一种基于卷积神经网络的海面弱目标探测方法和系统技术方案

本发明专利技术公开了一种基于卷积神经网络的海面弱目标检测方法及系统，属于雷达信号处理技术领域。本发明专利技术首先采集海面雷达回波信号，对雷达回波信号提取特征以得到海杂波的时域特征数据；再根据海杂波的时域特征数据构造时间‑距离‑幅值的二维图像；之后以所述二维图像为训练集/测试集，基于CNN训练恒虚警检测器，利用CNN自主提取的输入的所述二维图像的特征，依据所学习的特征对待检测的海杂波二维图像进行分类，并且根据雷达信号检测问题中的恒虚警检测要求，调整CNN以优化恒虚警检测器，实现对目标信号的精准检测。本发明专利技术结合海杂波图像构建与利用卷积神经网络设计检测器，在低信杂比、低虚警概率以及短观测时长下均能实现对海面弱目标的精准检测。

A Method and System for Detecting Weak Targets on Sea Surface Based on Convolutional Neural Network

【技术实现步骤摘要】
一种基于卷积神经网络的海面弱目标探测方法和系统
本专利技术属于雷达信号处理
，更具体地，涉及一种基于卷积神经网络的海面弱目标检测方法及系统。
技术介绍
海洋蕴含有丰富的资源，探索这片辽阔的宝藏自古以来就是人们孜孜不倦的追求。随着人们对于海洋的重视以及现代科技的发展，海水淡化技术、海面探测技术、深海探测技术、深海潜行技术、海洋通信技术、海洋遥感技术和海洋导航技术等海洋开发支撑技术也相继蓬勃发展。其中，海面探测技术在军用、民用领域有着至关重要的应用，与我们每个人的利益息息相关。而在诸多待探测的海面目标中，又以小尺寸目标、隐身目标、高机动目标和远距离目标等一系列回波信号弱的目标的探测最为困难，它们往往具有低可观测性，被统称为海面弱目标。在此背景下，海面弱目标探测技术的发展具有重要的理论价值和实际意义，引起了众多国内外学者对此的研究兴趣。当前，海面弱目标探测的研究方向主要分为以下三类：一是寻找一个精确的统计分布来拟合海杂波的幅值以检测目标；二是研究海杂波的非线性特性区别目标与杂波，其中，广为人知的有基于海杂波的分形特性的目标检测方法；三是人工提取海杂波的多种特征，在构建的高维特征空间中对目标信号与杂波信号进行分类。对海雷达进行海面弱目标探测往往面临着以下挑战：①复杂海洋环境产生的强杂波使得雷达接收的回波信号呈现非高斯、非线性、非平稳的性质，难以对雷达回波进行精准建模以检测目标信号；②单一维度的特征提取方法往往提供的本质信息有限，且容易受到海尖峰现象的影响，导致虚警概率难以降低；③海面弱目标本身回波信号弱且回波能量分散，容易被杂波信号所遮蔽，目标信号与杂波信号差异小，导致人工难以建立具有足够区分度的特征空间；④传统海面弱目标检测器往往采用单一门限的阈值分类方法，其在复杂多变的海况下会面临门限选择困难的问题，检测能力受限，难以实现精确探测。因此，对数据进行预处理以刻画目标信号与杂波信号的差异，进一步削弱海尖峰效应带来的影响，以及设计检测性能更为强大的检测器，增强实际场景下的检测性能成为了研究海面弱目标探测技术的两个关键问题。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于卷积神经网络的海面弱目标检测方法及系统，其目的在于海面弱目标的探测视为一个二分类问题，将海杂波数据转换为联合时空特性的二维图像以减弱海尖峰带来的影响，由此解决现有技术在复杂海况下弱目标识别难的技术问题。为实现上述目的，本专利技术提供了一种基于卷积神经网络的海面弱目标检测方法，所述方法具体包括以下步骤：(1)采集海面雷达回波信号，对雷达回波信号提取特征以得到海杂波的时域特征数据；(2)根据海杂波的时域特征数据构造时间-距离-幅值的二维图像；(3)以所述二维图像为训练集/测试集，基于CNN(卷积神经网络)训练恒虚警检测器，利用CNN自主提取的输入的所述二维图像的特征，依据所学习的特征对待检测的海杂波二维图像进行分类，并且根据雷达信号检测问题中要求的恒虚警检测，调整CNN以优化恒虚警检测器，实现对目标信号的精准检测。进一步地，所述步骤(2)具体为：用不同的灰度值对应时域特征数据中不同的幅值，以距离为纵轴，时间为横轴绘制用灰度值表示幅值的二维图像。进一步地，所述步骤(3)中包括以下子步骤：(31)调整CNN使其适应雷达信号检测要求，将虚警概率作为输入，根据虚警概率调整位于分类层的分类阈值，使得所设计的恒虚警检测器能在给定的恒虚警概率下识别目标图像，得到相应的检测概率；(32)根据具体的海况设定不同的参数以得到适应不同海况的网络模型，使得恒虚警检测器能够充分提取目标图像与杂波图像间的差异。按照本专利技术的另一方面，本专利技术提供了一种基于卷积神经网络的海面弱目标检测系统，所述系统包括以下部分：信号采集处理模块，用于采集海面雷达回波信号，对雷达回波信号提取特征以得到海杂波的时域特征数据；二维图像生成模块，用于根据海杂波的时域特征数据构造时间-距离-幅值的二维图像；恒虚警检测器生成模块，用于以所述二维图像为训练集/测试集，基于CNN训练恒虚警检测器；并且根据雷达信号检测问题中要求的恒虚警检测，调整CNN以优化恒虚警检测器，实现对目标信号的精准检测；弱目标检测模块，用于将待检测的海杂波二维图像输入至恒虚警检测器，恒虚警检测器依据所学习的特征对待检测的海杂波二维图像进行目标分类。进一步地，所述恒虚警检测器生成模块具体用于：用不同的灰度值对应时域特征数据中不同的幅值，以距离为纵轴，时间为横轴绘制用灰度值表示幅值的二维图像。进一步地，所述恒虚警检测器生成模块包括以下单元：第一优化单元，用于调整CNN使其适应雷达信号检测要求，将虚警概率作为输入，根据虚警概率调整位于分类层的分类阈值，使得所设计的恒虚警检测器能在给定的恒虚警概率下识别目标图像，得到相应的检测概率；第二优化单元，用于根据具体的海况设定不同的参数以得到适应不同海况的网络模型，使得恒虚警检测器能够充分提取目标图像与杂波图像间的差异。总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，具有以下有益效果：(1)本专利技术通过将一维的海杂波数据转换为二维图像，增强了对目标信号和杂波信号之间的差异性的刻画，一定程度上抑制了海尖峰效应带来的干扰，降低了目标检测的难度；(2)本专利技术通过卷积神经网络自主学习输入图像的特征，依赖此特征识别目标图像，避免人工提取特征构建特征空间；(3)本专利技术结合海杂波二维图像与卷积神经网络设计恒虚警检检测器，在低信杂比、低虚警概率以及短观测时长下均能实现对海面弱目标的精准检测。附图说明图1是本专利技术方法技术方案的总体结构示意图；图2是本专利技术中将数据映射为灰度值的示意图；图3是本专利技术实施例中基于时域特征的时间-距离-幅值图示例；图4是本专利技术实施例中基于频域特征的频率-距离-功率谱图示例；图5是本专利技术实施例中基于时频域特征的时间-多普勒速度-短时傅里叶变换图示例；图6是本专利技术实施例中基于卷积神经网络的检测器的结构示意图；图7是本专利技术实施例中不同平均信杂比下的检测概率；图8是本专利技术实施例中不同虚警概率下与不同观测时长的实验结果示意图；图9是本专利技术实施例中不同观测时长下CNN检测器与其他检测器的实验结果示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。由于海杂波形成的原因十分复杂，受到外部环境与雷达参数的多重影响，风速和海浪引起的海尖峰难以滤除，具有较强的干扰性，容易在雷达检测中造成虚警，是限制海面弱目标精确检测的重要瓶颈。在复杂海况下，采用单一门限的阈值分类方法难以选择合适的门限，检测能力受限。因此，本专利技术提出基于卷积神经网络的更先进的检测技术。现结合图像和实施例对本专利技术的方法流程进行详细说明，大概流程如图1所示，分为以下几个步骤：步骤一，对海杂波在时域、频域以及时频域上分析其具有区分度的特性，提取相应的特征：雷达回波数据的幅度分布反馈了待测海面的大量信息，海杂波的幅值为：x(n)＝|I+jQ|,n＝0,1,2,...,N-1其中，n表示采集次数，N-1本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的海面弱目标检测方法，其特征在于，所述方法具体包括以下步骤：(1)采集海面雷达回波信号，对雷达回波信号提取特征以得到海杂波的时域特征数据；(2)根据海杂波的时域特征数据构造时间‑距离‑幅值的二维图像；(3)以所述二维图像为训练集/测试集，基于CNN训练恒虚警检测器，利用CNN自主提取的输入的所述二维图像的特征，依据所学习的特征对待检测的海杂波二维图像进行分类，并且根据雷达信号检测问题中要求的恒虚警检测，调整CNN以优化恒虚警检测器，实现对目标信号的精准检测。

【技术特征摘要】
1.一种基于卷积神经网络的海面弱目标检测方法，其特征在于，所述方法具体包括以下步骤：(1)采集海面雷达回波信号，对雷达回波信号提取特征以得到海杂波的时域特征数据；(2)根据海杂波的时域特征数据构造时间-距离-幅值的二维图像；(3)以所述二维图像为训练集/测试集，基于CNN训练恒虚警检测器，利用CNN自主提取的输入的所述二维图像的特征，依据所学习的特征对待检测的海杂波二维图像进行分类，并且根据雷达信号检测问题中要求的恒虚警检测，调整CNN以优化恒虚警检测器，实现对目标信号的精准检测。2.根据权利要求1所述的一种基于卷积神经网络的海面弱目标检测方法，其特征在于，所述步骤(2)具体为：用不同的灰度值对应时域特征数据中不同的幅值，以距离为纵轴，时间为横轴绘制用灰度值表示幅值的二维图像。3.根据权利要求1所述的一种基于卷积神经网络的海面弱目标检测方法，其特征在于，所述步骤(3)中包括以下子步骤：(31)调整CNN使其适应雷达信号检测要求，将虚警概率作为输入，根据虚警概率调整位于分类层的分类阈值，使得所设计的恒虚警检测器能在给定的恒虚警概率下识别目标图像，得到相应的检测概率；(32)根据具体的海况设定不同的参数以得到适应不同海况的网络模型，使得恒虚警检测器能够充分提取目标图像与杂波图像间的差异。4.一种基于卷积神经网络的海面弱目标检测系统，其特征在于，所...

【专利技术属性】
技术研发人员：李渝舟，许桂桂，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北,42