[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡(luò)的雷達(dá)信號(hào)檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010796744.4
• 申請(qǐng)日: 2020-08-10
• 公開（公告）號(hào): CN111722199B
• 公開（公告）日: 2023-06-20
• 發(fā)明（設(shè)計(jì)）人: 趙晨帆;王萍;葉舟;邢冠培;傅虹景;徐嘉輝
• 申請(qǐng)（專利權(quán)）人: 上海航天電子通訊設(shè)備研究所
• 主分類號(hào): G01S7/41
• 分類號(hào): G01S7/41
• 代理公司: 上海漢聲知識(shí)產(chǎn)權(quán)代理有限公司 31236
• 代理人: 黃超宇;胡晶

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)的雷達(dá)信號(hào)檢測(cè)方法，其特征在于，所述方法包括以下步驟：

步驟1：構(gòu)造不同雜波背景下的雷達(dá)回波數(shù)據(jù)，進(jìn)行匹配濾波和脈沖多普勒處理，得到距離——多普勒頻譜，形成信號(hào)檢測(cè)樣本數(shù)據(jù)庫，再對(duì)應(yīng)樣本做有、無目標(biāo)的標(biāo)簽；

步驟1中，所述信號(hào)檢測(cè)樣本數(shù)據(jù)庫構(gòu)成如下：

步驟11：規(guī)定所提信噪比均為雷達(dá)回波信號(hào)經(jīng)過匹配濾波和脈沖多普勒處理后的信噪比；

步驟12：分別以白噪聲、瑞利雜波、韋布爾雜波和K雜波為背景，仿真雷達(dá)回波信號(hào)，將收到的回波依次經(jīng)過匹配濾波處理和脈沖多普勒處理，得到回波的距離——多普勒頻譜；

步驟13：每種雜波背景下，分別仿真不同信噪比下的距離——多普勒頻譜，其中，同一背景且同一信噪比下，仿真M組有目標(biāo)時(shí)的頻譜和N組無目標(biāo)時(shí)的頻譜，作為圖像樣本形成一個(gè)包含(M+N)組數(shù)據(jù)的數(shù)據(jù)庫，對(duì)應(yīng)每一個(gè)頻譜有兩個(gè)標(biāo)簽，分別為：有目標(biāo)和無目標(biāo)；

步驟2：將信號(hào)檢測(cè)樣本數(shù)據(jù)庫隨機(jī)分成訓(xùn)練樣本和測(cè)試樣本，構(gòu)成訓(xùn)練集合和測(cè)試集合，標(biāo)簽對(duì)應(yīng)地設(shè)為訓(xùn)練集標(biāo)簽和測(cè)試集標(biāo)簽；

步驟2中，所述訓(xùn)練樣本和測(cè)試樣本選取方式如下：

將同一背景同一信噪比下的(M+N)組距離——多普勒頻譜和對(duì)應(yīng)的標(biāo)簽同時(shí)打亂順序，再隨機(jī)選取m組頻譜及對(duì)應(yīng)標(biāo)簽作為訓(xùn)練集樣本和訓(xùn)練集標(biāo)簽，剩余的n組頻譜及對(duì)應(yīng)標(biāo)簽作為測(cè)試集樣本和測(cè)試集標(biāo)簽；

步驟3：利用樣本數(shù)據(jù)庫的訓(xùn)練集樣本對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，觀察網(wǎng)絡(luò)訓(xùn)練準(zhǔn)確率和損失函數(shù)隨訓(xùn)練次數(shù)變化的曲線，得到訓(xùn)練成熟的網(wǎng)絡(luò)；

步驟3中，所述卷積神經(jīng)網(wǎng)絡(luò)用Keras來構(gòu)建、訓(xùn)練和測(cè)試，其中，網(wǎng)絡(luò)的結(jié)構(gòu)如下：

使用兩個(gè)卷積層、兩個(gè)池化層交替連接，最后再連接兩個(gè)全連接層的結(jié)構(gòu)，由于卷積核的大小和滑動(dòng)步長決定網(wǎng)絡(luò)中的參數(shù)量和最后輸出特征的多少，卷積核的大小越小，參數(shù)和計(jì)算量越小，可以選用較小的卷積核來減少計(jì)算量：第1個(gè)卷積層使用C₁個(gè)大小為k₁×k₁的卷積核，第2個(gè)卷積層使用C₂個(gè)大小為k₂×k₂的卷積核，滑動(dòng)步長根據(jù)卷積核大小和原圖像大小決定；池化層使用無重疊的最大池化方式，池化區(qū)域選用p₁×p₁的大小；

網(wǎng)絡(luò)的卷積層選用relu激活函數(shù)，最后一個(gè)全連接層選用softmax激活函數(shù)，損失函數(shù)使用Keras中專門計(jì)算分類誤差的categorical_crossentropy函數(shù)，網(wǎng)絡(luò)訓(xùn)練時(shí)，每次隨機(jī)選取一定數(shù)量的樣本作為一批數(shù)據(jù)進(jìn)行學(xué)習(xí)，學(xué)習(xí)率在0.01到0.001之間調(diào)整，訓(xùn)練次數(shù)由訓(xùn)練的程度決定，在20到150次之間調(diào)整；

步驟4：利用樣本數(shù)據(jù)庫的測(cè)試集樣本對(duì)訓(xùn)練成熟的網(wǎng)絡(luò)進(jìn)行測(cè)試，再將檢測(cè)結(jié)果與設(shè)定的標(biāo)簽進(jìn)行統(tǒng)計(jì)分析；

步驟5：根據(jù)步驟4所得檢測(cè)結(jié)果，計(jì)算卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行雷達(dá)信號(hào)檢測(cè)的檢測(cè)概率，并與相同條件下的二維恒虛警檢測(cè)概率進(jìn)行比較；

步驟5中，所述卷積神經(jīng)網(wǎng)絡(luò)的檢測(cè)概率計(jì)算方法如下：

在利用測(cè)試集對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試后，保存卷積神經(jīng)網(wǎng)絡(luò)的檢測(cè)結(jié)果，與原設(shè)定的標(biāo)簽進(jìn)行對(duì)比統(tǒng)計(jì)：設(shè)原標(biāo)簽與檢測(cè)結(jié)果均為有目標(biāo)的情況為H₁₁，原標(biāo)簽與檢測(cè)結(jié)果均為無目標(biāo)的情況為H₀₀，原標(biāo)簽有目標(biāo)而檢測(cè)結(jié)果無目標(biāo)的情況為H₁₀，原標(biāo)簽無目標(biāo)而檢測(cè)結(jié)果有目標(biāo)的情況為H₀₁，則網(wǎng)絡(luò)的檢測(cè)概率為即原標(biāo)簽設(shè)定為有目標(biāo)的情況下，網(wǎng)絡(luò)的檢測(cè)結(jié)果也是有目標(biāo)時(shí)的概率。

2.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的雷達(dá)信號(hào)檢測(cè)方法，其特征在于，步驟1中，所述不同雜波背景包括瑞利分布的雜波、韋布爾分布的雜波和K分布的雜波，按照三種雜波統(tǒng)計(jì)模型仿真雜波背景。

3.根據(jù)權(quán)利要求2所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的雷達(dá)信號(hào)檢測(cè)方法，其特征在于，瑞利分布的概率密度函數(shù)為

其中，x表示瑞利分布雜波回波的包絡(luò)振幅，δ²表示雜波的方差，方差越小，分布函數(shù)的尖峰越明顯，設(shè)定方差在0到1之間，仿真瑞利雜波背景下的雷達(dá)回波信號(hào)；

韋布爾分布的概率密度函數(shù)為

其中，P是形狀參數(shù)，控制分布函數(shù)的均方值；q是尺度參數(shù)，控制分布函數(shù)的尾部形狀，設(shè)定p和q在1.4到2之間，仿真韋布爾雜波背景下的雷達(dá)回波信號(hào)；

K分布的概率密度函數(shù)為

其中，v是形狀參數(shù)，a是尺度參數(shù)，Γ(v)是伽馬函數(shù)，K_v-1(x)是第二類修正貝塞爾函數(shù)，設(shè)定K在0到2之間，仿真K雜波背景下的雷達(dá)回波信號(hào)。