基于深度学习的海杂波中小目标检测方法技术

本发明专利技术提供一种基于深度学习的海杂波中小目标检测方法，训练过程中利用杂波模拟，使得

【技术实现步骤摘要】
基于深度学习的海杂波中小目标检测方法


[0001]本专利技术涉及目标检测技术，特别涉及海杂波中小目标的检测技术
。

技术介绍

[0002]雷达是主要的目标探测手段，工作原理是向探测区域发射电磁波，再根据反射回波来判断是否存在目标
。
海上的目标探测与地上探测不同，地上探测的背景较为固定，目标的反射回波与环境回波区别较大，但海面环境下，海浪随风速等因素不断变化，目标回波在变化的环境回波中难以区分，加之我们对海洋目标探测的需求越来越严苛，需要对潜望镜
、
无人机等小型目标进行检测，因此我们需要进一步探索更加高效，稳定的海面目标检测方法
。
[0003]海杂波中小目标的检测是对海探测监视的关键问题
。
传统的海面目标检测算法首先从抑制海杂波入手，主要基于杂波分布的先验假设进行抑制以提高信杂比，其后利用杂波与目标多普勒频率的差异实现目标的判决检测
。
然而，海杂波具有复杂的时变与动态特性，其统计分布呈现非高斯特性，先验假设常常难以匹配；此外，在风速较高，海浪较大的情本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于深度学习的海杂波中小目标检测方法，其特征在于，具体步骤为：
WaveGAN
模型训练过程：一方面，先对接收到的原始海杂波数据进行剔除远距离回波和目标数据后进行归一化处理，再对归一化处理后的海杂波数据进行距离维拆分，将距离维拆分后的海杂波数据进行抽取作为真实的海杂波的样本数据输入至判别器；另一方面，
WaveGAN
模型的生成器利用输入的高斯白噪声生成模拟杂波数据并输入
WaveGAN
模型的判别器；判别器对输入数据进行是否为真实的海杂波数据的二分类判别；训练过程中利用杂波模拟，使得判别器学习到的海杂波的深层特性；
WaveGAN
模型检测过程：对输入的待检测的回波信号进行距离维拆分后输入完成训练的判别器中，判别器进行是否为真实的海杂波数据的二分类判别；当判别器输出为真，即表示回波信号为海杂波，未检测到目标；当判别器输出为假，即表示回波信号为海杂波加目标，检测到目标
。2.
如权利要求1所述方法，其特征在于，生成器包括输入层
、
中间层和输出层，输入层由
Dense
全连接层
、
矩阵重整函数
reshape、
批归一化和
ReLu
激活函数级联而成；中间层包括4层重复结构，每一层由一维反卷积层
、
批归一化
batchnom
和
ReLu
激活函数级联而成；输出层由一维反卷积层和
tanh
激活函数级联而成；
WaveGAN
判别器包括输入层
、
中间层和输出层，输入层由一维卷积层和
LReLu
激活函数级联而成；中间层包括4层重复结构，每一层由一维卷积层和
LReLu
激活函数级联而成；输出层由矩阵重整函数
reshape
和
Dense
全连接层级联而成
。3.
如权利要求1所述方法，其特征在于，生成器输入层的
Dense
全连接层的卷积核为

【专利技术属性】
技术研发人员：张伟，赵星乐，尹浩州，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：