[發明專利]基于圖時空網絡的雷達動目標多幀聯合檢測方法

有效

• 申請號: 201911389117.2
• 申請日: 2019-12-30
• 公開（公告）號: CN111123257B
• 公開（公告）日: 2023-03-28
• 發明（設計）人: 丁金閃;溫利武;黃學軍;秦思琪
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G01S13/50
• 分類號: G01S13/50;G01S7/41
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華;黎漢華

1.基于圖時空網絡的雷達動目標多幀聯合檢測方法，其特征在于，包括如下：

(1)劃分訓練集X與測試集Y：

1a)獲取多組高脈沖重復頻率的單通道雷達數據，將每組數據沿方位向劃分為若干幀，對每幀中的原始回波數據依次進行距離壓縮和方位向傅里葉變換，得到場景的復距離多普勒譜；

1b)將連續N幀復距離多普勒譜作為一組數據,N＝5，并將每組按10:1的比例劃分得到訓練集X與測試集Y；

(2)構建用于從連續N幀復距離多普勒譜中進行動目標檢測的神經網絡模型：

2a)構建由一個卷積層、九個殘差學習模塊、兩個全連接層以及一個Softmax層依次連接組成的子殘差神經網絡，該子殘差神經網絡的輸入為連續N幀復距離多普勒譜，輸出為N張對應的初步檢測概率圖；

2b)將N張初步檢測概率圖依次建模為圖結構的數據，并根據此數據構建由時域卷積層、空域卷積層和輸出層依次連接組成的子圖時空網絡；該子圖時空網絡的輸入為N張初步檢測概率圖，輸出為預測得到的第幀動目標檢測概率圖；

2c)將2a)和2b)設置的兩個網絡進行上下堆疊，得到用于從連續N幀復距離多普勒譜中進行動目標檢測的神經網絡模型；

(3)根據目標在距離多普勒譜中的尺寸，確定檢測窗口的距離向長度l_r，距離向步長s_r，多普勒向長度l_f，多普勒向步長s_f，且距離向長度l_r大于目標在距離向的長度，多普勒向長度l_f大于目標在多普勒向的長度；依據這些參數計算得到距離向的窗個數K_r和多普勒向的窗個數K_f；

(4)對(2)中構建的神經網絡進行訓練：

4a)構建整個神經網絡的損失函數：

L＝l₁+l₂

其中，l₁是子殘差神經網絡的損失函數，l₂是子圖時空網絡的損失函數。

其中，q_i表示子殘差神經網絡的第i個輸出的檢測概率，p_i表示第i個輸出對應的標簽數據，w_1j表示子殘差神經網絡的第j個權值，α為訓練過程中設置的尺寸大小，A_i為最終檢測概率圖的像素值，B_i為真實檢測概率圖的像素值，w_2j表示子圖時空網絡的第j個權值；

4b)將訓練集X輸入到網絡，采用后向傳播算法不斷更新網絡權值，使得網絡的損失函數值收斂，最終完成網絡的訓練；

(5)將測試集Y中的任意一組數據輸入到已訓練好的網絡，得到網絡的檢測概率圖；

(6)設置檢測門限Ε，利用非極大值抑制算法對檢測概率圖中大于門限Ε的值進行局部抑制處理，得到動目標在距離多普勒譜中的位置，即動目標所在的距離門以及多普勒通道，完成雷達動目標的多幀聯合檢測。

2.根據權利要求1所述的方法，其中(2a)中子殘差神經網絡的各層結構及參數設置如下；

卷積層，輸出特征圖個數為16，卷積核尺寸為2×2，步長為1×1；

九個殘差學習模塊，按順序堆疊，每個殘差學習模塊均由三個卷積層構成，卷積核尺寸均為2×2，其中第一個和第二個殘差學習模塊輸出的三個特征圖個數均為16、16、32，卷積核步長均為1×1；第三個殘差學習模塊輸出的三個特征圖個數為16、16、32，卷積核步長為1×1、2×2、1×1；第四個、第五個和第六個殘差學習模塊輸出的三個特征圖個數均為32、32、64，卷積核步長均為1×1；第七個和第八個殘差學習模塊輸出的三個特征圖個數均為64、64、128，卷積核步長均為1×1，第九個殘差學習模塊輸出的三個特征圖個數為64、64、128，卷積核步長為1×1、2×2、1×1；每個殘差學習模塊的輸出f(x)由如下公式計算得到：

f(x)＝x+H(x)，

其中，x為殘差學習模塊輸入數據降采樣后的值，H(x)為模塊學習得到的殘差；

兩個全連接層，其包含的神經元個數不同，第一個全連接層包含512個神經元，第二個全連接層包含64個神經元；

Softmax層，包含2個神經元。