[发明专利]一种在复合高斯杂波环境下的MIMO雷达动目标检测方法

权利要求书

1.一种在复合高斯杂波环境下的MIMO雷达动目标检测方法，该方法包括：

步骤1：针对MIMO雷达系统将N个接收机接收到的信号采样值按顺序排列成一列，构成接收信号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}

待检测单元(CUT)的位置是(x₀,y₀)，若目标物体存在，假设其在观测间隔内不离开待检测单元，其速度为(v_x,v_y)；M为MIMO雷达系统发射天线的个数，N为MIMO雷达系统接收天线的个数；第m个发射天线的发射信号在kT_s时刻的采样值为其中E_m为发射信号功率，T_s为采样时间间隔，k是采样数字，s_m表示发射信号，⊙表示哈达玛积，第m个发射天线和目标物体的距离为d_tm，第n个接收天线和目标物体的距离为d_rn，P₀是当d_tm＝d_rn＝1时接收功率和发射功率的比例，τ_nm代表对应路径的时延，ζ_nm代表对应路径的目标物体反射系数，f_nm表示对应路径的多普勒平移，c_n[k]表示杂波加噪声；杂波加噪声向量c_n服从复合高斯分布，可表示为其中，纹理分量b_n为非负的随机变量，散斑分量g_n是K维零均值空间白的复高斯向量，方差为∑₀；

步骤2：构建检测问题：

H₀:r＝Gb

H₁:r＝(S⊙A)(η⊙ζ)+Gb

其中，H₀代表没有目标存在的信号模型，H₁代表目标存在时的信号模型；

将上述检测问题转换成二元分类问题

r＝ε(S⊙A)(η⊙ζ)+Gb,

其中，ε为该二元检测问题的标签，ε＝0等价于H₀，ε＝1等价于H₁；

步骤3：根据接收信号模型产生数据和对应标签，构成训练集和测试集；

步骤4：构建特定结构的全连接神经网络，其中，隐藏层使用线性修正单元(ReLU)作为激活函数，输出层使用sigmoid激活函数；利用何恺明初始化方法对网络可训练参数进行初始化；

步骤5：利用对网络进行训练，使用的损失函数为交叉熵损失函数；

其中，φ是网络可训练参数的集合，P是训练样本个数，ε^(p)是第p个训练数据的标签，z^(p)是第p个训练数据样本对应的全连接神经网络的输出；训练过程中使用Adam作为优化器；网络可训练参数的第q次迭代为：

其中，为训练损失L_φ(ε,z)对φ的梯度在φ＝φ^(q-1)处的取值，α^(q)＞0为学习率；给定一个预先设置的值δ，当训练误差的绝对值小于δ时，训练迭代停止，此时得到优化后的FCN网络参数φ^*；考虑到为NP检测，基于给定的虚警概率P_fa，用训练数据中标签对应ε＝0的数据来确定门限γ_FCN；

步骤6：将测试数据输入全连接神经网络，得到对应的输出z，并将z与门限γ_FCN相比较，得到最终的检测结果

检测概率的计算公式如下：

其中，num(ε＝1)为测试数据中对应标签为ε＝1的数据个数，为标签为ε＝1的测试数据中，能被FCN正确判决的数据个数；

步骤7：采用训练好的全连接神经网络对复合高斯杂波环境中的动目标物体进行检测。