为检测器的预定义参数，将决定检测精度，然而，雷达的工作场景总是不断变换的。此外，传统方法计算量大且不灵活，因为它们逐个单元地处理输入，并且需要手动更改窗口大小以适应不同分辨率的目标。最重要的是，在大多数情况下，目标和环境（噪声、杂波、干扰）随机性强，很难找到合适的参数来设计雷达探测器。
随着人工智能深度学习技术发展，在图像处理、自然语言处理等多个领域深度学习技术都给人们解决技术难题带来巨大突破。近年来，有研究人员对原始雷达回波数据进行处理，转换为图像格式数据，作为卷积神经网络的输入数据，以此进行目标检测任务，获得了一定的实验结果，这也证明了深度学习技术在雷达目标检测领域有着巨大探索价值与应用前景，但雷达回波到回波图像需做二次处理，并且仅通过图像进行目标检测，也导致模型对转化后的雷达回波图像质量存在一定要求，降低了识别准确率。
发明内容
本发明的目的是提供一种基于深度学习的雷达回波检测方法、系统、设备及介质，以提高对“低小慢”目标雷达回波检测的准确性和适用性。
为实现上述目的，本发明提供了如下方案：
一种基于深度学习的雷达回波检测方法，所述方法包括：
获取待测目标的雷达回波数据；
利用雷达回波检测模型对所述待测目标的雷达回波数据进行检测，得到所述待测目标的速度和距离方位；
其中，所述雷达回波检测模型包括串联连接的特征提取模块和目标检测模块；所述特征提取模块包括卷积神经网络特征提取子模块、结合软注意力机制的自编码器杂波抑制子模块和特征融合子模块；所述卷积神经网络特征提取子模块和所述自编码器杂波抑制子模块均与所述特征融合子模块连接；所述特征融合子模块与所述目标检测模块连接；
所述卷积神经网络特征提取子模块用于对输入的待测目标的雷达回波数据进行卷积处理，得到第一待测特征张量；
所述自编码器杂波抑制子模块用于对输入的待测目标的雷达回波数据进行编码压缩和解码重构处理，得到第二待测特征张量；
所述特征融合子模块用于融合所述第一待测特征张量和所述第二待测特征张量，得到融合待测特征张量；
所述目标检测模块用于根据所述融合待测特征张量确定所述待测目标的速度和距离方位。
可选地，所述雷达回波检测模型的确定方法，具体包括：
获取训练数据集；所述训练数据集包括雷达回波数据样本和对应的样本目标的真实速度和真实距离方位；
构建初始神经网络模型；所述初始神经网络模型包括串联连接的特征提取网络和目标检测网络；所述特征提取网络包括第一卷积神经网络、结合软注意力机制的自编码器网络和特征融合网络；所述第一卷积神经网络和所述自编码器网络均与所述特征融合网络连接；所述特征融合网络与所述目标检测网络连接；
将所述雷达回波数据样本输入至所述第一卷积神经网络中进行卷积处理，得到第一样本特征张量；
将所述雷达回波数据样本输入至所述自编码器网络中进行编码压缩和解码重构处理，得到第二样本特征张量；
将所述第一样本特征张量和所述第二样本特征张量输入至所述特征融合网络中进行融合，得到融合样本特征张量；
将所述融合样本特征张量输入至目标检测网络中，得到所述样本目标的预测速度和预测距离方位；
根据所述预测距离方位和所述真实距离方位确定目标距离方位损失值；
根据所述预测速度和所述真实速度确定目标速度损失值；
以所述目标距离方位损失值和所述目标速度损失值的加权和最小为目标，对所述初始神经网络模型的参数进行优化调整，得到训练好的初始神经网络模型；所述目标距离方位损失值和所述目标速度损失值的权重是采用变异系数加权方法确定的；
将训练好的初始神经网络模型中的特征提取网络确定为所述雷达回波检测模型的特征提取模块；
将训练好的初始神经网络模型中的目标检测网络确定为所述雷达回波检测模型的目标检测模块。
可选地，所述目标距离方位损失值的计算公式为：
；
其中， Loss range 为目标距离方位损失值， n为训练数据集中的雷达回波数据样本总数， x i 为第 i个雷达回波数据样本， f 1( x i )为第 i个雷达回波数据样本对应的预测距离方位， y 1, i 为第 i个雷达回波数据样本对应的真实距离方位。
可选地，所述目标速度损失值的计算公式为：
；
其中， Loss velocity 为目标速度损失值， n为训练数据集中的雷达回波数据样本总数， x i 为第 i个雷达回波数据样本， f 2( x i )为第 i个雷达回波数据样本对应的预测速度， y 2, i 为第 i个雷达回波数据样本对应的真实速度。
可选地，所述目标距离方位损失值和所述目标速度损失值的权重的计算公式为：
；
其中，为第 t个训练轮次下，第 l项任务损失值的权重；为第 t个训练轮次下，第 l项任务损失值的方差；为第 t个训练轮次下，第 l项任务损失值的相对标准偏差；为第 t个训练轮次下，第 l项任务损失值的均值； m为任务总项数，且 m=2，其中，第1项任务为目标距离方位检测，第2项任务为目标速度检测； w 1, t 为第 t个训练轮次下的目标距离方位损失值的权重， w 2, t 为第 t个训练轮次下的目标速度损失值的权重。
可选地，所述目标检测模块包括卷积神经网络目标检测子模块和全连接层目标检测子模块；所述卷积神经网络目标检测子模块分别与所述特征融合子模块和所述全连接层目标检测子模块连接；
所述卷积神经网络目标检测子模块用于对所述融合待测特征张量进行卷积处理，得到第三待测特征张量；
所述全连接层目标检测子模块用于根据所述第三待测特征张量确定所述待测目标的速度和距离方位。
一种基于深度学习的雷达回波检测系统，所述系统包括：
数据获取子系统，用于获取待测目标的雷达回波数据；
数据检测子系统，用于利用雷达回波检测模型对所述待测目标的雷达回波数据进行检测，得到所述待测目标的速度和距离方位；
其中，所述雷达回波检测模型包括串联连接的特征提取模块和目标检测模块；所述特征提取模块包括卷积神经网络特征提取子模块、结合软注意力机制的自编码器杂波抑制子模块和特征融合子模块；所述卷积神经网络特征提取子模块和所述自编码器杂波抑制子模块均与所述特征融合子模块连接；所述特征融合子模块与所述目标检测模块连接；
所述卷积神经网络特征提取子模块用于对输入的待测目标的雷达回波数据进行卷积处理，得到第一待测特征张量；
所述自编码器杂波抑制子模块用于对输入的待测目标的雷达回波数据进行编码压缩和解码重构处理，得到第二待测特征张量；
所述特征融合子模块用于融合所述第一待测特征张量和所述第二待测特征张量，得到融合待测特征张量；
所述目标检测模块用于根据所述融合待测特征张量确定所述待测目标的速度和距离方位。
一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的基于深度学习的雷达回波检测方法。
一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于深度学习的雷达回波检测方法。
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：
本发明提供的基于深度学习的雷达回波检测方法，所利用的雷达回波检测模型是采用训练数据集对基于卷积神经网络与结合软注意力机制的自编码器的初始神经网络模型进行训练得到的，包括串联连接的特征提取模块和目标检测模块，特征提取模块包括卷积神经网络特征提取子模块、结合软注意力机制的自编码器杂波抑制子模块和特征融合子模块。卷积神经网络特征提取子模块能够通过卷积操作提取输入的雷达回波数据的特征，自编码器杂波抑制子模块能够通过编码-解码操作实现杂波抑制，因此能够有效处理弱小目标所在的复杂场景下的高杂波并提取有效特征，从而在之后的目标检测模块中实现对弱小目标的速度与距离方位的检测，有效降低雷达回波数据的低信噪比与高杂波对雷达目标检测所造成的影响，提高对“低小慢”目标雷达回波检测的准确性和适用性。
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为本发明提供的基于深度学习的雷达回波检测方法的流程图；
图2为本发明实施例提供的对原始雷达回波数据的预处理流程图；
图3为本发明实施例提供的基于深度学习的雷达回波检测方法的整体流程图；
图4为本发明实施例提供的基于深度学习的雷达回波检测方法的特征提取模块流程图；
图5为本发明实施例提供的基于深度学习的雷达回波检测方法的目标检测模块流程图；
图6为本发明提供的基于深度学习的雷达回波检测系统的模块图。
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。
本发明的目的是提供一种基于深度学习的雷达回波检测方法、系统、设备及介质，以提高对“低小慢”目标雷达回波检测的准确性和适用性。
为实现上述目的，本发明通过设计基于卷积神经网络与结合软性注意力机制的自编码器融合的特征提取模块，实现对雷达回波数据中的杂波进行抑制；同时设计目标检测模块，实现对待测目标的速度与距离方位的识别。两个模块通过串联的方式进行连接，以实现雷达回波数据目标检测任务。
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。
实施例一
本实施例提供一种基于深度学习的雷达回波检测方法。如图1所示，所述方法包括：
步骤101：获取待测目标的雷达回波数据。
步骤102：利用雷达回波检测模型对所述待测目标的雷达回波数据进行检测，得到所述待测目标的速度和距离方位。
其中，所述雷达回波检测模型包括串联连接的特征提取模块和目标检测模块；所述特征提取模块包括卷积神经网络特征提取子模块、结合软注意力机制的自编码器杂波抑制子模块和特征融合子模块；所述卷积神经网络特征提取子模块和所述自编码器杂波抑制子模块均与所述特征融合子模块连接；所述特征融合子模块与所述目标检测模块连接。
所述卷积神经网络特征提取子模块用于对输入的待测目标的雷达回波数据进行卷积处理，得到第一待测特征张量。所述自编码器杂波抑制子模块用于对输入的待测目标的雷达回波数据进行编码压缩和解码重构处理，得到第二待测特征张量。所述特征融合子模块用于融合所述第一待测特征张量和所述第二待测特征张量，得到融合待测特征张量。所述目标检测模块用于根据所述融合待测特征张量确定所述待测目标的速度和距离方位。
进一步地，所述目标检测模块包括卷积神经网络目标检测子模块和全连接层目标检测子模块；所述卷积神经网络目标检测子模块分别与所述特征融合子模块和所述全连接层目标检测子模块连接。其中，所述卷积神经网络目标检测子模块用于对所述融合待测特征张量进行卷积处理，得到第三待测特征张量；所述全连接层目标检测子模块用于根据所述第三待测特征张量确定所述待测目标的速度和距离方位。
进一步地，所述雷达回波检测模型的确定方法包括：
步骤S1：获取训练数据集；所述训练数据集包括雷达回波数据样本和对应的样本目标的真实速度和真实距离方位。
步骤S2：构建初始神经网络模型。所述初始神经网络模型包括串联连接的特征提取网络和目标检测网络；所述特征提取网络包括第一卷积神经网络、结合软注意力机制的自编码器网络和特征融合网络；所述第一卷积神经网络和所述自编码器网络均与所述特征融合网络连接；所述特征融合网络与所述目标检测网络连接；所述目标检测网络包括第二卷积神经网络和全连接层网络；所述第二卷积神经网络分别与所述特征融合网络和所述全连接层网络连接。
步骤S3：将所述雷达回波数据样本输入至所述第一卷积神经网络中进行卷积处理，得到第一样本特征张量。
步骤S4：将所述雷达回波数据样本输入至所述自编码器网络中进行编码压缩和解码重构处理，得到第二样本特征张量。
步骤S5：将所述第一样本特征张量和所述第二样本特征张量输入至所述特征融合网络中进行融合，得到融合样本特征张量。
步骤S6：将所述融合样本特征张量输入至目标检测网络中，得到所述样本目标的预测速度和预测距离方位。具体地，将所述融合样本特征张量输入至所述第二卷积神经网络中进行卷积处理，得到第三样本特征张量；将所述第三样本特征张量输入至所述全连接层网络中进行检测，得到所述样本目标的预测速度和预测距离方位。
步骤S7：1）根据所述预测距离方位和所述真实距离方位确定目标距离方位损失值；2）根据所述预测速度和所述真实速度确定目标速度损失值。
步骤S8：以所述目标距离方位损失值和所述目标速度损失值的加权和最小为目标，对所述初始神经网络模型的参数进行优化调整，得到训练好的初始神经网络模型；所述目标距离方位损失值和所述目标速度损失值的权重是采用变异系数加权（Coefficient ofvariations Weighting，Cov-Weighting）方法确定的。
步骤S9：1）将训练好的初始神经网络模型中的特征提取网络确定为所述雷达回波检测模型的特征提取模块；2）将训练好的初始神经网络模型中的目标检测网络确定为所述雷达回波检测模型的目标检测模块。
优选地，为提高目标检测的准确性，所述待测目标的雷达回波数据及所述训练数据集中的雷达回波数据均为按照时序关系进行分组预处理后的雷达回波数据，预处理步骤参见图2，包括：1）对设备采集的离散数字信号形式的雷达回波数据进行变频处理；2）对变频处理后的雷达回波数据进行抽取滤波处理；3）对抽取滤波处理后的雷达回波数据进行脉冲压缩处理，得到时序脉冲序列形式的雷达回波数据。
在实际应用中，采用本发明提供的方法对弱小目标的雷达回波数据进行检测的步骤具体如下：
1）对弱小目标的雷达回波数据按时序关系进行分组预处理，得到对应的时域脉冲序列。
2）在特征提取模块（此处指初始神经网络模型的特征提取网络）中，引入卷积神经网络与结合软性注意力机制的自编码器，前者通过卷积操作，以近似传统信号处理的操作方法实现提取特征，后者通过编码-解码操作以实现杂波抑制，将两个子模块输出的数据向量进行融合，作为特征提取模块的输出结果。
3）在目标检测模块（此处指初始神经网络模型的目标检测网络）中，引入卷积神经网络对特征提取模块输出的融合特征数据进行卷积操作，后通过全连接层进行目标速度和距离方位的检测。
4）将特征提取模块与目标检测模块串联搭建整体模型，即初始神经网络模型。
5）考虑目标任务并不单一，故设计结合检测目标的速度与距离方位的损失函数，为后续训练网络时反向传播参数优化做好准备。
6）通过预处理后的时序脉冲序列对基于卷积神经网络与结合软注意力机制的自编码器的初始神经网络模型进行有监督训练，得到训练好的初始神经网络模型，即雷达回波检测模型。
7）利用所述训练好的初始神经网络模型对弱小目标的雷达回波数据进行速度与距离方位检测。
本发明的整体流程如图3所示（图3中的虚线框表示雷达回波检测模型），整体流程包括两个部分：通过基于卷积神经网络与结合软注意力机制自编码器的特征提取网络模块（即特征提取模块）对输入的雷达回波数据进行特征提取与杂波抑制；基于卷积神经网络的雷达目标检测网络模块（即目标检测模块）通过特征提取模块输出的融合特征进行雷达目标的速度与距离方位检测。在针对雷达回波数据的特征提取与杂波抑制阶段，引入了卷积神经网络与结合软注意力机制的自编码器两个子网络，并以并联的方式接收相同数据进行并行处理，对两个子网络输出结果进行特征融合操作，以此作为特征提取模块的输出特征，而在雷达目标检测部分通过卷积神经网络与全连接层进行雷达目标速度与距离方位检测。以下对上述主要步骤进行详细论述。
在训练数据集上对比真实值计算损失函数，进行反向传播具体的实施步骤如下：
步骤1：首先对损失函数进行设计。本发明构建基于深度学习的弱小目标雷达回波检测模型，其目的在于通过雷达回波数据进行雷达目标速度与距离方位的共同检测。由于模型任务为目标速度检测与目标距离方位检测两项具体任务，因此认定为多任务回归模型。在多任务学习时希望多个相关任务共同训练，希望不同任务之间能够互相促进，从而在单任务上获得更好的效果。对于回归任务，通常使用的损失函数有 L 1  Loss与 L 2  Loss与 Smooth L 1  Loss，具体计算公式如下所示：
；
；
；
其中， n为训练数据集中的雷达回波数据样本总数， x i 为第 i个雷达回波数据样本， f( x i )为在当前任务下，第 i个雷达回波数据样本对应的预测值， y i 为在当前任务下，第 i个雷达回波数据样本对应的真实值。
L 1  Loss不会产生梯度爆炸的问题，但是在中心点无法求导，往往适用于简单模型，而 L 2  Loss各点连续光滑，方便求导，收敛速度也要优于 L 1  Loss，但可能导致梯度爆炸，往往适用于数值特征不大，问题维度不高的情况，而 Smooth L 1  Loss将 L 1  Loss与 L 2  Loss的优点相结合，并且巧妙避免了 L 1  Loss与 L 2  Loss会导致的问题，故选择 Smooth L 1  Loss为单任务损失函数。并在其基础上，同时通过Cov-Weighting方法动态设定对应损失函数的权重，Cov-Weighting通过单损失 L的均值 μ L 和标准差 σ L 的变化情况来计算每个任务的权重，认为当一个任务的损失 L的方差趋于0时，该任务优化目标达成。通过定义相对标准偏差 c L 的计算公式为，定义损失变化率 r t 的计算公式为（其中， r t 第 t个训练轮次下的损失变化率， L t 为第 t个训练轮次下的损失值，为第 t-1个训练轮次下的损失值的均值），得到计算对应任务损失函数权重的具体公式如下：
；
其中，为第 t个训练轮次下，第 l项任务损失值的权重；为第 t个训练轮次下，第 l项任务损失值的方差；为第 t个训练轮次下，第 l项任务损失值的相对标准偏差；为第 t个训练轮次下，第 l项任务损失值的均值； m为任务总项数。在本发明中，m=2，第1项任务为目标距离方位检测，第2项任务为目标速度检测； w 1, t 为第 t个训练轮次下的目标距离方位损失值的权重， w 2, t 为第 t个训练轮次下的目标速度损失值的权重。
由此得到最终的损失函数为：
Loss total = w 1, t Loss range + w 2, t Loss velocity ；
其中， Loss total 为雷达回波检测模型的最终损失值， Loss range 为目标距离方位损失值， Loss velocity 为目标速度损失值。
所述目标距离方位损失值的计算公式为：
；
其中， f 1( x i )为第 i个雷达回波数据样本对应的预测距离方位， y 1, i 为第 i个雷达回波数据样本对应的真实距离方位。
所述目标速度损失值的计算公式为：
；
其中， f 2( x i )为第 i个雷达回波数据样本对应的预测速度， y 2, i 为第 i个雷达回波数据样本对应的真实速度。
步骤2：特征提取模块搭建。如图4所示（图4中的虚线框表示特征提取模块），通过卷积神经网络特征提取子模块与结合软注意力机制的自编码器杂波抑制子模块并联搭建特征提取模块，上述两个子模块同时对输入的含杂波的雷达回波序列数据 X进行特征处理，两个子模块输出特征数据经特征融合子模块进行特征融合后得到融合特征张量，并输出至目标检测模块。卷积神经网络进行特征提取计算的公式如下：
；
其中， k为当前网络层数， q为对应层的网络节点数量，为第 k层网络中第 q节点对应的数据， y k+1为当前网络层向下层网络输出的结果，为第 k层网络对应的权重矩阵，为第 k层网络的偏置项， p为上层网络节点数量。
输入数据 X通过自编码器神经网络进行编码压缩与解码重构，对原始数据进行变换，达到杂波抑制的目的。同时软注意力机制的介入，可以协助模块更好地从数据中选取重要部分，以提高模块杂波抑制效果。以上两个特征提取子模块输出的特征数据 X’进行融合堆叠作为目标检测模块的输入。
步骤3：目标检测模块搭建。如图5所示（图5中的虚线框表示目标检测模块），目标检测模块为基于卷积神经网络结构的回归检测模型，卷积神经网络选用激活函数为Relu，池化方式选用最大池化，同时在卷积层之间加入批标准化（Batch Normalization，BN），批标准化可以有效减少梯度消失的情况，加快模型的收敛速度，具体对应的计算公式如下：
；
；
其中， x为批数据， x’为批标准化后的数据， μ为批数据的均值， σ为批数据的标准差。
特征提取子模块输出的特征数据 X’作为雷达目标检测子模块的输入数据，经过卷积层计算与全连接层计算，对雷达目标的速度与距离距离方位进行检测。
步骤4：将特征提取模块与目标检测模块串联，至此基于深度学习的弱小目标的雷达回波检测模型（此处指初始神经网络模型）搭建完成，利用带有真实标签的雷达回波数据对初始神经网络模型进行训练，模型输出对应弱小目标的速度与距离方位。利用步骤1中设计的损失函数 Loss total 计算损失，进行反向传播更新模型权重值，保存训练过程中误差最小的模型。
步骤5：利用设备采集待测目标的雷达回波数据，并按照如图2所示的步骤进行预处理后，利用步骤4训练好的雷达回波检测模型进行检测，得到待测目标的速度和距离方位。
实施例二
为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供一种基于深度学习的雷达回波检测系统。如图6所示，所述系统包括：
数据获取子系统601，用于获取待测目标的雷达回波数据。
数据检测子系统602，用于利用雷达回波检测模型对所述待测目标的雷达回波数据进行检测，得到所述待测目标的速度和距离方位。
其中，所述雷达回波检测模型是包括串联连接的特征提取模块和目标检测模块；所述特征提取模块包括卷积神经网络特征提取子模块、结合软注意力机制的自编码器杂波抑制子模块和特征融合子模块；所述卷积神经网络特征提取子模块和所述自编码器杂波抑制子模块均与所述特征融合子模块连接；所述特征融合子模块与所述目标检测模块连接。
所述卷积神经网络特征提取子模块用于对输入的待测目标的雷达回波数据进行卷积处理，得到第一待测特征张量。所述自编码器杂波抑制子模块用于对输入的待测目标的雷达回波数据进行编码压缩和解码重构处理，得到第二待测特征张量。所述特征融合子模块用于融合所述第一待测特征张量和所述第二待测特征张量，得到融合待测特征张量。所述目标检测模块用于根据所述融合待测特征张量确定所述待测目标的速度和距离方位。
实施例三
本发明实施例还提供一种电子设备，包括存储器和处理器，该存储器用于存储计算机程序，该处理器用于运行计算机程序以使电子设备执行实施例一中的基于深度学习的雷达回波检测方法。所述电子设备可以是服务器。
另外，本发明还提供一种计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现实施例一中的基于深度学习的雷达回波检测方法。
本发明提供一种基于深度学习的雷达回波检测方法、系统、设备及介质，采用了基于卷积神经网络与自编码器结构构建的特征提取模块与目标检测模块。基于传统信号处理方法的雷达目标检测方法往往需要较为复杂的预处理过程，最终通过恒虚警检测技术进行目标的速度与距离方位的识别。同时检测器的参数需要预先进行设定，正因如此，在弱小目标出现的低信噪比高杂波的复杂场景下，检测器往往很难有很好的检测效果。本发明中基于卷积神经网络与结合软注意力机制的自编码器的特征提取模块能够有效处理弱小目标所在的复杂场景下的高杂波并提取有效特征。在之后的雷达目标检测模块中，利用卷积神经网络对特征提取模块传输的特征张量进行卷积池化操作，以实现对弱小目标速度与距离方位的检测，有效降低了雷达回波数据的低信噪比与高杂波对雷达目标检测所造成的影响，提高了对“低小慢”等弱小飞行目标的检测精度。
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。
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 (9)

1.一种基于深度学习的雷达回波检测方法，其特征在于，所述方法包括：
获取待测目标的雷达回波数据；
利用雷达回波检测模型对所述待测目标的雷达回波数据进行检测，得到所述待测目标的速度和距离方位；
其中，所述雷达回波检测模型包括串联连接的特征提取模块和目标检测模块；所述特征提取模块包括卷积神经网络特征提取子模块、结合软注意力机制的自编码器杂波抑制子模块和特征融合子模块；所述卷积神经网络特征提取子模块和所述自编码器杂波抑制子模块均与所述特征融合子模块连接；所述特征融合子模块与所述目标检测模块连接；
所述卷积神经网络特征提取子模块用于对输入的待测目标的雷达回波数据进行卷积处理，得到第一待测特征张量；
所述自编码器杂波抑制子模块用于对输入的待测目标的雷达回波数据进行编码压缩和解码重构处理，得到第二待测特征张量；
所述特征融合子模块用于融合所述第一待测特征张量和所述第二待测特征张量，得到融合待测特征张量；
所述目标检测模块用于根据所述融合待测特征张量确定所述待测目标的速度和距离方位。
2.根据权利要求1所述的基于深度学习的雷达回波检测方法，其特征在于，所述雷达回波检测模型的确定方法，具体包括：
获取训练数据集；所述训练数据集包括雷达回波数据样本和对应的样本目标的真实速度和真实距离方位；
构建初始神经网络模型；所述初始神经网络模型包括串联连接的特征提取网络和目标检测网络；所述特征提取网络包括第一卷积神经网络、结合软注意力机制的自编码器网络和特征融合网络；所述第一卷积神经网络和所述自编码器网络均与所述特征融合网络连接；所述特征融合网络与所述目标检测网络连接；
将所述雷达回波数据样本输入至所述第一卷积神经网络中进行卷积处理，得到第一样本特征张量；
将所述雷达回波数据样本输入至所述自编码器网络中进行编码压缩和解码重构处理，得到第二样本特征张量；
将所述第一样本特征张量和所述第二样本特征张量输入至所述特征融合网络中进行融合，得到融合样本特征张量；
将所述融合样本特征张量输入至目标检测网络中，得到所述样本目标的预测速度和预测距离方位；
根据所述预测距离方位和所述真实距离方位确定目标距离方位损失值；
根据所述预测速度和所述真实速度确定目标速度损失值；
以所述目标距离方位损失值和所述目标速度损失值的加权和最小为目标，对所述初始神经网络模型的参数进行优化调整，得到训练好的初始神经网络模型；所述目标距离方位损失值和所述目标速度损失值的权重是采用变异系数加权方法确定的；
将训练好的初始神经网络模型中的特征提取网络确定为所述雷达回波检测模型的特征提取模块；
将训练好的初始神经网络模型中的目标检测网络确定为所述雷达回波检测模型的目标检测模块。
3.根据权利要求2所述的基于深度学习的雷达回波检测方法，其特征在于，所述目标距离方位损失值的计算公式为：
；
其中，Loss range 为目标距离方位损失值，n为训练数据集中的雷达回波数据样本总数，x i 为第i个雷达回波数据样本，f 1(x i )为第i个雷达回波数据样本对应的预测距离方位，y 1,i 为第i个雷达回波数据样本对应的真实距离方位。
4.根据权利要求2所述的基于深度学习的雷达回波检测方法，其特征在于，所述目标速度损失值的计算公式为：
；
其中，Loss velocity 为目标速度损失值，n为训练数据集中的雷达回波数据样本总数，x i 为第i个雷达回波数据样本，f 2(x i )为第i个雷达回波数据样本对应的预测速度，y 2,i 为第i个雷达回波数据样本对应的真实速度。
5.根据权利要求2所述的基于深度学习的雷达回波检测方法，其特征在于，所述目标距离方位损失值和所述目标速度损失值的权重的计算公式为：
；
其中，为第t个训练轮次下，第l项任务损失值的权重；为第t个训练轮次下，第l项任务损失值的方差；为第t个训练轮次下，第l项任务损失值的相对标准偏差；为第t个训练轮次下，第l项任务损失值的均值；m为任务总项数，且m=2，其中，第1项任务为目标距离方位检测，第2项任务为目标速度检测；w 1,t 为第t个训练轮次下的目标距离方位损失值的权重，w 2,t 为第t个训练轮次下的目标速度损失值的权重。
6.根据权利要求1所述的基于深度学习的雷达回波检测方法，其特征在于，所述目标检测模块包括卷积神经网络目标检测子模块和全连接层目标检测子模块；所述卷积神经网络目标检测子模块分别与所述特征融合子模块和所述全连接层目标检测子模块连接；
所述卷积神经网络目标检测子模块用于对所述融合待测特征张量进行卷积处理，得到第三待测特征张量；
所述全连接层目标检测子模块用于根据所述第三待测特征张量确定所述待测目标的速度和距离方位。
7.一种基于深度学习的雷达回波检测系统，其特征在于，所述系统包括：
数据获取子系统，用于获取待测目标的雷达回波数据；
数据检测子系统，用于利用雷达回波检测模型对所述待测目标的雷达回波数据进行检测，得到所述待测目标的速度和距离方位；
其中，所述雷达回波检测模型包括串联连接的特征提取模块和目标检测模块；所述特征提取模块包括卷积神经网络特征提取子模块、结合软注意力机制的自编码器杂波抑制子模块和特征融合子模块；所述卷积神经网络特征提取子模块和所述自编码器杂波抑制子模块均与所述特征融合子模块连接；所述特征融合子模块与所述目标检测模块连接；
所述卷积神经网络特征提取子模块用于对输入的待测目标的雷达回波数据进行卷积处理，得到第一待测特征张量；
所述自编码器杂波抑制子模块用于对输入的待测目标的雷达回波数据进行编码压缩和解码重构处理，得到第二待测特征张量；
所述特征融合子模块用于融合所述第一待测特征张量和所述第二待测特征张量，得到融合待测特征张量；
所述目标检测模块用于根据所述融合待测特征张量确定所述待测目标的速度和距离方位。
8.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行如权利要求1至6中任意一项所述的基于深度学习的雷达回波检测方法。
9.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的基于深度学习的雷达回波检测方法。
CN202211495735.7A 2022-11-28 2022-11-28 基于深度学习的雷达回波检测方法、系统、设备及介质 Active CN115542282B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211495735.7A CN115542282B (zh) 2022-11-28 2022-11-28 基于深度学习的雷达回波检测方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211495735.7A CN115542282B (zh) 2022-11-28 2022-11-28 基于深度学习的雷达回波检测方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN115542282A CN115542282A (zh) 2022-12-30
CN115542282B true CN115542282B (zh) 2023-04-07

Family

ID=84722262

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211495735.7A Active CN115542282B (zh) 2022-11-28 2022-11-28 基于深度学习的雷达回波检测方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN115542282B (zh)

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107064894A (zh) * 2017-01-11 2017-08-18 南京御达电信息技术有限公司 一种基于深度学习的杂波抑制方法
CN111126359B (zh) * 2019-11-15 2023-03-28 西安电子科技大学 基于自编码器与yolo算法的高清图像小目标检测方法
US11719787B2 (en) * 2020-10-30 2023-08-08 Infineon Technologies Ag Radar-based target set generation
CN112882009B (zh) * 2021-01-12 2022-04-19 西安电子科技大学 基于幅度相位双通道网络的雷达微多普勒目标识别方法
CN113608193A (zh) * 2021-09-17 2021-11-05 清华大学 一种基于UNet的雷达多目标距离和速度估计方法
CN114019461A (zh) * 2021-10-29 2022-02-08 武汉大学 基于卷积去噪自编码的微波雷达海杂波抑制方法及系统
CN115240040A (zh) * 2022-06-07 2022-10-25 北京理工大学 一种穿墙雷达人体行为特征增强方法及装置
CN114966600B (zh) * 2022-07-29 2022-10-28 中南大学 一种探地雷达B-scan图像杂波抑制方法及系统
CN115061113B (zh) * 2022-08-19 2022-11-01 南京隼眼电子科技有限公司 用于雷达的目标检测模型训练方法、装置及存储介质

Also Published As

Publication number Publication date
CN115542282A (zh) 2022-12-30

Similar Documents

Publication Publication Date Title
CN110472627B (zh) 一种端到端的sar图像识别方法、装置及存储介质
CN111123257B (zh) 基于图时空网络的雷达动目标多帧联合检测方法
Van Keuk Sequential track extraction
Kim Development of track to track fusion algorithms
Chen et al. Tracking multiple moving objects using unscented Kalman filtering techniques
CN111968046A (zh) 一种基于拓扑结构的雷达光电传感器目标关联融合方法
CN109324315A (zh) 基于双层次块稀疏性的空时自适应处理雷达杂波抑制方法
CN106845343B (zh) 一种光学遥感图像海上平台自动检测方法
CN109061556B (zh) 一种基于弹性网络的稀疏迭代波达角估计方法
CN114046790A (zh) 一种因子图双重回环的检测方法
CN114169425A (zh) 训练目标跟踪模型和目标跟踪的方法和装置
CN115542282B (zh) 基于深度学习的雷达回波检测方法、系统、设备及介质
Jia et al. A fingerprint-based localization algorithm based on LSTM and data expansion method for sparse samples
Zou et al. Sonar Image Target Detection for Underwater Communication System Based on Deep Neural Network.
Huang et al. EST-YOLOv5s: SAR Image Aircraft Target Detection Model Based on Improved YOLOv5s
CN111681264A (zh) 一种监控场景的实时多目标跟踪方法
Nygårds et al. Decentralized tracking in sensor networks with varying coverage
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
Deng et al. UWB NLOS recognition based on improved convolutional neural network assisted by wavelet analysis and Gramian angular field
Meiyan et al. M-FCN based sea-surface weak target detection
Zhang et al. Vehicle detection and tracking in remote sensing satellite vidio based on dynamic association
CN113221709A (zh) 用于识别用户运动的方法、装置及热水器
Power et al. GPS Alignment from Multiple Sources to Extract Aircraft Bearing in Aerial Surveys
CN113514823B (zh) 一种基于伪谱的多模型机动目标检测前跟踪方法
CN114627431B (zh) 一种基于物联网的环境智能监控方法及系统

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