[发明专利]基于杂波预分类的运动目标检测方法

说明书

一种基于杂波预分类的运动目标检测方法，其步骤是：对建立的训练集进行预处理；设置残差神经网络各层的初始参数；生成待检向量集和辅助向量集；将雷达杂波矩阵中的待检向量进行预分类，采用均值估计法、韦‑对协方差估计法和更新协方差估计法，分别计算预分类后的瑞利分布、韦布尔分布、对数正态分布和K分布的协方差矩阵，应用所估计的协方差矩阵计算待检向量的自适应检测统计量；根据检测统计量的大小确定是否存在运动目标。本发明提高了非匀质杂波下的运动目标检测性能，可应用于在实际复杂杂波目标检测场景发生变化时的杂波抑制和自适应运动目标检测。

技术领域

本发明属于通信技术领域，更进一步涉及信号处理技术领域中的一种基于杂波预分类的运动目标检测方法。本发明可用于雷达对实际复杂杂波场景中运动目标的自适应检测。

背景技术

实际复杂杂波场景中的运动目标检测是对雷达接收的回波数据进行信号建模，采用信号处理技术对雷达工作场景中感兴趣的目标进行检测。实际复杂杂波场景中的运动目标检测是雷达应用技术的重要组成部分，可以在卫星定位和民航控制中，识别目标，为目标定位、追踪提供精准信息，在军用和民用领域至关重要。目前，实际复杂杂波场景中的运动目标检测方法主要有广义似然比、Rao、自适应匹配滤波方法等，但上述方法中用来估计杂波协方差矩阵的雷达接收回波数据均未经杂波幅度模型预分类处理，导致杂波信号建模不够准确，给杂波抑制和运动目标检测带来困难。

何友，简涛，苏峰等人在其发表的论文“非高斯杂波协方差矩阵估计方法及CFAR特性分析”(《中国科学(信息科学)》)中公开了一种运动目标自适应检测方法。该方法利用雷达回波数据对未知的杂波协方差矩阵进行估计，以求得具有恒虚警率CFAR(ConstantFalse Alarm Rate)特性的目标检测器，并以上述检测器完成对实际杂波场景中运动目标的自适应检测。该方法采用的两种不同杂波协方差矩阵估计方法分别为：采样协方差矩阵SCM(Sample Covariance Matrix)和归一化采样协方差矩阵NSCM(Normalized SampleCovariance Matrix)。但是，该方法存在的不足之处是，两种协方差矩阵估计方法都仅针对一种杂波幅度分布进行杂波信号建模，当实际场景中存在服从其他幅度分布的杂波信号时，所建立的模型无法根据杂波特性进行灵活调节，导致杂波建模不够准确，杂波抑制效果不理想，该目标检测器并不能实现完全意义上的自适应目标检测。

中国人民解放军海军航空工程学院在其申请的专利文献“基于变参数广义结构的距离扩展目标自适应检测方法”(申请号：201710284894.5，申请公布号：CN 106932766A)中提出了一种运动目标自适应检测方法。该方法首先利用杂波信号的非高斯特征信息构建杂波协方差矩阵估计模型，然后利用特定杂波环境中现有运动目标检测统计量的共性特征和上述矩阵估计模型共同构建运动目标自适应检测器，实现雷达在实际杂波场景中对运动目标的自适应检测。但是，该方法仍然存在的不足之处是，在建立杂波协方差矩阵估计模型时，仅根据当前运动目标检测场景中杂波的非高斯特征信息进行信号建模，当运动目标检测场景发生变化时，所建立的杂波协方差矩阵估计模型难以快速与发生变化的运动目标检测场景相匹配，导致雷达信号处理实时性差，运动目标检测性能下降。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于杂波预分类的运动目标检测方法，旨在解决非匀质杂波环境下和目标检测场景发生变化时杂波抑制效果不理想和运动目标检测性能差的问题。

实现本发明目的的思路是，利用训练集中已知幅度特性的雷达杂波矩阵，在训练网络的过程中逐步更新残差神经网络的权重参数，使得网络能模仿人脑神经元的连接以及神经信号的传导，从而能充分考虑雷达杂波数据中可能存在的待检向量类型，并将其准确的分为瑞利分布、韦布尔分布、对数正态分布和K分布四类，再针对不同分布的待检向量分别采用均值估计法、韦-对协方差估计法和更新协方差估计法准确的估计其协方差矩阵；最后根据所估计的准确协方差矩阵计算每个待检向量的自适应检测统计量，实现对运动目标的检测。

其实现步骤包括如下：

步骤1，生成训练集：