基于杂波预分类的运动目标检测方法技术

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

【技术实现步骤摘要】
基于杂波预分类的运动目标检测方法


[0001]本专利技术属于通信
，更进一步涉及信号处理
中的一种基于杂波预分类的运动目标检测方法。本专利技术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。

技术介绍

[0002]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。
[0003]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(Constant False 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 Sample Covariance 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。
[0004]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 106932766 A)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。

技术实现思路

[0005]本专利技术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。
[0006]实现本专利技术目的的思路是，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。
[0007]其实现步骤包括如下：
[0008]步骤1，生成训练集：
[0009](1a)选取至少10000个已知幅度特性的雷达杂波矩阵组成数据集；对矩阵集中的每个雷达杂波矩阵进行标注，将所有的标签文件组成标签集；将数据集和标签集组成训练样本集；
[0010](1b)在区间[0，1]内，为训练样本集中的每个矩阵随机生成一个实数；
[0011](1c)将对应实数值在区间[0.5，1]内的每个矩阵，分别以该矩阵的中心列和中心行为轴，依次将该矩阵在水平和垂直方向翻转后得到训练集；
[0012]步骤2，训练残差神经网络：
[0013]设置残差神经网络中各层的参数；将训练集输入到残差神经网络中，利用交叉熵损失函数，计算网络的输出与输入矩阵的标签之间的交叉熵损失值，通过随机梯度下降算法SGD迭代更新网络参数，直到交叉熵损失函数收敛为止，得到训练好的残差神经网络；
[0014]步骤3，生成待检向量和辅助向量集：
[0015](3a)将实测雷达接收的杂波回波数据生成N
×
(K+L)维的回波矩阵,其中,N表示雷达在时间维发射的采样脉冲的总数，K表示辅助距离门的总数，L表示待检距离门的总数；
[0016](3b)将杂波回波矩阵中对应待检距离门的每一列元素组成一个待检向量，其维度为N
×
1，将所有待检向量组成待检向量集；
[0017](3c)将杂波回波矩阵中除待检向量所在列外的每一列元素组成一个辅助向量，其维度为N
×
1，将所有辅助向量组成辅助向量集；
[0018]步骤4，对雷达杂波矩阵进行预分类：
[0019]将待检向量集和辅助向量集分别输入到训练好的残差神经网络中，输出待检向量集和辅助向量集中每个向量的瑞利分布、对数正态分布、韦布尔分布和K分布四个概率值，将每个向量中最大概率值对应的分布类型作为该向量的分布类型；
[0020]步骤5，根据预分类的类型估计协方差矩阵：
[0021](5a)从辅助向量集中选出所有服从瑞利分布的向量，利用均值估计公式，估计服从瑞利分布的协方差矩阵；
[0022](5b)从辅助向量集中选出所有服从韦布尔分布或对数正态分布的向量，利用归一化估计公式，估计服从韦布尔分布或对数正态分布的协方差矩阵；
[0023](5c)从辅助向量集中选出所有服从K分布的向量，采用迭代估计法，估计服从K分布的协方差矩阵；
[0024]步骤6，根据预分类的类型计算待检向量的自适应检测统计量：
[0025](6a)按照下式，计算每个服从瑞利分布的待检向量的自适应检测统计量：
[0026][0027]其中，表示第a个服从瑞利分布向量的自适应检测统计量，|
·
|表示取模操作，y
a
表示第a个服从瑞利分布的向量，a表示服从瑞利分布的向量的序号，(
·
)
H
表示取共轭转置操作，s表示导向矢量，s＝[1,
…
,e
‑
j
·
0.2
·
π
·
(N
‑
1)
]，e
(
·
)
表示以e为底的指数操作，表示服从瑞利分布的协方差矩阵本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于杂波预分类的运动目标检测方法，其特征在于，利用残差神经网络对实际复杂杂波场景下的雷达杂波数据进行预分类，基于预分类结果分别对服从不同幅度分布的杂波数据建立不同的杂波协方差矩阵；该方法的步骤包括如下：步骤1，生成训练集：(1a)选取至少10000个已知幅度特性的雷达杂波矩阵组成数据集；对矩阵集中的每个雷达杂波矩阵进行标注，将所有的标签文件组成标签集；将数据集和标签集组成训练样本集；(1b)在区间[0，1]内，为训练样本集中的每个矩阵随机生成一个实数；(1c)将对应实数值在区间[0.5，1]内的每个矩阵，分别以该矩阵的中心列和中心行为轴，依次将该矩阵在水平和垂直方向翻转后得到训练集；步骤2，训练残差神经网络：设置残差神经网络中各层的参数；将训练集输入到残差神经网络中，利用交叉熵损失函数，计算网络的输出与输入矩阵的标签之间的交叉熵损失值，通过随机梯度下降算法SGD迭代更新网络参数，直到交叉熵损失函数收敛为止，得到训练好的残差神经网络；步骤3，生成待检向量和辅助向量集：(3a)将实测雷达接收的杂波回波数据生成N
×
(K+L)维的回波矩阵,其中,N表示雷达在时间维发射的采样脉冲的总数，K表示辅助距离门的总数，L表示待检距离门的总数；(3b)将杂波回波矩阵中对应待检距离门的每一列元素组成一个待检向量，其维度为N
×
1，将所有待检向量组成待检向量集；(3c)将杂波回波矩阵中除待检向量所在列外的每一列元素组成一个辅助向量，其维度为N
×
1，将所有辅助向量组成辅助向量集；步骤4，对雷达杂波矩阵进行预分类：将待检向量集和辅助向量集分别输入到训练好的残差神经网络中，输出待检向量集和辅助向量集中每个向量的瑞利分布、对数正态分布、韦布尔分布和K分布四个概率值，将每个向量中最大概率值对应的分布类型作为该向量的分布类型；步骤5，根据预分类的类型估计协方差矩阵：(5a)从辅助向量集中选出所有服从瑞利分布的向量，利用均值估计公式，估计服从瑞利分布的协方差矩阵；(5b)从辅助向量集中选出所有服从韦布尔分布或对数正态分布的向量，利用归一化估计公式，估计服从韦布尔分布或对数正态分布的协方差矩阵；(5c)从辅助向量集中选出所有服从K分布的向量，采用迭代估计法，估计服从K分布的协方差矩阵；步骤6，根据预分类的类型计算待检向量的自适应检测统计量：(6a)按照下式，计算每个服从瑞利分布的待检向量的自适应检测统计量：其中，表示第a个服从瑞利分布向量的自适应检测统计量，|
·
|表示取模操作，y
a
表示第a个服从瑞利分布的向量，a表示服从瑞利分布的向量的序号，(
·
)
H
表示取共轭转置操
作，s表示导向矢量，s＝[1,
…
,e
‑
j
·
0.2
·
π
·
(N
‑
1)
]，e
(
·
)
表示以e为底的指数操作，表示服从瑞利分布的协方差矩阵，(
·
)
‑1表示取逆操作；(6b)按照下式，计算每个服从韦布尔分布或对数正态分布的待检向量的自适应检测统计量：其中，表示第b个服从韦布尔分布或对数正态分布向量的自适应检测统计量，y
b
表示...

【专利技术属性】
技术研发人员：高永婵，张晨，叶舟，吕宇宙，方明，潘丽燕，左磊，毛琳琳，
申请(专利权)人：上海航天电子通讯设备研究所，
类型：发明
国别省市：