[发明专利]基于信号结构信息的窄带雷达目标检测方法

说明书

本发明公开了一种基于信号结构信息的窄带雷达目标检测方法，主要解决窄带雷达目标检测因信息利用不足造成检测性能下降的问题。其实现方案是：1)利用目标存在和不存在时的窄带雷达回波，构建训练数据集；2)构建全卷积神经网络并将交叉熵损失函数设置为其代价函数；3)根据训练数据集和代价函数，使用最小批梯度下降法迭代训练全卷积神经网络；4)将待检测单元回波输入到训练好的全卷积神经网络，得到目标的检测结果。本发明通过全卷积神经网络提取目标回波信号的结构信息，能够获得在不同虚警概率的条件下，对不同信噪比目标更高的检测概率，可用于情报雷达、预警雷达中不同信噪比目标的检测。

技术领域

本发明属于通信技术领域，更进一步涉及窄带雷达目标检测方法，可用于情报雷达、预警雷达中不同信噪比目标的检测。

背景技术

窄带雷达应用中目标检测的主要任务是，决定窄带雷达各个检测单元的回波是否源于目标。随着人们对窄带雷达通信领域的不断深入了解，目标检测在该领域得到广泛的应用和发展，目前已有大量算法来实现目标检测。但是由于回波信号的结构信息难以使用解析的模型刻画，因而现有方法大多仅基于各个检测单元的幅度信息，由此造成的信息利用不充分使得目标检测面临性能损失。

电子科技大学在专利申请号为202011196999.3，申请公开号为CN112327285A的专利申请中提出了“一种扫描雷达的目标检测方法”，该方法首先运用反卷积技术对获取的实波束图像进行超分辨处理，并对超分辨结果进行滑窗预处理操作；再利用预处理结果的低秩特性和感兴趣目标的稀疏特性，构建目标函数，将稀疏目标检测问题转换为矩阵低秩稀疏分解的优化问题；然后通过对目标函数迭代求解，最终实现稀疏目标的检测。该方法由于其使用的超分辨算法对目标的信噪比要求较高，因而针对低信噪比目标的检测概率会发生下降。

南京理工大学在专利申请号为202010994601.4，申请公开号为CN111913158A的专利申请中提出了“复杂杂波背景下检测低慢小目标的雷达信号处理方法”。该方法首先对采样的动目标回波脉冲序列的每一距离单元内的慢时间数据序列进行谱分析获得多普勒域数据；再对多普勒域数据进行滑窗处理且获取每个参考窗中统计方差、统计均值，以及前后两个参考窗的统计均值比，并根据统计方差和统计均值判断每个参考窗内背景杂波的均匀性，根据背景杂波的均匀性选择对应的恒虚警检测算法获取参考窗内目标点迹；最终根据点迹信息获取目标的速度、俯仰、方位、距离。该方法由于在检测过程中仅使用了回波的幅度信息，并未考虑回波信号结构信息的利用，这种对已有信息的不充分利用会引起性能损失，进而造成检测概率下降。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于信号结构信息的窄带雷达目标检测方法，以提高目标的检测概率。

实现本发明目的的技术方案如下：

1.一种基于信号结构信息的窄带雷达目标检测方法，其特征在于，包括：

(1)构建训练数据集：

(1a)计算窄带雷达场景中目标回波结构信息在距离维覆盖的检测单元数量N_s；

(1b)分别获取目标存在和不存在时窄带雷达接收的回波信号；

(1c)根据目标存在时窄带雷达接收的回波信号和检测单元数量N_s，构造正样本数据集

(1d)根据目标不存在时窄带雷达接收的回波信号和检测单元数量N_s，构造负样本数据集

(1e)将数量相同的正样本数据集和负样本数据集组成训练数据集；

(2)构建一个依次由输入编码层、隐藏层和输出解码层组成的全卷积深度神经网络，并将交叉熵损失函数作为该网络的代价函数J(θ)；

(3)根据训练数据集和代价函数J(θ)，使用最小批梯度下降法对全卷积神经网络进行训练，得到训练好的全卷积神经网络；