[發(fā)明專利]一種基于深度學習的自進化雷達目標檢測算法

有效

• 申請?zhí)枺?/td>: 201810932287.X
• 申請日: 2018-08-16
• 公開（公告）號: CN109239669B
• 公開（公告）日: 2020-11-03
• 發(fā)明（設計）人: 丁興號;黃悅;王繼天;余憲;文藝
• 申請（專利權）人: 廈門大學
• 主分類號: G01S7/02
• 分類號: G01S7/02;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廈門南強之路專利事務所(普通合伙) 35200
• 代理人: 馬應森

1.一種基于深度學習的自進化雷達目標檢測算法，其特征在于包括以下步驟：

1)雷達數據的特征處理：

第一步：對采集到的雷達數據進行特征處理，分別加入空間特征、時間特征以及運動特征；首先以待檢測點為中心從周圍背景信息中取一個3×3大小的區(qū)域，將該區(qū)域內所有信息組成一個區(qū)域信息集合，同時，聯合背景信息計算檢測點中心區(qū)域的相關指標，所述相關指標包括波動值、SNR值及幅度值；

第二步：將深度學習所要學習的內容由雷達檢測數據的待檢測點形式轉換為待檢測路徑形式，即考慮時間特征，具體操作是以待檢測點為路徑尾端，在上一雷達檢測周期中尋找一定距離內的待檢測點，由三個相鄰周期的相鄰待檢測點組成一條路徑，再加上速度與加速的運動特征；

第三步：對由第一步計算所得的雷達數據特征值進行奇異點剔除以及min-max歸一化，min-max歸一化為：

通過對原始數據的線性變換，使數據映射到[0～1]之間，歸一化方式采用每個特征獨立歸一化；

2)雷達目標檢測基礎模型設計：

第一步：采用深度置信網絡作為深度學習模型，深度置信網絡模型利用無標簽數據進行對模型初始參數的預訓練，DBN作為生成模型，對樣本比例不均衡的數據分布進行建模，符合雷達數據正負樣本不均衡的特點，其中包含一個輸入層、兩個隱藏層以及一個輸出層，所述輸入層大小為路徑單元特征數，所述兩個隱藏層大小分別為160，200，代表這一層特征圖的維度，所述輸出層大小為分類的種類數目；

第二步：在DBN訓練過程中，對網絡模型增加dropout優(yōu)化，dropout即在訓練階段，隨機關閉神經元，而在測試階段使用全部神經元測試，讓模型只利用到一部分特征的條件下仍然能做出正確的判斷，最后測試階段相當于多個模型的融合，增加模型的魯棒性；

3)雙視圖協同訓練算法應用于模型自進化，具體方法如下：

第一步：選擇雙視圖協同訓練的方法，首先是在數據預處理階段進行不同視圖處理，第一個視圖是單個原始數據的信息，包括數據的信噪比、各濾波器幅值信息，第二個視圖是步驟1)中所得到的雷達目標的運動路徑信息，以此達到對相同數據的不同特征處理，即不同的數據處理方式會把數據映射到不同的空間分布從而具有不同的區(qū)分特征；

第二步：擴大訓練集數據規(guī)模以增強模型識別能力，采用的方法是當不同學習器視圖的雷達目標檢測模型在判斷雷達數據后，根據模型判斷給出的分類置信度，通過價值函數計算公式從中選擇可靠雷達數據樣本添加到對方的訓練集中；

第三步：利用第二步得到的新的訓練集重新微調訓練深度學習模型。