[发明专利]基于时频图卷积神经网络的雷达动目标检测与分类一体化方法

权利要求书

1.基于时频图卷积神经网络的雷达动目标检测与分类一体化方法，其特征在于，包括以下步骤：

步骤一、雷达回波距离向脉压，得到距离-脉冲二维数据；

步骤二、时频变换生成时频图，构建训练数据集；

步骤三、建立卷积神经网络模型；

步骤四、根据反向传播算法和误差损失函数，输入训练数据集对模型进行迭代优化训练，得到最优的卷积神经网络网络参数；

步骤五、将雷达待检测距离单元回波时频变换，输入经过训练的卷积神经网络进行测试，判别该单元是否存在运动目标，并同时对目标运动类型进行分类，实现检测和分类一体化处理；

所述雷达回波距离向脉压，得到距离-脉冲二维数据，具体包括：

在相参雷达接收端，将接收并经过放大和限幅处理后得到的雷达回波数据进行距离向和方位向采样，距离向采样间隔等于雷达距离分辨单元，方位向采样频率等于脉冲重复频率；

对距离向的雷达回波数据进行解调处理；

将解调后的雷达回波数据进行脉冲压缩处理，得到脉内积累后的雷达回波数据；

根据脉内积累后的雷达回波数据得到距离-脉冲二维数据；

所述运动类型包括匀速运动、匀加速和匀减速运动、变加速运动、高机动、周期性调频微动；

对于匀变速运动目标，解调和脉压后得到匀变速运动目标的瞬时频率：

对于匀速运动目标，解调和脉压后得到匀速运动目标的瞬时频率：

对于非匀速运动目标，解调和脉压后得到非匀速运动目标的瞬时频率：

对于微动目标，解调和脉压后得到微动目标的瞬时频率：

步骤三所述的卷积神经网络，包括6层，分别是两个卷积层，两个池化层，一个全局平均池化层和一个全连接层；

步骤三所述卷积神经网路模型中的激活函数采用ELU激活函数，

其中，x为经卷积层卷积后输出的特征图矩阵，α为调节参数；

步骤三所述卷积神经网路模型中的全局平均池化方法为：

其中，表示对输入特征图y₁进行整体平均运算，输出一维特征向量y₂；

步骤四所述的误差损失函数采用交叉熵函数，计算方法为：

第n个样本的交叉熵函数为

其中，表示卷积神经网络预测的第n个样本第j类的检测概率，表示第n个样本第j类的真实检测概率，q为类别数，当输入样本数为N时，总误差函数为

使用梯度下降法对参数进行不断的迭代优化，直到损失函数最小，则从第六层全连接层开始迭代公式如下，

(1)参数k的迭代

①偏一阶矩估计的更新

②偏二阶矩估计的更新

③偏修正一阶矩的偏差

④偏修正二阶矩的偏差

⑤完成一次迭代的更新

其中，V_kl为参数k第l次迭代的偏一阶矩估计；S_kl为参数k第l次迭代的偏二阶矩估计；为参数k第l次迭代的偏修正一阶矩的偏差；为参数k第l次迭代的偏修正二阶矩的偏差；分别代表第六层第l次迭代后的卷积核参数；α为学习率，控制卷积神经网络梯度下降的速度，可取默认值0.001；β₁为的加权平均数一阶矩调节参数，默认值0.9；β₂为二阶矩调节参数，默认值为0.999，初始值V_k0为0，S_k0为0；ε是一个为了防止分母为0的常数，取值10^-8；

(2)参数b的迭代

①偏一阶矩估计的更新

②偏二阶矩估计的更新

③偏修正一阶矩的偏差

④偏修正二阶矩的偏差

⑤完成一次迭代的更新

其中，V_bl为参数b第l次迭代的偏一阶矩估计；S_bl为参数b第l次迭代的偏二阶矩估计；为参数b第l次迭代的偏修正一阶矩的偏差；为参数b第l次迭代的偏修正二阶矩的偏差；分别代表第六层第l次迭代后的偏置参数；初始值V_b0为0，S_b0为0；

第二层、第四层和第五层均为池化层，无需进行反向传播训练，第三层、第一层卷积层的反向传播迭代跟第六层流程相同。