【技术实现步骤摘要】
基于双通道卷积神经网络虚警可控的雷达目标检测方法
本专利技术属于雷达信号处理
，更具体地，本专利技术涉及一种基于双通道卷积神经网络虚警可控的雷达目标检测方法，可用于雷达目标检测智能处理。
技术介绍
雷达目标的检测与分类在军事和民用等领域有广泛应用，但受复杂环境产生的杂波或噪声以及目标类型多样化的影响，可靠和稳健的雷达目标检测和分类始终是需要研究的关键技术之一。目前雷达目标的检测与识别的难点主要在于背景抑制、目标高分辨特征提取、复杂特征分类等。传统的检测方法通常基于统计理论，将背景视为随机过程，但由于目标和背景模型的多样化趋势，该方法在复杂背景下难以实现高性能检测。近年来迅速发展的深度学习方法是一种高效的智能处理方法，该方法适合挖掘更高维度的抽象特征，具有良好的泛化能力，并且在雷达领域开始得到应用。基于深度学习和多普勒雷达的人体姿态识别方法已用于手势指令识别、步态识别、异常姿态(如跌落、溺水)检测等领域。此外，在高分辨距离像、微多普勒谱图和距离多普勒谱图等识别中也有非常好的应用前景。目前常用的深度学习模型包括卷积神经网络(ConvolutionalNeural...
【技术保护点】
1.基于双通道卷积神经网络虚警可控的雷达目标检测方法，其特征在于，包括以下步骤：步骤一、雷达回波信号预处理，用信号时频信息和幅度信息构建训练数据集；步骤二、构建双通道卷积神经网络模型，包括双通道特征提取网络，特征融合网络和虚警可控分类器；步骤三、输入训练数据集对双通道卷积神经网络模型进行迭代优化训练，得到最优网络参数和判决阈值；步骤四、对实时雷达回波信号预处理，输入训练后的双通道卷积神经网络模型进行测试，完成目标检测。
【技术特征摘要】
1.基于双通道卷积神经网络虚警可控的雷达目标检测方法，其特征在于，包括以下步骤：步骤一、雷达回波信号预处理，用信号时频信息和幅度信息构建训练数据集；步骤二、构建双通道卷积神经网络模型，包括双通道特征提取网络，特征融合网络和虚警可控分类器；步骤三、输入训练数据集对双通道卷积神经网络模型进行迭代优化训练，得到最优网络参数和判决阈值；步骤四、对实时雷达回波信号预处理，输入训练后的双通道卷积神经网络模型进行测试，完成目标检测。2.根据权利要求1所述的基于双通道卷积神经网络虚警可控的雷达目标检测方法，其特征在于，步骤一所述的雷达回波信号预处理方法为：采集多种观测条件和区域下的雷达回波数据，分离目标所在距离单元信号和背景距离单元信号时间序列，根据设定样本观测时长对雷达信号时间序列截取，得到信号样本序列，对每个信号样本序列分别进行时频分析和取模运算，得到样本的时频信息和幅度信息，并对幅度信息进行归一化。3.根据权利要求2所述的基于双通道卷积神经网络虚警可控的雷达目标检测方法，其特征在于，步骤一所述的训练数据集构建方法为：训练数据集包含多个信号样本矩阵和对应标签，根据目标的位置信息，判断各个时刻雷达信号中目标回波所处的距离单元，将该距离单元数据取出，作为目标数据，用于构建目标训练样本；除目标单元、目标单元相邻的距离单元以外的数据为背景数据，用于构建背景样本；每个样本矩阵包括信号时频图和幅度向量两部分，时频图为方阵，幅度向量为1维数组，当时频图不进行压缩时，幅度向量长度与时频图边长相等，直接将时频图和幅度向量上下拼接构成信号样本矩阵：其中，xsample为数据样本，tf为时频图，amp为幅度向量；当时频图进行压缩时，将幅度向量后补0至压缩后时频图边长的整数倍，然后将补0后的幅度向量截取成多个长度与时频图边长相等的序列并上下拼接，再将压缩后的时频图和截取拼接后的幅度向量上下进行拼接：4.根据权利要求1所述的基于双通道卷积神经网络虚警可控的雷达目标检测方法，其特征...
【专利技术属性】
技术研发人员：陈小龙，苏宁远，陈宝欣，关键，陈唯实，
申请(专利权)人：中国人民解放军海军航空大学，中国民航科学技术研究院，
类型：发明
国别省市：山东,37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。