[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

本發(fā)明公開了一種基于卷積神經(jīng)網(wǎng)絡(luò)的雷達(dá)信號(hào)檢測(cè)方法，該方法以脈沖多普勒處理后得到的距離——多普勒頻譜作為圖像樣本，以有無目標(biāo)時(shí)頻譜的不同特點(diǎn)作為識(shí)別特征，利用卷積神經(jīng)網(wǎng)絡(luò)的分類能力實(shí)現(xiàn)雷達(dá)信號(hào)檢測(cè)，判斷目標(biāo)信號(hào)的有無，把卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于雷達(dá)信號(hào)處理中，從圖像處理的角度實(shí)現(xiàn)信號(hào)檢測(cè)。與傳統(tǒng)的CFAR檢測(cè)器相比，提高了檢測(cè)概率，避免了使用CFAR檢測(cè)器時(shí)背景雜波的相關(guān)性帶來的影響，改善了固定的CFAR檢測(cè)器適用于特定環(huán)境的局限性。

技術(shù)領(lǐng)域

本發(fā)明涉及雷達(dá)信號(hào)處理技術(shù)領(lǐng)域，特別涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的雷達(dá)信號(hào)檢測(cè)方法，可用于代替恒虛警檢測(cè)器實(shí)現(xiàn)信號(hào)檢測(cè)。

背景技術(shù)

在雷達(dá)信號(hào)處理中，一般使用恒虛警(CFAR)檢測(cè)器進(jìn)行信號(hào)檢測(cè)，即在恒定的虛警概率下根據(jù)雜波背景設(shè)置門限從而達(dá)到最大檢測(cè)概率的方法。而現(xiàn)如今，隨著戰(zhàn)場(chǎng)環(huán)境復(fù)雜多變，雷達(dá)檢測(cè)面臨的雜波背景越來越復(fù)雜。恒虛警檢測(cè)器往往是在特定的檢測(cè)背景中具有最佳檢測(cè)性能，且在各參考單元之間服從獨(dú)立同分布的假設(shè)條件下成立。實(shí)測(cè)時(shí)的背景雜波多變且它們之間可能具有較強(qiáng)的相關(guān)性，這使得恒虛警檢測(cè)器的檢測(cè)性能有所下降。

發(fā)明內(nèi)容

為了克服現(xiàn)有技術(shù)中的不足，本發(fā)明提供一種基于卷積神經(jīng)網(wǎng)絡(luò)的雷達(dá)信號(hào)檢測(cè)方法，傳統(tǒng)的雷達(dá)信號(hào)處理是利用二維恒虛警檢測(cè)，對(duì)脈沖多普勒處理得到的距離——多普勒頻譜進(jìn)行處理，而卷積神經(jīng)網(wǎng)絡(luò)是一種處理二維圖像數(shù)據(jù)的成熟工具，善于提取圖像中的特征信息，進(jìn)行圖像分類。為了增強(qiáng)雷達(dá)信號(hào)檢測(cè)器的普適性，進(jìn)一步提高信號(hào)處理系統(tǒng)的檢測(cè)能力，提出使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)距離——多普勒頻譜進(jìn)行分類，從而實(shí)現(xiàn)信號(hào)檢測(cè)的方法。

為了達(dá)到上述發(fā)明目的，解決其技術(shù)問題所采用的技術(shù)方案如下：

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，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(kù)，再對(duì)應(yīng)樣本做有、無目標(biāo)的標(biāo)簽；

步驟2：將信號(hào)檢測(cè)樣本數(shù)據(jù)庫(kù)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3：利用樣本數(shù)據(jù)庫(kù)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4：利用樣本數(shù)據(jù)庫(kù)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。

進(jìn)一步的，步驟1中，所述信號(hào)檢測(cè)樣本數(shù)據(jù)庫(kù)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(kù)，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)。

進(jìn)一步的，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。

進(jìn)一步的，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)；