CN117233725B - 基于图神经网络多特征融合的相干雷达目标检测方法 - Google Patents
基于图神经网络多特征融合的相干雷达目标检测方法 Download PDFInfo
- Publication number
- CN117233725B CN117233725B CN202311517775.1A CN202311517775A CN117233725B CN 117233725 B CN117233725 B CN 117233725B CN 202311517775 A CN202311517775 A CN 202311517775A CN 117233725 B CN117233725 B CN 117233725B
- Authority
- CN
- China
- Prior art keywords
- graph
- neural network
- node
- target detection
- data
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 69
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 68
- 230000004927 fusion Effects 0.000 title claims abstract description 43
- 230000001427 coherent effect Effects 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 54
- 239000011159 matrix material Substances 0.000 claims abstract description 32
- 239000013598 vector Substances 0.000 claims abstract description 27
- 238000012795 verification Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 230000001537 neural effect Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
Classifications
-
- 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
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于图神经网络多特征融合的相干雷达目标检测方法，属于雷达信号检测技术领域，包括步骤：S1，对雷达回波数据进行图节点划分，图节点对应回波时间序列数据，获取训练集和验证集测试集；S2，提取时域特征、频域特征和时频特征；S3，构建图邻接矩阵，生成由邻接矩阵和各节点特征向量集构成的三个信号图数据；S4，根据样本数据中对应各节点信号类别，将节点划分训练集、验证集和测试集；S5，搭建雷达目标检测神经网络模型，对雷达目标检测图神经网络进行训练；S6，将测试集输入训练好的雷达目标检测图神经网络，输出对应节点为目标或杂波信号的二分类结果。本发明提高了雷达在强杂波环境下的目标检测能力。
Description
技术领域
本发明涉及雷达信号检测技术领域，更为具体的，涉及一种基于图神经网络多特征融合的相干雷达目标检测方法。
背景技术
雷达在工作过程中易受到地、海杂波的影响，强杂波环境下的目标探测一直是雷达信号处理中的难点问题。相干雷达是一种有效提高杂波环境下目标探测性能的雷达工作体制，它利用目标信号和杂波脉间相关性差异，通过对同一目标多次反射回波进行相参积累来提高信杂比，从而改善强杂波环境下微弱目标探测能力。受雷达工作参数、目标状态等多因素制约，雷达相参处理增益不能无限提高。因此，对于信杂比极低的目标，即使经过相参处理其信杂比可能仍难以达到恒虚警检测门限要求，需要探索其他手段来解决强杂波条件下目标探测问题。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于图神经网络多特征融合的相干雷达目标检测方法，以提高雷达在强杂波环境下的目标检测能力。
本发明的目的是通过以下方案实现的：
一种基于图神经网络多特征融合的相干雷达目标检测方法，包括：
S1，利用当前接收的回波数据和前+1帧有标签信息雷达回波数据进行图节点划分，每个图节点对应一帧数据中一个距离单元的回波时间序列数据，将有标签信息的数据划分为训练集和验证集，将待检测数据作为测试集，/>为正整数；
S2，对每个图节点对应的回波时间序列数据分别提取时域特征、频域特征和时频特征；
S3，分别利用节点各特征构建三个图邻接矩阵，邻接矩阵元素由各节点对应特征距离计算得到，从而生成由邻接矩阵和各节点特征向量集构成的三个信号图数据；
S4，根据样本数据中对应各节点信号类别为所有节点打上标签，将节点分为训练集、验证集和测试集；
S5，搭建雷达目标检测神经网络模型，利用训练集对应图节点的归一化时域、频域和时频图特征作为输入，对雷达目标检测图神经网络进行训练，利用验证集判断训练结束条件；
S6，将测试集输入训练好的雷达目标检测图神经网络，输出对应节点为目标或杂波信号的二分类结果。
进一步地，在步骤S1中，所述利用接收的+1帧雷达回波数据进行图节点划分，每个图节点对应一帧数据中一个距离单元的回波时间序列数据，将有标签信息的数据划分为训练集和验证集，将待检测数据作为测试集，具体包括如下子步骤：将雷达回波数据划分为个距离单元；每个距离单元对应的时间序列采样点数为一帧回波的脉冲数/>；将各帧中每一个距离单元划分为一个图节点，图节点数为/>；/>为正整数。
进一步地，在步骤S2中，所述对每个图节点对应的回波时间序列数据分别提取时域特征、频域特征和时频特征，具体包括如下子步骤：
对每一帧数据中各距离单元回波时间序列取模得到回波时间序列时域幅度特征；且，利用傅里叶变换计算每一帧数据中各距离单元回波时间序列频域特征；且，利用时频变换计算每一帧数据中各距离单元回波时间序列时频特征。
进一步地，在步骤S3中，所述各节点对应特征距离包括各节点对应特征马氏距离。
进一步地，在步骤S3中，所述分别利用节点各特征构建三个图邻接矩阵，邻接矩阵元素由各节点对应特征距离计算得到，从而生成由邻接矩阵和各节点特征向量集构成的三个信号图数据，具体包括子步骤：
S31，根据图节点特征间马氏距离确定各图邻接矩阵中元素的取值：
其中，表示第/>个邻接矩阵/>中节点/>和节点/>间的连接关系，其中节点表示第/>个距离单元第/>帧信号对应的节点，节点/>表示第/>个距离单元第/>帧信号对应的节点，/>和/>为预先设置的阈值，/>和/>，/>分别为两个节点对应的时域、频域和时频域特征向量，/>为协方差矩阵；
S32，根据各图邻接矩阵元素最大值分别对各图邻接矩阵进行归一化；
S33，根据所述各图邻接矩阵和图节点特征向量集，得到对应特征信号图数据。
进一步地，在步骤S5中，所述搭建雷达目标检测神经网络模型，利用训练集对应图节点的归一化时域、频域和时频图特征作为输入，对雷达目标检测图神经网络进行训练，利用验证集判断训练结束条件，包括子步骤：
S51，搭建雷达目标检测神经网络，所述雷达目标检测神经网络包括私有特征提取图神经子网络、深度特征融合模型和目标分类子网络；
S52，输入训练集对应图节点的各特征，对雷达目标检测神经网络进行迭代优化训练，根据验证集在模型上的表现判断训练结束条件，得到网络模型参数。
进一步地，在步骤S51中，所述私有特征提取图神经子网络包括三个分别用于时域、频域和时频域输入特征提取的图神经网络，每个图神经网络包含三个图卷积层，每个图卷积层输出均与后续各图卷积层输入相连。
进一步地，在步骤S51中，所述深度特征融合模型根据各私有特征提取图神经网络输出的抽象特征，利用融合特征优化函数得到融合语义特征：
其中，为第/>个私有特征提取图神经网络初始输入特征，/>为对应特征向量维度，R表示实数集，/>表示/>维度的二维实数数组，/>为第/>个私有特征提取图神经网络输出的抽象特征，/>为对应特征向量维度，/>表示/>维度的二维实数数组，/>为第/>个抽象特征向融合特征映射的映射矩阵，/>表示/>维度的二维实数数组，/>为优化得到的融合矩阵，/>为融合语义特征向量维度，/>表示维度的二维实数数组。
进一步地，所述目标分类子网络包括LeNet5网络，利用融合语义特征作为输入得到目标与杂波二分类。
进一步地，在步骤S52中，所述对雷达目标检测神经网络进行迭代优化训练包括利用反向传播算法和损失函数对雷达目标检测神经网络进行迭代优化训练。
本发明的有益效果包括：
本发明构建了一种新的雷达目标检测神经网络模型。相比于传统深度神经网络方法，根据雷达回波信号多域信息作为特征输入，并基于图神经网络利用图节点间的时空信息提取多域信息对应的高层语义特征，同时考虑不同域语义特征间的一致性约束，以提高网络模型的学习能力。本发明方法可提高强杂波环境下长时间相干雷达目标检测能力。
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，下面将对实施例或现有技术描述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为本发明实施例基于图神经网络多特征融合的相干雷达目标检测方法流程图；
图2为本发明实施例构建的雷达目标检测神经网络示意图。
具体实施方式
本说明书中所有实施例公开的所有特征，或隐含公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合和/或扩展、替换。
鉴于背景中的问题，本发明的发明人经历创造性的思考后，进一步发现如下技术问题：由于从不同域上分析，雷达回波信号蕴含了多样化特征，每个特征都可为信号类别判定提供一定的有益信息，即特征间存在一定的一致性。通过增加特征维数，同时考虑相关的多种特征信息，可以提高目标与杂波信号的差异性。近年来，深度学习方法作为一种全新的技术途径，在雷达目标检测中得到了越来越多的关注。然而，一方面，这类方法通常仅以某一初始特征作为深度神经网络输入，来提取用于目标与杂波信号分类决策的语义特征；另一方面，以结构化数据形式作为网络输入，仅能以单帧雷达回波作为处理对象，对多帧回波和不同距离单元间蕴含的丰富时空关系利用不够。所述两方面局限使得目前基于深度学习类的雷达目标检测方法性能有进一步提升的空间。
为了解决上述技术问题，本发明实施例提供一种基于图神经网络多特征融合的相干雷达目标检测方法。根据本发明实施例，参见图1，提供基于图神经网络多特征融合的长时间相干雷达目标检测方法，包括以下步骤：
（1）、利用帧的回波数据进行图节点划分，每个图节点对应一帧数据中一个距离单元的回波时间序列数据。具体的，将雷达回波数据划分为/>个距离单元；每个雷达距离单元对应的脉冲序列采样点数为一帧回波的脉冲数/>；将各帧中每一个距离单元划分为一个图节点，图节点总数为/>。
（2）、对每个图节点对应的回波时间序列数据分别进行求模、傅里叶变换和时频变换，并分别利用同一帧所有距离单元回波时间序列数据对应的时域幅度序列、傅里叶变换序列和时频图求取各点均值和标准差，进行时域幅度序列、傅里叶变换序列和时频图归一化。
（3）、分别构建对应时域幅度序列、傅里叶变换序列和时频图特征的三个图节点邻接矩阵，得到由邻接矩阵和各节点特征向量集构成的三个信号图数据。具体的，根据图节点特征间马氏距离确定各图邻接矩阵中元素的取值：
其中，表示第/>个邻接矩阵/>中节点/>和节点/>间的连接关系，其中节点表示第/>个距离单元第/>帧信号对应的节点，节点/>表示第/>个距离单元第/>帧信号对应的节点，/>和/>为预先设置的阈值，/>和/>，/>分别为两个节点对应的时域、频域和时频域特征向量，/>为协方差矩阵。根据所述各图邻接矩阵元素最大值分别对各图邻接矩阵进行归一化。
（4）、根据样本数据中各节点信号类别为所有节点打上标签，将节点分为训练集、验证集和测试集。
（5）、搭建雷达目标检测图神经网络模型，分别利用训练集对应图节点的归一化时域、频域和时频图特征作为输入，对雷达目标检测图神经网络进行训练，利用验证集判断训练结束条件得到网络参数。结合图2，具体的，构建的雷达目标检测图神经网络包括私有特征提取图神经子网络、深度特征融合模型和目标分类子网络。
私有特征提取子网络输入为图节点归一化时域、频域和时频图特征，输出为图节点高层语义特征，网络模型包括三个对应各私有特征的图神经网络，每个神经网络有三个图卷积层，每个图卷积层输出均与后续各图卷积层输入相连。
深度特征融合模型根据各私有特征提取图神经网络输出的抽象特征，利用融合特征优化函数得到融合语义特征：
其中，为第/>个私有特征提取图神经网络初始输入特征，/>为对应特征向量维度，R表示实数集，/>表示/>维度的二维实数数组，/>为第/>个私有特征提取图神经网络输出的抽象特征，/>为对应特征向量维度，/>表示/>维度的二维实数数组，/>为第/>个抽象特征向融合特征映射的映射矩阵，/>表示/>维度的二维实数数组，/>为优化得到的融合矩阵，/>为融合语义特征向量维度，/>表示维度的二维实数数组。
目标分类子网络为LeNet5网络，利用融合语义特征作为输入，得到的向量，即为节点信号分类结果。
利用构建好的训练集对所述雷达目标检测图神经网络模型进行训练，输入训练集对应图节点的时域、频域与时频域三特征，利用反向传播算法和损失函数对模型进行迭代优化训练，根据验证集在模型上的表现判断训练结束条件，得到网络模型参数。
（6）将测试集输入训练好的雷达目标检测图神经网络，输出对应节点为目标或杂波信号的二分类结果。
需要说明的是，在本发明权利要求书中所限定的保护范围内，以下实施例均可以从上述具体实施方式中，例如公开的技术原理，公开的技术特征或隐含公开的技术特征等，以合乎逻辑的任何方式进行组合和/或扩展、替换。
实施例1
一种基于图神经网络多特征融合的相干雷达目标检测方法，包括：
S1，利用当前接收的回波数据和前+1帧有标签信息雷达回波数据进行图节点划分，每个图节点对应一帧数据中一个距离单元的回波时间序列数据，将有标签信息的数据划分为训练集和验证集，将待检测数据作为测试集，/>为正整数；
S2，对每个图节点对应的回波时间序列数据分别提取时域特征、频域特征和时频特征；
S3，分别利用节点各特征构建三个图邻接矩阵，邻接矩阵元素由各节点对应特征距离计算得到，从而生成由邻接矩阵和各节点特征向量集构成的三个信号图数据；
S4，根据样本数据中对应各节点信号类别为所有节点打上标签，将节点分为训练集、验证集和测试集；
S5，搭建雷达目标检测神经网络模型，利用训练集对应图节点的归一化时域、频域和时频图特征作为输入，对雷达目标检测图神经网络进行训练，利用验证集判断训练结束条件；
S6，将测试集输入训练好的雷达目标检测图神经网络，输出对应节点为目标或杂波信号的二分类结果。
实施例2
在实施例1的基础上，在步骤S1中，所述利用接收的+1帧雷达回波数据进行图节点划分，每个图节点对应一帧数据中一个距离单元的回波时间序列数据，将有标签信息的数据划分为训练集和验证集，将待检测数据作为测试集，具体包括如下子步骤：将雷达回波数据划分为/>个距离单元；每个距离单元对应的时间序列采样点数为一帧回波的脉冲数/>；将各帧中每一个距离单元划分为一个图节点，图节点数为/>；/>为正整数。
实施例3
在实施例1的基础上，在步骤S2中，所述对每个图节点对应的回波时间序列数据分别提取时域特征、频域特征和时频特征，具体包括如下子步骤：
对每一帧数据中各距离单元回波时间序列取模得到回波时间序列时域幅度特征；且，利用傅里叶变换计算每一帧数据中各距离单元回波时间序列频域特征；且，利用时频变换计算每一帧数据中各距离单元回波时间序列时频特征。
实施例4
在实施例1的基础上，在步骤S3中，所述各节点对应特征距离包括各节点对应特征马氏距离。
实施例5
在实施例4的基础上，在步骤S3中，所述分别利用节点各特征构建三个图邻接矩阵，邻接矩阵元素由各节点对应特征距离计算得到，从而生成由邻接矩阵和各节点特征向量集构成的三个信号图数据，具体包括子步骤：
S31，根据图节点特征间马氏距离确定各图邻接矩阵中元素的取值：
其中，表示第/>个邻接矩阵/>中节点/>和节点/>间的连接关系，其中节点表示第/>个距离单元第/>帧信号对应的节点，节点/>表示第/>个距离单元第/>帧信号对应的节点，/>和/>为预先设置的阈值，/>和/>，/>分别为两个节点对应的时域、频域和时频域特征向量，/>为协方差矩阵；
S32，根据各图邻接矩阵元素最大值分别对各图邻接矩阵进行归一化；
S33，根据所述各图邻接矩阵和图节点特征向量集，得到对应特征信号图数据。
实施例6
在实施例1的基础上，在步骤S5中，所述搭建雷达目标检测神经网络模型，利用训练集对应图节点的归一化时域、频域和时频图特征作为输入，对雷达目标检测图神经网络进行训练，利用验证集判断训练结束条件，包括子步骤：
S51，搭建雷达目标检测神经网络，所述雷达目标检测神经网络包括私有特征提取图神经子网络、深度特征融合模型和目标分类子网络；
S52，输入训练集对应图节点的各特征，对雷达目标检测神经网络进行迭代优化训练，根据验证集在模型上的表现判断训练结束条件，得到网络模型参数。
实施例7
在实施例6的基础上，在步骤S51中，所述私有特征提取图神经子网络包括三个分别用于时域、频域和时频域输入特征提取的图神经网络，每个图神经网络包含三个图卷积层，每个图卷积层输出均与后续各图卷积层输入相连。
实施例8
在实施例6的基础上，在步骤S51中，所述深度特征融合模型根据各私有特征提取图神经网络输出的抽象特征，利用融合特征优化函数得到融合语义特征：
其中，为第/>个私有特征提取图神经网络初始输入特征，/>为对应特征向量维度，R表示实数集，/>表示/>维度的二维实数数组，/>为第/>个私有特征提取图神经网络输出的抽象特征，/>为对应特征向量维度，/>表示/>维度的二维实数数组，/>为第/>个抽象特征向融合特征映射的映射矩阵，/>表示/>维度的二维实数数组，/>为优化得到的融合矩阵，/>为融合语义特征向量维度，/>表示/>维度的二维实数数组。
实施例9
在实施例6的基础上，所述目标分类子网络包括LeNet5网络，利用融合语义特征作为输入得到目标与杂波二分类。
实施例10
在实施例6的基础上，在步骤S52中，所述对雷达目标检测神经网络进行迭代优化训练包括利用反向传播算法和损失函数对雷达目标检测神经网络进行迭代优化训练。
根据本发明实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现方式中提供的方法。
作为另一方面，本发明实施例还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现上述实施例中所述的方法。
除以上实例以外，本领域技术人员根据上述公开内容获得启示或利用相关领域的知识或技术进行改动获得其他实施例，各个实施例的特征可以互换或替换，本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (7)
1.一种基于图神经网络多特征融合的相干雷达目标检测方法，其特征在于，包括：
S1，利用当前接收的回波数据和前+1帧有标签信息雷达回波数据进行图节点划分，每个图节点对应一帧数据中一个距离单元的回波时间序列数据，将有标签信息的数据划分为训练集和验证集，将待检测数据作为测试集，/>为正整数；
S2，对每个图节点对应的回波时间序列数据分别提取时域特征、频域特征和时频特征；
S3，分别利用节点各特征构建三个图邻接矩阵，邻接矩阵元素由各节点对应特征距离计算得到，从而生成由邻接矩阵和各节点特征向量集构成的三个信号图数据；
S4，根据样本数据中对应各节点信号类别为所有节点打上标签，将节点分为训练集、验证集和测试集；
S5，搭建雷达目标检测神经网络模型，利用训练集对应图节点的归一化时域、频域和时频图特征作为输入，对雷达目标检测图神经网络进行训练，利用验证集判断训练结束条件；
在步骤S5中，所述搭建雷达目标检测神经网络模型，利用训练集对应图节点的归一化时域、频域和时频图特征作为输入，对雷达目标检测图神经网络进行训练，利用验证集判断训练结束条件，包括子步骤：
S51，搭建雷达目标检测神经网络，所述雷达目标检测神经网络包括私有特征提取图神经子网络、深度特征融合模型和目标分类子网络；
S52，输入训练集对应图节点的各特征，对雷达目标检测神经网络进行迭代优化训练，根据验证集在模型上的表现判断训练结束条件，得到网络模型参数；
在步骤S51中，所述私有特征提取图神经子网络包括三个分别用于时域、频域和时频域输入特征提取的图神经网络，每个图神经网络包含三个图卷积层，每个图卷积层输出均与后续各图卷积层输入相连；
在步骤S51中，所述深度特征融合模型根据各私有特征提取图神经网络输出的抽象特征，利用融合特征优化函数得到融合语义特征：
其中，为第/>个私有特征提取图神经网络初始输入特征，/>为对应特征向量维度，R表示实数集，/>表示/>维度的二维实数数组，/>为第/>个私有特征提取图神经网络输出的抽象特征，/>为对应特征向量维度，/>表示/>维度的二维实数数组，/>为第/>个抽象特征向融合特征映射的映射矩阵，/>表示/>维度的二维实数数组，/>为优化得到的融合矩阵，/>为融合语义特征向量维度，/>表示/>维度的二维实数数组；
S6，将测试集输入训练好的雷达目标检测图神经网络，输出对应节点为目标或杂波信号的二分类结果。
2.根据权利要求1所述的基于图神经网络多特征融合的相干雷达目标检测方法，其特征在于，在步骤S1中，所述利用当前接收的回波数据和前+1帧有标签信息雷达回波数据进行图节点划分，每个图节点对应一帧数据中一个距离单元的回波时间序列数据，将有标签信息的数据划分为训练集和验证集，将待检测数据作为测试集，具体包括如下子步骤：将雷达回波数据划分为/>个距离单元；每个距离单元对应的时间序列采样点数为一帧回波的脉冲数/>；将各帧中每一个距离单元划分为一个图节点，图节点数为/>；/>为正整数。
3.根据权利要求1所述的基于图神经网络多特征融合的相干雷达目标检测方法，其特征在于，在步骤S2中，所述对每个图节点对应的回波时间序列数据分别提取时域特征、频域特征和时频特征，具体包括如下子步骤：
对每一帧数据中各距离单元回波时间序列取模得到回波时间序列时域幅度特征；且，利用傅里叶变换计算每一帧数据中各距离单元回波时间序列频域特征；且，利用时频变换计算每一帧数据中各距离单元回波时间序列时频特征。
4.根据权利要求1所述的基于图神经网络多特征融合的相干雷达目标检测方法，其特征在于，在步骤S3中，所述各节点对应特征距离包括各节点对应特征马氏距离。
5.根据权利要求4所述的基于图神经网络多特征融合的相干雷达目标检测方法，其特征在于，在步骤S3中，所述分别利用节点各特征构建三个图邻接矩阵，邻接矩阵元素由各节点对应特征距离计算得到，从而生成由邻接矩阵和各节点特征向量集构成的三个信号图数据，具体包括子步骤：
S31，根据图节点特征间马氏距离确定各图邻接矩阵中元素的取值：
其中，表示第/>个邻接矩阵/>中节点/>和节点/>间的连接关系，其中节点/>表示第/>个距离单元第/>帧信号对应的节点，节点/>表示第/>个距离单元第/>帧信号对应的节点，/>和/>为预先设置的阈值，/>和/>，/>分别为两个节点对应的时域、频域和时频域特征向量，/>为协方差矩阵；
S32，根据各图邻接矩阵元素最大值分别对各图邻接矩阵进行归一化；
S33，根据所述各图邻接矩阵和图节点特征向量集，得到对应特征信号图数据。
6.根据权利要求1所述的基于图神经网络多特征融合的相干雷达目标检测方法，其特征在于，所述目标分类子网络包括LeNet5网络，利用融合语义特征作为输入得到目标与杂波二分类。
7.根据权利要求1所述的基于图神经网络多特征融合的相干雷达目标检测方法，其特征在于，在步骤S52中，所述对雷达目标检测神经网络进行迭代优化训练包括利用反向传播算法和损失函数对雷达目标检测神经网络进行迭代优化训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311517775.1A CN117233725B (zh) | 2023-11-15 | 2023-11-15 | 基于图神经网络多特征融合的相干雷达目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311517775.1A CN117233725B (zh) | 2023-11-15 | 2023-11-15 | 基于图神经网络多特征融合的相干雷达目标检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117233725A CN117233725A (zh) | 2023-12-15 |
| CN117233725B true CN117233725B (zh) | 2024-01-23 |
Family
ID=89098854
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311517775.1A Active CN117233725B (zh) | 2023-11-15 | 2023-11-15 | 基于图神经网络多特征融合的相干雷达目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117233725B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| WO2020046203A1 (en) * | 2018-08-27 | 2020-03-05 | Agency For Science, Technology And Research | Device and method for tracking human subjects |
| CN112711032A (zh) * | 2020-12-07 | 2021-04-27 | 中国人民解放军海军航空大学 | 一种基于图数据和gcn的雷达目标检测方法及系统 |
| CN112946628A (zh) * | 2021-02-08 | 2021-06-11 | 江苏中路工程技术研究院有限公司 | 一种基于雷达与视频融合的道路运行状态检测方法及系统 |
| CN114254696A (zh) * | 2021-11-30 | 2022-03-29 | 上海西虹桥导航技术有限公司 | 基于深度学习的可见光、红外和雷达融合目标检测方法 |
| CN114488069A (zh) * | 2022-03-10 | 2022-05-13 | 杭州电子科技大学 | 基于图神经网络的雷达高分辨率距离像识别方法 |
| CN114510972A (zh) * | 2022-01-27 | 2022-05-17 | 中国电子科技集团公司信息科学研究院 | 一种分布式雷达有源干扰类型的判别方法 |
| CN114814776A (zh) * | 2022-06-24 | 2022-07-29 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于图注意力网络和迁移学习的pd雷达目标检测方法 |
| WO2023087558A1 (zh) * | 2021-11-22 | 2023-05-25 | 重庆邮电大学 | 基于嵌入平滑图神经网络的小样本遥感图像场景分类方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11719787B2 (en) * | 2020-10-30 | 2023-08-08 | Infineon Technologies Ag | Radar-based target set generation |
| CN117440908A (zh) * | 2020-10-31 | 2024-01-23 | 华为技术有限公司 | 用于自动驾驶系统中基于图神经网络的行人动作预测的方法和系统 |
| US20220222852A1 (en) * | 2020-12-03 | 2022-07-14 | Tata Consultancy Services Limited | Methods and systems for generating end-to-end model to estimate 3-dimensional(3-d) pose of object |
| EP4050460A1 (en) * | 2021-02-24 | 2022-08-31 | Infineon Technologies AG | Radar-based object tracking using a neural network |
| US20230089481A1 (en) * | 2021-08-13 | 2023-03-23 | Arizona Board Of Regents On Behalf Of Arizona State University | Systems and methods for few-shot network anomaly detection via cross-network meta-learning |
-
2023
- 2023-11-15 CN CN202311517775.1A patent/CN117233725B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020046203A1 (en) * | 2018-08-27 | 2020-03-05 | Agency For Science, Technology And Research | Device and method for tracking human subjects |
| 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 |
| CN112711032A (zh) * | 2020-12-07 | 2021-04-27 | 中国人民解放军海军航空大学 | 一种基于图数据和gcn的雷达目标检测方法及系统 |
| CN112946628A (zh) * | 2021-02-08 | 2021-06-11 | 江苏中路工程技术研究院有限公司 | 一种基于雷达与视频融合的道路运行状态检测方法及系统 |
| WO2023087558A1 (zh) * | 2021-11-22 | 2023-05-25 | 重庆邮电大学 | 基于嵌入平滑图神经网络的小样本遥感图像场景分类方法 |
| CN114254696A (zh) * | 2021-11-30 | 2022-03-29 | 上海西虹桥导航技术有限公司 | 基于深度学习的可见光、红外和雷达融合目标检测方法 |
| CN114510972A (zh) * | 2022-01-27 | 2022-05-17 | 中国电子科技集团公司信息科学研究院 | 一种分布式雷达有源干扰类型的判别方法 |
| CN114488069A (zh) * | 2022-03-10 | 2022-05-13 | 杭州电子科技大学 | 基于图神经网络的雷达高分辨率距离像识别方法 |
| CN114814776A (zh) * | 2022-06-24 | 2022-07-29 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于图注意力网络和迁移学习的pd雷达目标检测方法 |
Non-Patent Citations (5)
| Title |
|---|
| Graph R-CNN: Towards Accurate 3D Object Detection with Semantic-Decorated Local Graph;Yang, Honghui等;COMPUTER VISION, ECCV 2022, PT VIII;全文 * |
| HetGNN-3D:基于异构图神经网络的3D目标检测优化模型;汪明明等;小型微型计算机系统;全文 * |
| The Target Detection Method of Pulse-Doppler Radar Based on Graph Attention Networks;Yang, Y.等;2022 IEEE 5th International Conference on Electronics Technology (ICET).;全文 * |
| 基于卷积神经网络的海上微动目标检测与分类方法;苏宁远;陈小龙;关键;牟效乾;刘宁波;;雷达学报(第05期);全文 * |
| 基于图神经网络的激光点云行人目标检测研究;傅文谦;中国优秀硕士学位论文全文数据库工程科技Ⅱ辑;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117233725A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109389058B (zh) | 海杂波与噪声信号分类方法及系统 | |
| CN110826630A (zh) | 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法 | |
| Xie et al. | PolSAR image classification via a novel semi-supervised recurrent complex-valued convolution neural network | |
| Dudczyk | Radar emission sources identification based on hierarchical agglomerative clustering for large data sets | |
| KR20220107120A (ko) | 생체 검측 모델의 트레이닝 방법 및 장치, 생체 검측 모델을 이용한 생체 검측 방법 및 장치, 전자장비, 저장매체 및 컴퓨터 프로그램 | |
| Shen et al. | Matched-field geoacoustic inversion based on radial basis function neural network | |
| WO2013067461A2 (en) | Identifying associations in data | |
| CN114201988A (zh) | 卫星导航复合干扰信号识别方法和系统 | |
| CN101893704A (zh) | 一种基于粗糙集的雷达辐射源信号识别方法 | |
| CN114692681B (zh) | 基于scnn的分布式光纤振动及声波传感信号识别方法 | |
| Li et al. | Fuzzy based affinity learning for spectral clustering | |
| CN114595732B (zh) | 基于深度聚类的雷达辐射源分选方法 | |
| Holmström et al. | Statistical scale space methods | |
| CN110850420B (zh) | 基于弹球损失的FisherSVM声纳信号判别方法 | |
| CN110753065B (zh) | 网络行为检测方法、装置、设备及存储介质 | |
| Nuhoglu et al. | Image segmentation for radar signal deinterleaving using deep learning | |
| CN105721467A (zh) | 社交网络Sybil群体检测方法 | |
| CN117233725B (zh) | 基于图神经网络多特征融合的相干雷达目标检测方法 | |
| Hua et al. | Interpretable deep dictionary learning for sound speed profiles with uncertainties | |
| CN112213697A (zh) | 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法 | |
| 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 | |
| CN113297969B (zh) | 一种雷达波形识别方法及系统 | |
| CN115883152A (zh) | 基于联邦学习的网络流量攻击检测方法、系统及存储介质 | |
| CN113673349B (zh) | 基于反馈机制的图像生成中文文本方法、系统及装置 | |
| Pan et al. | GAN-CRT: A novel range-doppler estimation method in automotive radar systems |
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 |