[發明專利]基于時頻圖卷積神經網絡的雷達動目標檢測與分類一體化方法

有效

• 申請號: 201811192545.1
• 申請日: 2018-10-13
• 公開（公告）號: CN109407067B
• 公開（公告）日: 2023-06-27
• 發明（設計）人: 陳小龍;牟效乾;關鍵;蘇寧遠;薛永華;劉寧波;黃勇;何友
• 申請（專利權）人: 中國人民解放軍海軍航空大學
• 主分類號: G01S7/41
• 分類號: G01S7/41
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于時頻圖卷積神經網絡的雷達動目標檢測與分類一體化方法，其特征在于，包括以下步驟：

步驟一、雷達回波距離向脈壓，得到距離-脈沖二維數據；

步驟二、時頻變換生成時頻圖，構建訓練數據集；

步驟三、建立卷積神經網絡模型；

步驟四、根據反向傳播算法和誤差損失函數，輸入訓練數據集對模型進行迭代優化訓練，得到最優的卷積神經網絡網絡參數；

步驟五、將雷達待檢測距離單元回波時頻變換，輸入經過訓練的卷積神經網絡進行測試，判別該單元是否存在運動目標，并同時對目標運動類型進行分類，實現檢測和分類一體化處理；

所述雷達回波距離向脈壓，得到距離-脈沖二維數據，具體包括：

在相參雷達接收端，將接收并經過放大和限幅處理后得到的雷達回波數據進行距離向和方位向采樣，距離向采樣間隔等于雷達距離分辨單元，方位向采樣頻率等于脈沖重復頻率；

對距離向的雷達回波數據進行解調處理；

將解調后的雷達回波數據進行脈沖壓縮處理，得到脈內積累后的雷達回波數據；

根據脈內積累后的雷達回波數據得到距離-脈沖二維數據；

所述運動類型包括勻速運動、勻加速和勻減速運動、變加速運動、高機動、周期性調頻微動；

對于勻變速運動目標，解調和脈壓后得到勻變速運動目標的瞬時頻率：

對于勻速運動目標，解調和脈壓后得到勻速運動目標的瞬時頻率：

對于非勻速運動目標，解調和脈壓后得到非勻速運動目標的瞬時頻率：

對于微動目標，解調和脈壓后得到微動目標的瞬時頻率：

步驟三所述的卷積神經網絡，包括6層，分別是兩個卷積層，兩個池化層，一個全局平均池化層和一個全連接層；

步驟三所述卷積神經網路模型中的激活函數采用ELU激活函數，

其中，x為經卷積層卷積后輸出的特征圖矩陣，α為調節參數；

步驟三所述卷積神經網路模型中的全局平均池化方法為：

其中，表示對輸入特征圖y₁進行整體平均運算，輸出一維特征向量y₂；

步驟四所述的誤差損失函數采用交叉熵函數，計算方法為：

第n個樣本的交叉熵函數為

其中，表示卷積神經網絡預測的第n個樣本第j類的檢測概率，表示第n個樣本第j類的真實檢測概率，q為類別數，當輸入樣本數為N時，總誤差函數為

使用梯度下降法對參數進行不斷的迭代優化，直到損失函數最小，則從第六層全連接層開始迭代公式如下，

(1)參數k的迭代

①偏一階矩估計的更新

②偏二階矩估計的更新

③偏修正一階矩的偏差

④偏修正二階矩的偏差

⑤完成一次迭代的更新

其中，V_kl為參數k第l次迭代的偏一階矩估計；S_kl為參數k第l次迭代的偏二階矩估計；為參數k第l次迭代的偏修正一階矩的偏差；為參數k第l次迭代的偏修正二階矩的偏差；分別代表第六層第l次迭代后的卷積核參數；α為學習率，控制卷積神經網絡梯度下降的速度，可取默認值0.001；β₁為的加權平均數一階矩調節參數，默認值0.9；β₂為二階矩調節參數，默認值為0.999，初始值V_k0為0，S_k0為0；ε是一個為了防止分母為0的常數，取值10^-8；

(2)參數b的迭代

①偏一階矩估計的更新

②偏二階矩估計的更新

③偏修正一階矩的偏差

④偏修正二階矩的偏差

⑤完成一次迭代的更新

其中，V_bl為參數b第l次迭代的偏一階矩估計；S_bl為參數b第l次迭代的偏二階矩估計；為參數b第l次迭代的偏修正一階矩的偏差；為參數b第l次迭代的偏修正二階矩的偏差；分別代表第六層第l次迭代后的偏置參數；初始值V_b0為0，S_b0為0；

第二層、第四層和第五層均為池化層，無需進行反向傳播訓練，第三層、第一層卷積層的反向傳播迭代跟第六層流程相同。