基于时频域信号二维差异性特征的智能目标检测方法技术

本发明专利技术公开了一种基于时频域信号二维差异性特征的智能目标检测方法，从时频维对目标二维差异性特征进行分析，提出了一种基于目标时频域二维差异性特征的智能目标检测算法，并结合目标特征对算法性能评价指标进行了优化。第一步，通过构建时频二维图训练样本数据集，为智能目标检测方法提供训练样本；第二步，利用训练集样本标签信息，构建基于时频域信号二维差异性特征的标签数据集；第三步，搭建智能目标检测方法的深度神经网络模型及基于二维数据的损失函数模型，并设定网络模型参数；第四步，利用标签数据集和深度神经网络输出信息对网络模型参数进行迭代更新，直到训练结果收敛满足需求；最后，对二维预测信息进行处理，得到目标检测结果，并基于目标标签特征对模型性能进行评价。本发明专利技术的优点是：利用信号时频域二维差异性特征，对模型更新策略及评价方法进行优化，能够实现智能目标检测方法在快速收敛的同时实现精度提升，有利于提升雷达导引头的智能化目标检测性能并提供高精度、高可靠性评价。价。价。

【技术实现步骤摘要】
基于时频域信号二维差异性特征的智能目标检测方法


[0001]本专利技术涉及人工智能目标检测领域，本专利技术设计一种时频域信号二维差异性特征的智能目标检测方法。

技术介绍

[0002]深度学习算法可以通过多次迭代和函数映射的方式学习到选择并提取样本特征的能力，再对提取到特征进行检测，可以有效提高目标检测算法准确性，提升模型性能。在目标检测领域，深度学习算法的最初胜利是在2014年由R.Girshick等人提出的RCNN模型，可谓目标检测领域的开创性算法。在该算法中首次提出了二阶段目标检测框架，成为此后数年间的主流检测思想。该模型通过启发式搜索提取目标的候选区域，然后将所有候选区域作为输入送进卷积网络AlexNet中提取特征向量，分类使用SVM和偏移量使用线性回归，最终得到精确的类别检测边界框作为结果。该算法框架摒弃了传统目标检测人工级特征加滑动窗口这类计算复杂度高、耗时长、特征表达能力弱的方法，将速度和精度提高到新的水平，成为之后众多深度学习目标检测器的奠基性模型。在深度学习目标检测中，除了候选框生成的二阶段检测器之外，还有一阶段的目标检测算法。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时频域信号二维差异性特征的智能目标检测方法，其特征在于，所述方法包括以下步骤：第一步，获取信号时频域二维数据和智能目标检测任务；第二步，根据所述信号时频域二维数据，构建时频二维图的训练样本数据集；第三步，根据所述训练样本数据集，构建基于信号二维差异性特征的标签数据集；第四步，根据所述智能目标检测任务，搭建智能目标检测方法的深度神经网络模型；第五步，设定所述深度神经网络模型的参数，并根据所述训练样本数据集和标签数据集对深度神经网络模型的参数进行迭代更新，得到智能目标检测模型；第六步，将所述目标检测任务输入所述智能目标检测模型，得到目标检测结果。2.根据权利要求1所述的方法，其特征在于，所述获取信号时频域二维数据包括：构建用于深度神经网络模型训练的海量复杂场景回波信号时频二维图样本仿真数据，将所述时频二维图样本仿真数据作为信号时频域二维数据。3.根据权利要求2所述的方法，其特征在于，所述第二步，所述根据所述信号时频域二维数据，构建时频二维图的训练样本数据集包括：根据据已知目标的距离和速度信息对信号时频域二维数据进行标定；将已标定的信号时频域二维数据作为时频二维图的训练样本数据集，用于智能化算法训练。4.根据权利要求3所述的方法，其特征在于，所述第六步，将所述目标检测任务输入所述智能目标检测模型，得到目标检测结果包括：将所述目标检测任务输入所述智能目标检测模型，得到二维预测信息，二维预测信息进行处理，得到目标检测结果。5.根据权利要求4所述的方法,其特征在于，所述第六步中，所述将所述目标检测任务输入所述智能目标检测模...

【专利技术属性】
技术研发人员：徐惠灵，尚政国，苏琪雅，赵青，于沐尧，蔺震，
申请(专利权)人：北京遥感设备研究所，
类型：发明
国别省市：