[发明专利]基于分割网络的虚警可控雷达目标检测方法

权利要求书

1.一种基于分割网络的虚警可控雷达目标检测方法，其特征在于包括，

步骤一：对雷达AR谱数据的真实目标回波区域进行像素标注，获得真实目标像素标签，再根据像素标签采用点迹凝聚操作获得真实目标位置；按真实目标位置设定矩形尺寸标签，得到目标训练样本；将雷达AR谱数据未标注区域作为杂波训练样本；

步骤二：构建虚警可控的轻量化U-Net分割网络模型，并利用目标训练样本和杂波训练样本对网络参数进行迭代优化训练，得到训练后分割网络模型；

所述轻量化U-Net分割网络模型基于可微分纽曼皮尔逊准则设置关于网络参数的可微分纽曼皮尔逊损失函数，包括监督损失函数项和正则损失函数项；首先基于监督损失函数项对网络参数进行预训练；再基于监督损失函数项和正则损失函数项对网络参数进行微调训练；得到训练后分割网络模型；

步骤三：采用训练后分割网络模型对实时雷达AR谱数据进行目标区域的检测，再根据目标区域检测结果采用点迹提取器提取目标位置，实现虚警可控的目标检测；

步骤二中可微分纽曼皮尔逊损失函数L(θ)为：

式中L_S(θ)为监督损失函数项，L_R(θ)为正则损失函数项，λ为正则项系数，为可微分的目标检测概率，为可微分的虚警概率，α为期望的虚警概率水平；

基于监督损失函数项L_S(θ)采用训练样本对网络参数进行预训练；再基于监督损失函数项L_S(θ)和正则损失函数项L_R(θ)采用训练样本对网络参数进行微调训练；得到训练后分割网络模型，训练后分割网络模型的判决阈值为0.5；

设置可微分的目标检测概率和可微分的虚警概率如下：

式中N_s为小批次训练中训练样本的个数；为神经网络对第i个训练样本z_i类别标签的预测值；表示第i个训练样本z_i对应的真实标签；ε为常数；

训练样本z_i具有N_a×N_r尺寸，N_a为训练样本的回波角度维单元数量，N_r为训练样本的距离维单元数量；

其中vec(·)为将矩阵转化为列向量的矢量化操作；为尺寸为N_aN_r×1的列向量，其元素都为1；||·||₁表示向量的1范数。

2.根据权利要求1所述的基于分割网络的虚警可控雷达目标检测方法，其特征在于，

ε取值为1。

3.根据权利要求1所述的基于分割网络的虚警可控雷达目标检测方法，其特征在于，

正则项系数λ的确定方法包括：

设置正则项系数λ的取值使网络参数微调训练阶段初始化时监督损失函数项L_S(θ)和λ·L_R(θ)值相同或为相同量级。

4.根据权利要求3所述的基于分割网络的虚警可控雷达目标检测方法，其特征在于，

期望的虚警概率水平α设置为：

式中为每个训练样本的真实期望虚警概率，M×M为雷达AR谱数据回波中每个真实目标回波对应的矩形尺寸标签的尺寸；2/(1×10^-4)表示每个训练样本在虚警概率为1×10^-4时存在2个杂波虚警。

5.根据权利要求4所述的基于分割网络的虚警可控雷达目标检测方法，其特征在于，在网络参数训练过程中，对正则损失函数项L_R(θ)进行动态调整，动态调整方法包括：

一)选择最优网络参数采用训练样本构成的验证集评估真实检测概率P_d和真实虚警概率P_fa，采用可微分纽曼皮尔逊损失函数L(θ)的不可导形式选择在最小损失值下对应的最优网络参数

二)改变正则损失函数项L_R(θ)的期望的虚警概率水平α：

在分割网络模型训练的初始阶段，设置α值为α₀；当真实虚警概率P_fa大于真实期望虚警概率时，改变α值为α_I，使真实虚警概率P_fa不大于真实期望虚警概率

α_I-1为第I-1次网络训练迭代时的α值，α_I为第I次网络训练迭代时的α值，λ₁为第I次网络训练迭代时的变化步长。