[發明專利]一種基于深度學習的雷達海雜波原始數據快速預處理方法

有效

• 申請號: 202011113016.5
• 申請日: 2020-10-16
• 公開（公告）號: CN112068085B
• 公開（公告）日: 2022-05-06
• 發明（設計）人: 張金鵬;張玉石;夏曉云;張浙東;李清亮;朱秀芹;胡健;趙鵬
• 申請（專利權）人: 中國電波傳播研究所（中國電子科技集團公司第二十二研究所）
• 主分類號: G01S7/36
• 分類號: G01S7/36;G01S7/40;G01S13/88
• 代理公司: 青島博雅知識產權代理事務所(普通合伙) 37317
• 代理人: 封代臣

1.一種基于深度學習的雷達海雜波原始數據快速預處理方法，其特征在于，包括如下步驟：

步驟1，將駐留模式、不同雷達參數和海洋環境參數條件下的若干組海雜波原始數據解碼、脈壓，每組數據的IQ兩通道數據構成海雜波復數矩陣C[k,g]，其中k表示脈沖數索引，g表示距離門索引，對上述矩陣求絕對值后繪制距離門-脈沖數幅度圖，并保存為JPG圖像，其中圖像像素固定為W*H，colorbar的色度值范圍固定為[c_min,c_max]，若干幅規范化的JPG圖像組成海雜波原始數據幅度圖數據集；

步驟2，針對海雜波幅度圖數據集中的每張距離門-脈沖數幅度圖，進行純化海雜波數據區域的人工標注，標注準則包括：雜噪比大于10dB；剔除雷達盲區對應的距離門數據，最大距離門按下式計算：式中，c代表光速，τ代表雷達脈沖寬度，r_g代表每個距離門的寬度；根據AIS船舶自動識別系統信息及其它輔助信息，剔除海面目標信號；剔除同頻電磁干擾條帶；雷達回波幅度隨距離連續平穩下降；

通過人工標注，得到純化海雜波數據區域的距離門g和脈沖數k位置坐標，表示為起點坐標(k_min,g_min)和終點坐標(k_max,g_max)，根據步驟1保存的JPG圖像像素大小W*H，轉換為像素點坐標(x_min,y_min)和(x_max,y_max)，轉換方法為：

式中，K和G分別表示海雜波原始數據復數矩陣C[k,g]包含的總脈沖數和距離門數，將像素點坐標保存為標簽文本文件，且與JPG圖像文件同名；

步驟3，采用隨機不放回抽樣方式，對海雜波原始幅度圖數據集及相應的標簽文件，劃分為訓練集、驗證集和測試集，其中訓練集占70％，驗證集占10％，測試集占20％，將包含訓練數據文件名的訓練集文件命名為train.txt，包含驗證數據文件名的驗證集文件命名為val.txt，包含測試數據文件名的測試集文件命名為test.txt；

步驟4，構建Faster RCNN圖像目標檢測深度學習網絡，用于海雜波原始數據幅度圖的預處理，具體包括：

步驟41，配置用于圖像特征提取的深度卷積網絡結構：選用VGG16卷積神經網絡的前端所有卷積層作為基礎網絡，提取海雜波原始數據幅度圖中不同區域數據的特征，形成的特征圖共享給后端的區域建議網絡和分類回歸網絡使用，共享的基礎卷積網絡包括13個卷積層、13個ReLu激活層和4個池化層，輸出的特征圖深度為512；

步驟42，在上述共享卷積網絡的基礎上，構建區域建議網絡RPN，用于從海雜波原始數據幅度圖中提取候選框，以便純化海雜波數據的候選區域，PPN網絡的輸出包含兩路，一路是候選框屬于純化海雜波和非純化海雜波的概率，另一路是與候選框位置回歸相關的4個參數的預測值，在得到初步候選框后，采用非極大值抑制NMS方法，選取300個候選框作為最終的純化海雜波數據區域候選框；

步驟43，將共享卷積網絡提取的特征圖和RPN層提取的區域候選框輸入ROI Pooling層，實現候選框到共享特征圖區域的映射，并進一步將相應的特征圖區域進行相同尺度的最大池化操作，池化后的特征圖尺度設置為7×7；

步驟44，在ROI池化得到的固定大小特征圖基礎上，構建分類和回歸全連接網絡，輸出純化海雜波數據區域的分類概率和坐標位置；

步驟5，將海雜波原始數據幅度圖訓練集輸入步驟4構建的Faster RCNN圖像目標檢測深度學習網絡，開展網絡模型訓練，訓練過程中對網絡正向傳播預測的純化海雜波數據區域進行后置約束，包括雜波比約束為大于10dB，雷達盲區約束為海雜波最大距離不能小于最大盲區距離門，最后通過最小化損失函數，得到網絡各層的最優權重參數，損失函數包括純化海雜波區域與非海雜波區域的分類損失和候選框位置的回歸損失，用下式表示：

式中，i表示一個訓練批次中候選框樣本的索引，p_i為預測為純化海雜波區域的概率，為純化海雜波區域的標簽概率，其值在當候選框為正樣本時等于1，反之等于0，t_i表示預測框的平移縮放參數，表示標簽標定框的參數化坐標，L_cls為分類損失，可表示為L_reg為邊界框回歸損失，可表示為smooth_L1(t-t^*)，是一個魯棒的L1損失，N_cls和N_reg分別表示一個訓練批次的樣本數和回歸框的數量，λ為權重參數，取值為10；

步驟6，將海雜波原始數據幅度圖驗證集輸入Faster RCNN預處理網絡，評估純化海雜波數據區域的檢測準確率，當檢測框與真實標記框的交并比IOU大于0.5時，則判定為檢測正確，若整個驗證集的準確率不滿足要求，則調整網絡超參數，進一步訓練；

步驟7，將海雜波原始數據幅度圖測試集中的海雜波幅度圖，逐一輸入訓練好的FasterRCNN圖像目標檢測深度學習網絡，預測得到每幅海雜波原始數據幅度圖中純化海雜波數據區域的位置坐標(x_min,y_min)和(x_max,y_max)，并通過步驟2給出的關系式，計算得到在海雜波距離門-脈沖數幅度數據矩陣中純化海雜波數據區域的坐標(k_min,g_min)和(k_max,g_max)，對上述區域坐標實施雜噪比和雷達盲區約束，實現純化海雜波數據區域的預測，完成海雜波原始數據的快速預處理。