[发明专利]基于深度学习的高速机动目标检测方法

说明书

本发明公开了一种基于深度学习的高速机动目标检测方法，主要解决现有高速机动目标检测方法中的脉冲压缩信噪比损失和难以相参积累的问题。其技术方案为：构造单脉冲检测网络训练数据集，使用交叉熵代价函数和反向传播算法对单脉冲检测网络进行训练；构造融合网络训练数据集,使用交叉熵代价函数和反向传播算法对融合网络进行训练；将待检测的回波数据输入训练好的单脉冲检测网络并得到网络输出，将该输出再输入训练好的融合网络得到目标的检测结果。本发明减小由目标速度引起的脉冲压缩信噪比损失，克服距离走动导致的相参积累困难，提高在低信噪比条件下的高速机动目标检测性能；并降低计算复杂度，可用于对高速机动目标进行检测。

技术领域

本发明属于雷达技术领域，涉及目标检测方法，可用于对高速机动目标进行检测。

背景技术

航空航天技术的不断发展使得越来越多的高速、机动目标出现在雷达探测领域，对于此类目标，通过传统的脉冲压缩和动目标检测MTD方法提高雷达探测性能将面临如下问题：一方面是目标高速运动带来的回波脉内多普勒调制，导致脉冲压缩时有较高的信噪比损失；另一方面是在相参积累时需要校正目标速度引起的一阶距离走动和加速度引起的距离弯曲RC，补偿目标加速度引起的多普勒走动DFM。针对距离走动的问题，R.Tao研究了做加速运动的高速目标相参积累过程中的距离走动与多普勒走动效应，分析了目标发生距离走动与多普勒走动的临界条件，并提出了基于缩放处理和分数阶傅里叶变换SPFRFT的距离走动校正和多普勒走动补偿算法。J.Su针对高速目标相参积累检测问题，提出了基于KT和去调频处理的校正补偿算法实现了目标能量的相参积累。M.Xing提出了基于KT与最小熵准则的高速机动目标相参积累与运动参数估计算法，并分析了运动参数估计误差对相参积累性能的影响。C.Pang研究了高信噪比和低信噪比两种情况下的距离走动校正与多普勒走动补偿算法，指出高信噪比时可以先采用二维中值滤波校正距离走动，然后通过瞬时互相关方法估计出目标的加速度并补偿多普勒走动；低信噪比下则还需要结合分数阶傅里叶变换与离散多项式变换。在AR算法的基础上，X.Rao提出了基于改进AR与分数阶傅里叶变换IAR-FRFT的匀加速目标相参积累算法。

上述算法由于对回波信号的输入信噪比要求较高，不适用于低信噪比下的目标相参积累；并且由于具有较高的计算复杂度，不利于工程实现。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于深度学习的高速机动目标检测方法，以减小由目标速度引起的脉冲压缩信噪比损失，克服距离走动导致的相参积累困难，提高在低信噪比条件下的高速机动目标检测性能；并降低计算复杂度，以利于工程实现。

实现本发明目的的技术方案，包括如下：

1)构造单脉冲检测网络训练数据集，对单脉冲检测网络进行训练：

1a)对所有的雷达回波数据按照快时间沿行排列，慢时间沿列排列得到M个行数为G、列数为P的复矩阵{U_m}_m＝1,...,M，G≥1，P≥1,并以滑窗的形式对每个复矩阵进行分解得到N个长度为L的复数向量{e_n}_n＝1,...,N；

1b)将每个复数向量e_n转换为归一化特征累积矢量q_n，再将q_n的实部和虚部分别作为矩阵的第一行和第二行，并将该矩阵记为x_n；假设已知回波数据中所有目标所在的距离门，根据e_n的第一个距离单元内是否存在目标产生对应的标号y_n，即y_n取1表示e_n的第一个距离单元内有目标，取0则表示无目标；将集合{x_n,y_n}_n＝1,...,N作为单脉冲检测网络的训练数据集；