【技术实现步骤摘要】
一种基于神经网络的杂波环境下低慢小目标检测方法
[0001]本专利技术属于雷达数据处理
。
技术介绍
[0002]无人机由于成本低,应用广泛以及对公共安全的潜在危险,已经成为越来越重要的雷达目标
。
小型无人机属于典型的低慢小目标,低慢小目标具有飞行高度低,飞行速度慢,目标雷达回波强度小,容易被周边环境遮挡,目标容易淹没在环境杂波中等特点
。
[0003]在复杂电磁环境或者强杂波环境下,雷达覆盖范围内会出现相当多不规则的由地物杂波群
、
点源和分布杂波构成的杂波区域,可能是地面建筑,山坡,电线杆等相对雷达静止的静态杂波,也可能是云雨
、
海浪
、
风吹摆动的树木等相对雷达运动的动态杂波
。
由于低慢小目标的雷达回波强度弱,多普勒频率较低
。
为了更好实现对低慢小目标的检测和跟踪,需要降低多普勒频率阈值,以及信噪比检测阈值,但是环境杂波和干扰目标也容易被检测出来,形成雷达虚警,同时低慢小目标的航迹形成将被影响,在显控界面可能产生杂波航迹,造成杂波和目标难以区分
。
因此滤除杂波点迹,对杂波进行抑制可以更好地提取目标,减少杂波起批和杂波航迹生成,实现对低慢小目标更好的检测和跟踪处理
。
技术实现思路
[0004]为克服现有技术中传统数据处理层面点迹先验信息处理对杂波分类的识别率较低,杂波滤除效果不好,雷达对低慢小目标检测能力较低的缺点,本专利技术提出了一种
【技术保护点】
【技术特征摘要】
1.
一种基于神经网络的杂波环境下低慢小目标检测方法,其特征在于:
(1)
将雷达杂波和低慢小目标的点迹数据作为训练样本,通过光电设备确认低慢小目标的真实类标签;
(2)
将步骤
(1)
中点迹数据进行预处理,消除数据不同维度量纲不同造成的影响;
(3)
对步骤
(2)
中的数据进行卷积神经网络处理,通过模型提取雷达单帧数据的非周期特征;
(4)
考虑帧间点迹数据的时序性,构建
LSTM
神经网络,对模型进行训练,获得帧间数据的周期性特征
。(5)
将神经网络输出的特征向量融合,得到雷达杂波和低慢小目标的分类结果,进而滤除杂波,抑制杂波起批,实现雷达低慢小目标的检测能力
。2.
根据权利要求1所述的一种基于神经网络的杂波环境下低慢小目标检测方法,其特征在于:所述步骤
(1)
中杂波和目标点迹数据包括:周期,时间,点迹方位,点迹距离,点迹仰角,多普勒速度,点迹幅度,仰角质量
。3.
根据权利要求1所述的一种基于神经网络的杂波环境下低慢小目标检测方法,其特征在于:所述步骤
(2)
对数据进行预处理为标准化处理
。4.
根据权利要求1所述的一种基于神经网络的杂波环境下低慢小目标检测方法,其特征在于:所述步骤
(3)
对每帧雷达点迹数据进行卷积神经网络处理,提取雷达单帧数据的非周期特征
F
a
,卷积过程为其中为第
l
层卷积运算得到的第
i
个输出特征映射,为第
l
层网络第
k
个卷积核的偏置值,为当前层预设的权值矩阵,池化层输出矩阵为
5.
根据权利要求1所述的一种基于神经网络的杂波环境下低慢小目标检测方法,其特征在于:所述步骤
(4)
构建
LSTM
神经网络模型,提取雷达多帧数据之间周期性...
【专利技术属性】
技术研发人员:田开严,张恒,汪浩,王锰,
申请(专利权)人:中国船舶集团有限公司第七二四研究所,
类型:发明
国别省市:
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。