【技术实现步骤摘要】
本专利技术涉及雷达目标检测领域。
技术介绍
1、传统雷达目标检测算法多基于能力特征对目标和背景加以区分，在海杂波、云雨杂波、电磁干扰等复杂环境中容易造成大量虚警。神经网络的出现有效提升了数据中特征挖掘的效率，将神经网络应用到雷达数据目标检测中，能够有效提取目标和杂波的特征信息。主流人工智能研究领域主要关注视觉图像等幅度信息，若将采用主流实数神经网络架构用于目标检测，需将雷达数据取模后再输入算法，造成大量信息丢失，不利于信息的有效利用。
技术实现思路
1、本专利技术提出了一种基于全复数卷积神经网络的雷达二阶段检测方法，能够有效挖掘雷达回波数据中的特征信息。
2、本专利技术使用低门限目标检测先实现目标定位候选，再使用全复数卷积神经网络确定最终目标位置，实现本专利技术目的的技术方案包括：
3、步骤1：输入雷达回波数据，经过信号处理后，依据其幅值进行低门限目标检测，根据点迹凝聚算法给出目标点迹候选位置信息；
4、步骤2：以点迹候选位置为中心，划定和宽截取雷达复数回波数据形成复数数据切片；
5、步骤3：对数据切片进行归一化操作；
6、步骤4：将归一化后的数据切片送入预先训练完成的复数卷积神经网络进行判决；
7、步骤5：保留真实目标点迹，剔除虚假目标点迹。
8、进一步的，低门限目标检测是指在传统能量检测器的基础上将判决门限降低后进行的目标检测。
9、进一步的，步骤1中的信号处理包括脉冲压缩、回波积累
10、进一步的，步骤3中的归一化操作由如下归一化方法中的一种或多种组成：
11、(1)对逐个点迹回波切片，计算切片所有元素模值的算术平均值切片中每一元素与该值作差；
12、(2)对逐个点迹回波切片，计算切片所有非零元素模值的几何平均值或所有元素模制的标准差，切片中每一元素与该值作商；
13、(3)对逐个图像切片，作平滑滤波操作。该操作等效于对逐个图像切片作二维傅里叶变换后进行低通滤波，最后利用二维傅里叶逆变换恢复图像切片。
14、进一步的，全复数卷积神经网络是指权值完全由复数组成、运算完全按照复数进行运算的卷积神经网络。
15、本专利技术与现有技术相比，其显著优点为：
16、保留了雷达回波中的完整数据信息，能够确保神经网络在信息完整的条件下实现特征提取。同时能够提高特征提取的效率，降低模型复杂度和对数据的依赖，提升模型的泛化性能。
17、下面结合附图对本专利技术做进一步详细的描述。
本文档来自技高网...【技术保护点】
1.一种基于全复数卷积神经网络的雷达二阶段检测方法，其特征在于：
2.根据权利要求1所述的一种基于全复数卷积神经网络的雷达二阶段检测方法，其特征在于：所述低门限目标检测为在传统能量检测器的基础上将判决门限按经验降低后进行的目标检测。
3.根据权利要求1所述的一种基于全复数卷积神经网络的雷达二阶段检测方法，其特征在于：所述步骤1中的信号处理包括脉冲压缩、脉冲多普勒处理、回波积累、杂波图，并用于后续处理。
4.根据权利要求1所述的一种基于全复数卷积神经网络的雷达二阶段检测方法，其特征在于：所述步骤3中的归一化操作由如下归一化方法中的一种或多种组成：
5.根据权利要求1所述的一种基于全复数卷积神经网络的雷达二阶段检测方法，其特征在于：全复数卷积神经网络是指权值完全由复数组成、运算完全按照复数进行运算的卷积神经网络。
【技术特征摘要】
1.一种基于全复数卷积神经网络的雷达二阶段检测方法，其特征在于：
2.根据权利要求1所述的一种基于全复数卷积神经网络的雷达二阶段检测方法，其特征在于：所述低门限目标检测为在传统能量检测器的基础上将判决门限按经验降低后进行的目标检测。
3.根据权利要求1所述的一种基于全复数卷积神经网络的雷达二阶段检测方法，其特征在于：所述步骤1中的信号处理包括脉冲压缩、脉冲多...
【专利技术属性】
技术研发人员：杨昊成，房善婷，陆赢，匡华星，
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。