System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于雷达探测,特别涉及一种目标检测技术。
技术介绍
1、目标检测在避免例如冰川和珊瑚礁的海洋障碍物以及国防安全中扮演中重要的角色。海杂波严重影响海上目标检测性能,是不可避免的环境因素。早期,根据回波幅值特征海杂波被建模为不同的统计分布,例如对数正态分布与k分布。然而,在实际环境中,海杂波是非均匀的,准确地模拟海杂波和目标是极其困难的。
2、卷积神经网络(convolutional neural networks,cnn)在杂波和目标的潜在特征提取方面取得了显着的成功,因此近几年提出的基于cnn的检测方法在公开数据集上相比传统检测方法有更好的检测性能。文献“false-alarm-controllable radar detectionfor marine target based on multi features fusion via cnns,ieee sensors j.,vol.21,no.7,pp.9099-9111,apr.2021.”针对海上复杂环境,提出了一种基于双通道cnn的虚警概率可控分类器。“nonhomogeneous sea clutter suppression using complex-valued u-net model,ieee geosci.remote sens.lett.,vol.19,art no.4027705,oct.2022.”使用回波幅度和相位信息,提出了一种基于复值u-net的杂波抑制方法,以提高海洋目标检测性能。
3、然而,以上方法均需要精
技术实现思路
1、为解决上述技术问题,本专利技术提出一种基于类别级标签学习的海上雷达目标检测方法,利用更少的已知信息,即类别级标签,可实现非均匀杂波背景下的目标检测。
2、本专利技术采用的技术方案为:一种基于类别级标签学习的海上雷达目标检测方法,包括:
3、s1、对雷达回波进行脉冲压缩与采样处理,脉冲压缩与采样处理后的雷达回波表示为:
4、y(p,q,l)=yt(p,q,l)+yc(p,q,l)+nw(p,q,l),l=1,2,…,l
5、其中,yt(p,q,l)为目标回波,yc(p,q,l)为海杂波回波,nw(p,q,l)为可加的零均值幅值高斯白噪声,l为采样后距离单元数;
6、s2、对步骤s1得到的数据进行人工打上类别级标签从而构造训练集,训练集表示为:p=1,2,…,p,q=1,2,…,q,y[i,:]表示目标回波yt(p,q,l)构成的采集数据y的第i行,gcls[i,:]表示人工打的类别级标签gcls的第i行;
7、s3、基于训练集对resnet模型进行训练;
8、s4、根据训练完成的resnet模型提取的特征生成噪声标签;
9、s5、基于训练集与步骤s4生成的噪声标签,对u-net模型进行训练;
10、s6、将测试集输入训练完成的u-net模型,得到距离单元级标签。
11、本专利技术的有益效果:本专利技术的一种基于类别级标签学习的海上雷达目标检测方法,可实现强杂波下的有效检测,仅需要类别级标签训练网络就可以学习到目标距离单元级位置。因此,本专利技术具有适应性强、鲁棒性高的优势,可以应用到现役雷达装备中。
本文档来自技高网...【技术保护点】
1.一种基于类别级标签学习的海上雷达目标检测方法,其特征在于,包括:
2.根据权利要求1所述的一种基于类别级标签学习的海上雷达目标检测方法,其特征在于,步骤S3具体实现过程为:
3.根据权利要求2所述的一种基于类别级标签学习的海上雷达目标检测方法,其特征在于,步骤S4具体实现过程为:
4.根据权利要求3所述的一种基于类别级标签学习的海上雷达目标检测方法,其特征在于,最低峰值门限Amin设置为类别热力图最大幅值的一半。
5.根据权利要求4所述的一种基于类别级标签学习的海上雷达目标检测方法,其特征在于,步骤S5的实现过程为:
【技术特征摘要】
1.一种基于类别级标签学习的海上雷达目标检测方法,其特征在于,包括:
2.根据权利要求1所述的一种基于类别级标签学习的海上雷达目标检测方法,其特征在于,步骤s3具体实现过程为:
3.根据权利要求2所述的一种基于类别级标签学习的海上雷达目标检测方法,其特征在于,步骤...
【专利技术属性】
技术研发人员:崔国龙,夏森林,汪育苗,臧传飞,陈星宇,郭世盛,孔令讲,杨晓波,
申请(专利权)人:电子科技大学,
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。