[發明專利]一種基于卷積神經網絡序列分類的雷達目標檢測方法及系統

在審

• 申請號: 202010785821.6
• 申請日: 2020-08-06
• 公開（公告）號: CN111880158A
• 公開（公告）日: 2020-11-03
• 發明（設計）人: 陳小龍;蘇寧遠;張財生;薛永華;關鍵;張海;黃勇
• 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

1.一種基于卷積神經網絡序列分類的雷達目標檢測方法，其特征在于，包括：

構建基于雷達信號序列的數據集，所述雷達信號序列包括雜波信號序列和目標信號序列，所述數據集包括訓練集和測試集；

采用訓練集對卷積神經網絡模型進行訓練，得到訓練后的卷積神經網絡模型；

采用測試集對所述訓練后的卷積神經網絡模型進行測試，得到分類結果；

根據所述分類結果優化訓練后的卷積神經網絡模型，得到優化后的卷積神經網絡模型；

獲取待預測的雷達信號序列；

將所述待預測的雷達信號序列作為輸入，輸入至所述優化后的卷積神經網絡模型，預測待測信號的分類結果。

2.根據權利要求1所述的基于卷積神經網絡序列分類的雷達目標檢測方法，其特征在于，所述構建基于雷達信號序列的數據集，具體包括：

獲取雷達回波信號中雜波單元的時間序列；

將所述雜波單元的時間序列分割成第一設定數量采樣點長度的序列，作為雜波信號序列樣本；

在所述雜波信號序列樣本中隨機位置插入第二設定數量采樣點長度、以不同SCR生成的仿真目標信號，生成目標信號序列樣本；

將所述雜波信號序列樣本和所述目標信號序列樣本添加標簽，得到數據集樣本。

3.根據權利要求1所述的基于卷積神經網絡序列分類的雷達目標檢測方法，其特征在于，所述采用訓練集對卷積神經網絡模型進行訓練，得到訓練后的卷積神經網絡模型，具體包括：

將所述雷達信號序列輸入至卷積神經網絡模型進行訓練，得到預測結果準確率；

判斷所述預測結果準確率是否在閾值范圍內；

若是，得到訓練后的卷積神經網絡模型；

若否，調整所述卷積神經網絡模型的參數，使所述預測結果準確率在閾值范圍內。

4.一種基于卷積神經網絡序列分類的目標檢測系統，其特征在于，包括：

數據集構建模塊，用于構建基于雷達信號序列的數據集，所述雷達信號序列包括雜波信號序列和目標信號序列，所述數據集包括訓練集和測試集；

訓練模塊，用于采用訓練集對卷積神經網絡模型進行訓練，得到訓練后的卷積神經網絡模型；

測試模塊，用于采用測試集對所述訓練后的卷積神經網絡模型進行測試，得到分類結果；

優化模塊，用于根據所述分類結果優化訓練后的卷積神經網絡模型，得到優化后的卷積神經網絡模型；

待預測的雷達信號序列獲取模塊，用于獲取待預測的雷達信號序列；

預測模塊，用于將所述待預測的雷達信號序列作為輸入，輸入至所述優化后的卷積神經網絡模型，預測待測信號的分類結果。

5.根據權利要求4所述的基于卷積神經網絡序列分類的目標檢測系統，其特征在于，所述數據集構建模塊，具體包括：

獲取單元，用于獲取雷達回波信號中雜波單元的時間序列；

雜波信號序列樣本確定單元，用于將所述雜波單元的時間序列分割成第一設定數量采樣點長度的序列，作為雜波信號序列樣本；

雜波信號序列樣本確定單元，用于在所述雜波信號序列樣本中隨機位置插入第二設定數量采樣點長度、以不同SCR生成的仿真目標信號，生成目標信號序列樣本；

數據集樣本確定單元，用于將所述雜波信號序列樣本和所述目標信號序列樣本添加標簽，得到數據集樣本。

6.根據權利要求4所述的基于卷積神經網絡序列分類的目標檢測系統，其特征在于，所述訓練模塊，具體包括：

預測結果確定單元，用于將所述雷達信號序列輸入至卷積神經網絡模型進行訓練，得到預測結果準確率；

判斷單元，用于判斷所述預測結果準確率是否在閾值范圍內；

訓練后的卷積神經網絡模型確定單元，用于當所述預測結果與真實結果之間的誤差在閾值范圍內，得到訓練后的卷積神經網絡模型；

調整單元，用于當所述預測結果與真實結果之間的誤差不在閾值范圍內，調整所述卷積神經網絡模型的參數，使所述預測結果準確率在閾值范圍內。