[发明专利]基于图时空网络的雷达动目标多帧联合检测方法

权利要求书

1.基于图时空网络的雷达动目标多帧联合检测方法，其特征在于，包括如下：

(1)划分训练集X与测试集Y：

1a)获取多组高脉冲重复频率的单通道雷达数据，将每组数据沿方位向划分为若干帧，对每帧中的原始回波数据依次进行距离压缩和方位向傅里叶变换，得到场景的复距离多普勒谱；

1b)将连续N帧复距离多普勒谱作为一组数据,N＝5，并将每组按10:1的比例划分得到训练集X与测试集Y；

(2)构建用于从连续N帧复距离多普勒谱中进行动目标检测的神经网络模型：

2a)构建由一个卷积层、九个残差学习模块、两个全连接层以及一个Softmax层依次连接组成的子残差神经网络，该子残差神经网络的输入为连续N帧复距离多普勒谱，输出为N张对应的初步检测概率图；

2b)将N张初步检测概率图依次建模为图结构的数据，并根据此数据构建由时域卷积层、空域卷积层和输出层依次连接组成的子图时空网络；该子图时空网络的输入为N张初步检测概率图，输出为预测得到的第帧动目标检测概率图；

2c)将2a)和2b)设置的两个网络进行上下堆叠，得到用于从连续N帧复距离多普勒谱中进行动目标检测的神经网络模型；

(3)根据目标在距离多普勒谱中的尺寸，确定检测窗口的距离向长度l_r，距离向步长s_r，多普勒向长度l_f，多普勒向步长s_f，且距离向长度l_r大于目标在距离向的长度，多普勒向长度l_f大于目标在多普勒向的长度；依据这些参数计算得到距离向的窗个数K_r和多普勒向的窗个数K_f；

(4)对(2)中构建的神经网络进行训练：

4a)构建整个神经网络的损失函数：

L＝l₁+l₂

其中，l₁是子残差神经网络的损失函数，l₂是子图时空网络的损失函数。

其中，q_i表示子残差神经网络的第i个输出的检测概率，p_i表示第i个输出对应的标签数据，w_1j表示子残差神经网络的第j个权值，α为训练过程中设置的尺寸大小，A_i为最终检测概率图的像素值，B_i为真实检测概率图的像素值，w_2j表示子图时空网络的第j个权值；

4b)将训练集X输入到网络，采用后向传播算法不断更新网络权值，使得网络的损失函数值收敛，最终完成网络的训练；

(5)将测试集Y中的任意一组数据输入到已训练好的网络，得到网络的检测概率图；

(6)设置检测门限Ε，利用非极大值抑制算法对检测概率图中大于门限Ε的值进行局部抑制处理，得到动目标在距离多普勒谱中的位置，即动目标所在的距离门以及多普勒通道，完成雷达动目标的多帧联合检测。

2.根据权利要求1所述的方法，其中(2a)中子残差神经网络的各层结构及参数设置如下；

卷积层，输出特征图个数为16，卷积核尺寸为2×2，步长为1×1；

九个残差学习模块，按顺序堆叠，每个残差学习模块均由三个卷积层构成，卷积核尺寸均为2×2，其中第一个和第二个残差学习模块输出的三个特征图个数均为16、16、32，卷积核步长均为1×1；第三个残差学习模块输出的三个特征图个数为16、16、32，卷积核步长为1×1、2×2、1×1；第四个、第五个和第六个残差学习模块输出的三个特征图个数均为32、32、64，卷积核步长均为1×1；第七个和第八个残差学习模块输出的三个特征图个数均为64、64、128，卷积核步长均为1×1，第九个残差学习模块输出的三个特征图个数为64、64、128，卷积核步长为1×1、2×2、1×1；每个残差学习模块的输出f(x)由如下公式计算得到：

f(x)＝x+H(x)，

其中，x为残差学习模块输入数据降采样后的值，H(x)为模块学习得到的残差；

两个全连接层，其包含的神经元个数不同，第一个全连接层包含512个神经元，第二个全连接层包含64个神经元；

Softmax层，包含2个神经元。