[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

说明书

本发明涉及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，属于雷达信号处理技术领域。首先，对雷达回波距离向脉压，存储距离‑脉冲二维回波数据；然后，通过时频变换，构建时频图训练数据集；建立改进的6层卷积神经网络，输入训练数据集对模型进行迭代优化训练，得到最优的网络参数；最后，将雷达待检测距离单元回波经时频变换输入经过训练的改进卷积神经网络中，判别该单元是否存在运动目标，并同时对运动类型进行分类，实现检测和分类一体化处理。本发明专利能智能学习和提取动目标雷达信号特征，适用于复杂环境和不同运动类型目标，可降低处理时间和硬件成本。

技术领域

本发明属于雷达信号处理技术领域，更具体地，本发明涉及一种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，可用于雷达运动目标检测和分类智能处理。

背景技术

雷达作为目标探测和监视的主要手段，在公共安全以及国防安全领域应用广泛。然而受复杂环境以及目标复杂运动特性的影响，目标回波极其微弱，具有低可观测性，使得雷达对杂波背景下动目标的探测性能难以满足实际需求。杂波中低可观测动目标检测技术成为关键制约因素，也是世界性难题。雷达低可观测动目标主要包括“低(低掠射角)、慢(慢速运动目标)、小(小尺寸目标)、快(机动目标)、隐(隐身目标)”等，无论是在时域还是在频域，回波信杂比(Signal-to-clutter Ratio,SCR)都很低，难以实现稳健、可靠和快速的检测。

传统的动目标检测(Moving Target Detection,MTD)方法仅适用于匀速运动目标，针对强杂波和干扰条件下的机动目标检测，雷达回波将不满足传统信号处理中平稳性要求，导致MTD方法失效。受目标运动以及雷达资源的限制，有效提取信号特征并用于检测成为亟需解决的问题。亟需发展和研究大数据量高效以及适用于多分量信号分析的方法和手段。

近年来，随着人工智能的兴起与蓬勃发展，深度学习在智能信号处理领域得到了越来越广泛的研究与应用，其中卷积神经网络(Convolutional Neural Network,CNN)在图像识别、目标检测方面更是具有巨大的优势，相比于传统目标检测的特征提取方法例如尺度不变特征变换(Scale-invariant feature transform，SEFT)，和特征分类方法例如支持向量机(Support Vector Machine，SVM)，卷积神经网络的特征学习更丰富，表达能力更强。卷积神经网络能够通过卷积核对图像的卷积自动提取图像特征，从而实现良好的目标识别功能，并获得较高的检测成功率。1989年加拿大多伦多大学教授LeCun等人提出了卷积神经网络，2012年Hinton改进了网络的训练方式后，卷积神经网络在图像目标检测方面得到了巨大的突破并且得到了广泛应用。考虑到动目标回波可建模为调频信号，因此可以使用时频分析方法进行有效的分析，转化为时频二维图后即可采用深度学习网络来进行图像处理，从而完成动目标的检测与分类。

发明内容

本发明的目的在于将卷积神经网络应用于雷达动目标信号处理领域，实现检测和分类一体化处理，提高雷达动目标检测和分类性能，提出一种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。其中要解决的技术问题包括：

(1)现有动目标检测方法受杂波影响较大，低信杂比条件检测性能差；

(2)基于变换域的雷达动目标检测方法多为参数搜索和匹配积累方法，运算量大且当变换基函数与目标运动状态不匹配时，性能下降明显；

(3)基于统计模型的检测方法仅在假设的统计模型条件下性能才能达到最优，难以适应变化多样的复杂背景和多类型目标场景；

(4)现有目标分类方法，如SVM对大规模样本难以实施，需要耗费大量时间，同时对于解决多分类问题存在困难。

(5)传统雷达目标检测和分类流程复杂，需要先检测后分类，花费时间长。

本发明所述的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技术措施：