[發(fā)明專利]一種在復合高斯雜波環(huán)境下的MIMO雷達動目標檢測方法

有效

• 申請?zhí)枺?/td>: 202110394023.5
• 申請日: 2021-04-13
• 公開（公告）號: CN113189556B
• 公開（公告）日: 2022-05-03
• 發(fā)明（設計）人: 葉沙兵;何茜;王小瑞
• 申請（專利權）人: 電子科技大學;電子科技大學長三角研究院（衢州）
• 主分類號: G01S7/41
• 分類號: G01S7/41
• 代理公司: 電子科技大學專利中心 51203
• 代理人: 陳一鑫

1.一種在復合高斯雜波環(huán)境下的MIMO雷達動目標檢測方法，該方法包括：

步驟1：針對MIMO雷達系統(tǒng)將N個接收機接收到的信號采樣值按順序排列成一列，構成接收信號r；

其中，

r_n＝[r_n[1],...,r_n[K]]^T

＝(S_n⊙A_n)(η_n⊙ζ_n)+c_n

η_n＝[η_n1,...,η_nM]^T

ζ_n＝[ζ_n1,...,ζ_nM]^T

S＝Diag{S₁,...,S_N}

S_n＝[s_n[1],...,s_n[K]]^T

s_n[k]＝[s_n1[k],...,s_nM[k]]^T

s_nm[k]＝s_m(kT_s-τ_nm)

A＝Diag{A₁,...,A_N}

A_n＝[a_n[1],...,a_n[K]]^T

a_n[k]＝[a_n1[k],...,a_nM[k]]^T

G＝Diag{g₁,...,g_N}

待檢測單元(CUT)的位置是(x₀,y₀)，若目標物體存在，假設其在觀測間隔內不離開待檢測單元，其速度為(v_x,v_y)；M為MIMO雷達系統(tǒng)發(fā)射天線的個數(shù)，N為MIMO雷達系統(tǒng)接收天線的個數(shù)；第m個發(fā)射天線的發(fā)射信號在kT_s時刻的采樣值為其中E_m為發(fā)射信號功率，T_s為采樣時間間隔，k是采樣數(shù)字，s_m表示發(fā)射信號，⊙表示哈達瑪積，第m個發(fā)射天線和目標物體的距離為d_tm，第n個接收天線和目標物體的距離為d_rn，P₀是當d_tm＝d_rn＝1時接收功率和發(fā)射功率的比例，τ_nm代表對應路徑的時延，ζ_nm代表對應路徑的目標物體反射系數(shù)，f_nm表示對應路徑的多普勒平移，c_n[k]表示雜波加噪聲；雜波加噪聲向量c_n服從復合高斯分布，可表示為其中，紋理分量b_n為非負的隨機變量，散斑分量g_n是K維零均值空間白的復高斯向量，方差為∑₀；

步驟2：構建檢測問題：

H₀:r＝Gb

H₁:r＝(S⊙A)(η⊙ζ)+Gb

其中，H₀代表沒有目標存在的信號模型，H₁代表目標存在時的信號模型；

將上述檢測問題轉換成二元分類問題

r＝ε(S⊙A)(η⊙ζ)+Gb,

其中，ε為該二元檢測問題的標簽，ε＝0等價于H₀，ε＝1等價于H₁；

步驟3：根據(jù)接收信號模型產生數(shù)據(jù)和對應標簽，構成訓練集和測試集；

步驟4：構建特定結構的全連接神經網絡，其中，隱藏層使用線性修正單元(ReLU)作為激活函數(shù)，輸出層使用sigmoid激活函數(shù)；利用何愷明初始化方法對網絡可訓練參數(shù)進行初始化；

步驟5：利用對網絡進行訓練，使用的損失函數(shù)為交叉熵損失函數(shù)；

其中，φ是網絡可訓練參數(shù)的集合，P是訓練樣本個數(shù)，ε^(p)是第p個訓練數(shù)據(jù)的標簽，z^(p)是第p個訓練數(shù)據(jù)樣本對應的全連接神經網絡的輸出；訓練過程中使用Adam作為優(yōu)化器；網絡可訓練參數(shù)的第q次迭代為：

其中，為訓練損失L_φ(ε,z)對φ的梯度在φ＝φ^(q-1)處的取值，α^(q)＞0為學習率；給定一個預先設置的值δ，當訓練誤差的絕對值小于δ時，訓練迭代停止，此時得到優(yōu)化后的FCN網絡參數(shù)φ^*；考慮到為NP檢測，基于給定的虛警概率P_fa，用訓練數(shù)據(jù)中標簽對應ε＝0的數(shù)據(jù)來確定門限γ_FCN；

步驟6：將測試數(shù)據(jù)輸入全連接神經網絡，得到對應的輸出z，并將z與門限γ_FCN相比較，得到最終的檢測結果

檢測概率的計算公式如下：

其中，num(ε＝1)為測試數(shù)據(jù)中對應標簽為ε＝1的數(shù)據(jù)個數(shù)，為標簽為ε＝1的測試數(shù)據(jù)中，能被FCN正確判決的數(shù)據(jù)個數(shù)；

步驟7：采用訓練好的全連接神經網絡對復合高斯雜波環(huán)境中的動目標物體進行檢測。