一种基于神经网络的杂波环境下低慢小目标检测方法技术

本发明专利技术属于雷达数据处理技术领域，提出一种基于神经网络的杂波环境下低慢小目标检测方法

【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基于神经网络的杂波环境下低慢小目标检测方法
。
[0005]为了解决上述技术问题，本专利技术提出的一种基于神经网络的杂波环境下低慢小目标检测方法，技术方案包括：
[0006](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；
[0007](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；
[0008](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；
[0009](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
。
[0010](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，提高雷达低慢小目标的检测能力
。
[0011]进一步的，步骤
(1)
所述的杂波和目标点迹数据特征主要包括：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，仰角质量等特征维度
。
原始数据集为：
其中
n,m
分别为数据数量和特征属性数量
。
[0012]进一步的，步骤
(2)
对点迹数据进行最小
‑
最大标准化方法为：其中
x
n
为标准化值，
x
min
和
x
max
分别为数据集各个不同属性值的最小值和最大值
。
消除了数据不同维度量纲不同造成的影响
。
[0013]进一步的，步骤
(3)
对数据集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
。
卷积神经网络
(CNN
，
Convolutional Neural Networks)
是深度学习框架，通过卷积和池化来处理和解释高维输入数据
。
结构分别为输入层，卷积层，池化层，激活层，全连接层和输出层
。CNN
通过学习核，参数共享策略和池化操作来处理高维数据，训练过程中学习参数的数量得到有效减少，防止网络出现过拟合的可能
。
卷积层是
CNN
的基础，包括学习核，特征过滤，卷积层通过卷积操作生成输入数据的特征映射
。
卷积过程为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
‑1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，
σ
(
·
)
为
Sigmoid
激活函数
。
卷积过程是线性转换，通过激活函数来处理非线性问题
。
卷积操作之后，在当前卷积层的输入特征映射和神经元进行点积运算，通过激活函数转换处理非线性问题
。
批正则化层：用来加速神经网络的运行过程，它将先前层的输出进行正则化
。
池化层输出矩阵为其中
a(u,v)
为池化层输入矩阵中第
u
行
v
列的值
。
池化层用来实现维度约减，它减少特征映射的空间大小，维度约减有助于网络从原始数据学习重要特征时保持转换过程的不变性
。
全连接层：全连接层是基本的人工前馈神经网络，通过卷积层生成的多维特征映射转换到一维向量
。
输出层在全连接层之后，评估每个输入属于某类的可能性，提供网络的预测函数
。
神经网络学习涉及最优化问题，最优算法调整权值和学习率来最小化预测损失
。
[0014]进一步的，步骤
(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
F
b
。LSTM
是循环神经网络算法，通过反馈连接学习序列依赖关系
。
相比于传统的循环神经网络方法，通过在记忆单元存储有用信息丢弃无用信息获得更好的效果
。LSTM
包含记忆单元，遗忘门，输入门和输出门
。
遗忘门
f
j
＝
σ
(w
f
[h
j
‑1,X
j
]+b
f
)
，
b
f
是遗忘门权值的偏置，
X
j
为输入数据，
h
j
‑1为上一隐藏层的状态值
。
输入门：
i
j
＝
σ
(w
i
[h
j
‑1,X
j
]+b
i
)
，
w
i
和
w
c
是输入门的权值，对应的偏置为...

【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：