[發明專利]一種基于深度學習的自進化雷達目標檢測算法

有效

• 申請號: 201810932287.X
• 申請日: 2018-08-16
• 公開（公告）號: CN109239669B
• 公開（公告）日: 2020-11-03
• 發明（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

一種基于深度學習的自進化雷達目標檢測算法，涉及雷達信號處理。雷達數據的特征處理；雷達目標檢測基礎模型設計；雙視圖協同訓練算法應用于模型自進化。采用深度學習方法實現了雷達目標檢測，同時通過所提出的協同訓練雙視圖算法實現雷達目標檢測模型能力的自進化。建立在深度學習與機器學習的基礎上，可提升雷達識別能力，實用性強，可移植性強，充分利用雷達數據流實現檢測能力的可靠提升，能夠實現減小人力損耗的半監督學習的需求。

技術領域

本發明涉及雷達信號處理，尤其是涉及一種基于深度學習的自進化雷達目標檢測算法。

背景技術

雷達目標檢測技術作為雷達領域的核心技術，不管在軍事領域還是在民用領域都有著非常重要的意義，因此一直都備受科研工作者的重視。傳統的雷達目標檢測都是采用濾波和跟蹤的方法，在低信噪比情況下會有較為嚴重的虛警和漏檢現象。同時，傳統的雷達目標檢測技術還需要人為根據雷達信號特征去設計濾波器，花費較大的人工損耗。

深度學習具有強大的非線性特征表達能力，可以通過大量數據自動化抽取其中的關鍵特征，并且在各類識別任務中，深度學習算法優于傳統算法的性能，因此，可以將深度學習應用于雷達目標檢測中。此外，由于受到天氣、雷達硬件老化等因素的影響，雷達數據會隨著時間的改變發生一些變化，初始訓練的深度學習模型可能會不適用于后續的數據，因此需要使用新的數據不斷訓練模型，使模型隨著數據變化而不斷進化。模型的進化需要大量有標簽樣本數據參與模型訓練，雖然雷達數據容易獲取，但是需要專家進行人工標注，代價非常大，有效利用這些大量的無標簽樣本提高目標檢測能力，實現分類器模型的自進化顯得非常重要。

雷達目標檢測技術研究對于提升雷達目標檢測效果，保證雷達可靠性及魯棒性具有重大意義，具有廣闊的應用前景及深刻地社會價值。

發明內容

本發明的目的在于提供可提升雷達識別能力，充分利用雷達數據流實現檢測能力的可靠提升，減少人力損耗的一種基于深度學習的自進化雷達目標檢測算法。

本發明包括以下步驟：

1)雷達數據的特征處理；

2)雷達目標檢測基礎模型設計；

3)雙視圖協同訓練算法應用于模型自進化。

在步驟1)中，所述雷達數據的特征處理的具體步驟如下：

第一步：為了利于深度學習進行準確的特征學習，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大小的區域，將該區域內所有信息組成一個區域信息集合，同時，聯合背景信息計算檢測點中心區域的相關指標，所述相關指標包括波動值、SNR值及幅度值；

第二步：為了更利于深度模型學習，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：為了解決奇異點以及降低強度敏感性對深度學習模型學習帶來的負面影響，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。由于樣本數據中每個維度代表不同的特征，而且特征間的數量級差別較大，歸一化方式采用每個特征獨立歸一化，而不是特征間統一歸一化。

在步驟2)中，所述雷達目標檢測基礎模型設計的具體方法如下：