一种基于深度学习的自进化雷达目标检测算法制造技术

一种基于深度学习的自进化雷达目标检测算法，涉及雷达信号处理。雷达数据的特征处理；雷达目标检测基础模型设计；双视图协同训练算法应用于模型自进化。采用深度学习方法实现了雷达目标检测，同时通过所提出的协同训练双视图算法实现雷达目标检测模型能力的自进化。建立在深度学习与机器学习的基础上，可提升雷达识别能力，实用性强，可移植性强，充分利用雷达数据流实现检测能力的可靠提升，能够实现减小人力损耗的半监督学习的需求。

【技术实现步骤摘要】
一种基于深度学习的自进化雷达目标检测算法
本专利技术涉及雷达信号处理，尤其是涉及一种基于深度学习的自进化雷达目标检测算法。
技术介绍
雷达目标检测技术作为雷达领域的核心技术，不管在军事领域还是在民用领域都有着非常重要的意义，因此一直都备受科研工作者的重视。传统的雷达目标检测都是采用滤波和跟踪的方法，在低信噪比情况下会有较为严重的虚警和漏检现象。同时，传统的雷达目标检测技术还需要人为根据雷达信号特征去设计滤波器，花费较大的人工损耗。深度学习具有强大的非线性特征表达能力，可以通过大量数据自动化抽取其中的关键特征，并且在各类识别任务中，深度学习算法优于传统算法的性能，因此，可以将深度学习应用于雷达目标检测中。此外，由于受到天气、雷达硬件老化等因素的影响，雷达数据会随着时间的改变发生一些变化，初始训练的深度学习模型可能会不适用于后续的数据，因此需要使用新的数据不断训练模型，使模型随着数据变化而不断进化。模型的进化需要大量有标签样本数据参与模型训练，虽然雷达数据容易获取，但是需要专家进行人工标注，代价非常大，有效利用这些大量的无标签样本提高目标检测能力，实现分类器模型的自进化显得非常重要。雷达目标检测技术研究对于提升雷达目标检测效果，保证雷达可靠性及鲁棒性具有重大意义，具有广阔的应用前景及深刻地社会价值。
技术实现思路
本专利技术的目的在于提供可提升雷达识别能力，充分利用雷达数据流实现检测能力的可靠提升，减少人力损耗的一种基于深度学习的自进化雷达目标检测算法。本专利技术包括以下步骤：1)雷达数据的特征处理；2)雷达目标检测基础模型设计；3)双视图协同训练算法应用于模型自进化。在步骤1)中，所述雷达数据的特征处理的具体步骤如下：第一步：为了利于深度学习进行准确的特征学习，对采集到的雷达数据进行特征处理，分别加入空间特征、时间特征以及运动特征；首先以待检测点为中心从周围背景信息中取一个3×3大小的区域，将该区域内所有信息组成一个区域信息集合，同时，联合背景信息计算检测点中心区域的相关指标，所述相关指标包括波动值、SNR值及幅度值；第二步：为了更利于深度模型学习，将深度学习所要学习的内容由雷达检测数据的待检测点形式转换为待检测路径形式，即考虑时间特征，具体操作是以待检测点为路径尾端，在上一雷达检测周期中寻找一定距离内的待检测点，由三个相邻周期的相邻待检测点组成一条路径，再加上速度与加速的运动特征；第三步：为了解决奇异点以及降低强度敏感性对深度学习模型学习带来的负面影响，对由第一步计算所得的雷达数据特征值进行奇异点剔除以及min-max归一化，min-max归一化为：通过对原始数据的线性变换，使数据映射到[0～1]之间。由于样本数据中每个维度代表不同的特征，而且特征间的数量级差别较大，归一化方式采用每个特征独立归一化，而不是特征间统一归一化。在步骤2)中，所述雷达目标检测基础模型设计的具体方法如下：第一步：为了充分利用雷达数据流中海量的无标签样本，采用深度置信网络(DBN)作为深度学习模型，因为深度置信网络模型可以利用无标签数据进行对模型初始参数的预训练，同时，DBN作为生成模型，可以对样本比例不均衡的数据分布也进行合理的建模，符合雷达数据正负样本不均衡的特点，其中包含一个输入层、两个隐藏层以及一个输出层，所述输入层大小为路径单元特征数，所述两个隐藏层大小分别为160，200，代表这一层特征图的维度，所述输出层大小为分类的种类数目；第二步：在DBN训练过程中，对网络模型增加dropout优化，dropout即在训练阶段，随机的按照一定的比例关闭一些神经元，而在测试阶段使用全部神经元测试，这样做的目的是让模型只利用到一部分特征的条件下仍然能做出正确的判断，最后测试阶段相当于多个模型的融合，增加了模型的鲁棒性，此外，该模型在使用随机梯度下降的过程中，增加动量项，避免模型陷入局部极小值。在步骤3)中，所述双视图协同训练算法应用于模型自进化的具体方法如下：第一步：为了解决传统自进化过程中容易陷入过拟合困境的问题，选择双视图协同训练的方法，首先是在数据预处理阶段进行不同视图处理，第一个视图是单个原始数据的信息，包括数据的信噪比、各滤波器幅值等信息，第二个视图是步骤1)中所得到的雷达目标的运动路径信息，以此达到对相同数据的不同特征处理，即不同的数据处理方式会把数据映射到不同的空间分布从而具有不同的区分特征；第二步：为了实现雷达目标检测模型识别能力的提升，需要扩大训练集数据规模以增强模型识别能力，采用的方法是当不同学习器视图的雷达目标检测模型在判断一定数量的雷达数据后，根据模型判断给出的分类置信度，通过价值函数计算公式从中选择一定数量的可靠雷达数据样本添加到对方的训练集中；第三步：利用第二步得到的新的训练集重新微调训练深度学习模型。本专利技术采用深度学习方法实现了雷达目标检测，同时通过所提出的协同训练双视图算法实现雷达目标检测模型能力的自进化。本专利技术建立在深度学习与机器学习的基础上，本专利技术可提升雷达识别能力，实用性强，可移植性强，充分利用雷达数据流实现检测能力的可靠提升，能够实现减小人力损耗的半监督学习的需求。附图说明图1为基于DBN的雷达目标检测算法模型结构图。图2为双视图协同训练算法框图。图3为样本关联过程示意图。图4为0709目标检测率-杂波抑制率走势图。图5为0709目标检测效果图。图6为0710目标检测率-杂波抑制率走势图。图7为0710目标检测效果图。图8为0711目标检测率-杂波抑制率走势图。图9为0711目标检测效果图。图10为表1对应折线图。图11为表2对应折线图。图12为表3对应折线图。图13为表4对应折线。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面对本专利技术对本专利技术实施方式作进一步地详细描述：本专利技术包括以下步骤：1)雷达数据的特征处理，具体步骤如下：第一步：为了利于深度学习进行准确的特征学习，对采集到的雷达数据进行特征处理，分别加入空间特征、时间特征以及运动特征；首先以待检测点为中心从周围背景信息中取一个3×3大小的区域，将该区域内所有信息组成一个区域信息集合，同时，联合背景信息计算检测点中心区域的相关指标，所述相关指标包括波动值、SNR值及幅度值；第二步：为了更利于深度模型学习，将深度学习所要学习的内容由雷达检测数据的待检测点形式转换为待检测路径形式，即考虑时间特征，具体操作是以待检测点为路径尾端，在上一雷达检测周期中寻找一定距离内的待检测点，由三个相邻周期的相邻待检测点组成一条路径，再加上速度与加速的运动特征；第三步：为了解决奇异点以及降低强度敏感性对深度学习模型学习带来的负面影响，对由第一步计算所得的雷达数据特征值进行奇异点剔除以及min-max归一化，min-max归一化为：通过对原始数据的线性变换，使数据映射到[0～1]之间。由于样本数据中每个维度代表不同的特征，而且特征间的数量级差别较大，归一化方式采用每个特征独立归一化，而不是特征间统一归一化。2)雷达目标检测基础模型设计，具体步骤如下：第一步：为了充分利用雷达数据流中海量的无标签样本，采用深度置信网络(DBN)作为深度学习模型，因为深度置信网络模型可以利用无标签数据进行对模型初始参数的预训练，同时，DBN作为生成模型，可以对样本比例不均衡本文档来自技高网...

【技术保护点】
1.一种基于深度学习的自进化雷达目标检测算法，其特征在于包括以下步骤：1)雷达数据的特征处理；2)雷达目标检测基础模型设计；3)双视图协同训练算法应用于模型自进化。

【技术特征摘要】
1.一种基于深度学习的自进化雷达目标检测算法，其特征在于包括以下步骤：1)雷达数据的特征处理；2)雷达目标检测基础模型设计；3)双视图协同训练算法应用于模型自进化。2.如权利要求1所述一种基于深度学习的自进化雷达目标检测算法，其特征在于在步骤1)中，所述雷达数据的特征处理的具体步骤如下：第一步：对采集到的雷达数据进行特征处理，分别加入空间特征、时间特征以及运动特征；首先以待检测点为中心从周围背景信息中取一个3×3大小的区域，将该区域内所有信息组成一个区域信息集合，同时，联合背景信息计算检测点中心区域的相关指标，所述相关指标包括波动值、SNR值及幅度值；第二步：将深度学习所要学习的内容由雷达检测数据的待检测点形式转换为待检测路径形式，即考虑时间特征，具体操作是以待检测点为路径尾端，在上一雷达检测周期中寻找一定距离内的待检测点，由三个相邻周期的相邻待检测点组成一条路径，再加上速度与加速的运动特征；第三步：对由第一步计算所得的雷达数据特征值进行奇异点剔除以及min-max归一化，min-max归一化为：通过对原始数据的线性变换，使数据映射到[0～1]之间，归一化方式采用每个特征独立归一化。3.如权利要求1所述一种基于深度学习的自进化雷达目标检测算法，其特征在于在步骤2)中，所述雷达目标检测基础模型设计的具体方法如下：第一步：采用深度置信网络作为深度学习模型，深度置信网络模型利用无标签数据进行对模型初始参数的预...

【专利技术属性】
技术研发人员：丁兴号，黄悦，王继天，余宪，文艺，
申请(专利权)人：厦门大学，
类型：发明
国别省市：福建,35