基于卷积神经网络的雷达单目标检测方法、系统和设备技术方案

本发明专利技术公开了一种基于卷积神经网络的雷达单目标检测方法、系统和设备，属于雷达目标检测技术领域。该雷达单目标检测方法首先对雷达回波数据进行预处理，包括正交相位检波脉压等得到目标的一维快时间距离序列。然后将其适当变形作为输入数据图像，并将全零矢量和零一矢量作为输出标签进行分类训练。利用卷积神经网络进行训练，并适当调整超参数，使得输入与输出标签误差满足要求，得到训练网络参数。最后利用该网络参数对接收数据进行目标检测和距离参数估值。通过仿真实验证明，本发明专利技术中的方法与传统的雷达目标检测方法相比，该方法在准确率和实时性等方面都有明显的优势。

【技术实现步骤摘要】

本专利技术涉及雷达目标检测，尤其涉及基于卷积神经网络的雷达单目标检测方法、系统和设备。

技术介绍

1、神经网络是一个高度复杂的非线性学习系统，可用于预测建模、自适应控制和通过数据集进行训练。人工神经网络已被成功应用于自主机器人、雷达与通信等领域的语音识别、图像分析和自适应控制。常见的神经网络有bp神经网络、径向基神经网络、感知器神经网络、自组织神经网络和反馈神经网络等。深度卷积神经网络(deep convolutionalneural network，dcnn)是一种特殊的神经网络，它由多个卷积层、池化层和全连接层组成。这种网络结构在处理图像和视频等高维数据时表现出色，因为其具有自动学习图像特征的能力。lenet-5模型是深度卷积神经网络的开山鼻祖，它被广泛应用于手写数字识别等任务。alexnet模型是深度卷积神经网络的奠基之作，它引领了深度学习领域的新一轮发展；vgg和googlenet/inception、yolo、resnet等模型的设计思想和网络结构都有所不同，但都对卷积神经网络的发展做出了重要贡献。

2、雷达目标检测是雷达系统的核心功本文档来自技高网...

【技术保护点】

1.基于卷积神经网络的雷达单目标检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于卷积神经网络的雷达单目标检测方法，其特征在于，步骤S1的具体操作包括以下步骤：

3.根据权利要求2所述的基于卷积神经网络的雷达单目标检测方法，其特征在于，步骤S102中所述的回波信号模型表示为

4.根据权利要求3所述的基于卷积神经网络的雷达单目标检测方法，其特征在于，步骤S2中所述的卷积神经网络包括六层卷积层和两层全连接层，每个卷积层有256个卷积核，前两个卷积层卷积核大小为3×3，后四个卷积层卷积核大小为2×2，每个卷积层后面是一个批量规范化层和一个Re...

【技术特征摘要】

1.基于卷积神经网络的雷达单目标检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于卷积神经网络的雷达单目标检测方法，其特征在于，步骤s1的具体操作包括以下步骤：

3.根据权利要求2所述的基于卷积神经网络的雷达单目标检测方法，其特征在于，步骤s102中所述的回波信号模型表示为

4.根据权利要求3所述的基于卷积神经网络的雷达单目标检测方法，其特征在于，步骤s2中所述的卷积神经网络包括六层卷积层和两层全连接层，每个卷积层有256个卷积核，前两个卷积层卷积核大小为3×3，后四个卷积层卷积核大小为2×2，每个卷积层后面是一个批量规范化层和一个relu层；在所有卷积层之后，是两个全连接层，在第一个全连接层后是relu激活函数和dropput层，第二个全连接层后用sigmoid激活函数诱导分类概率并输出。

5.根据权利要求4所述的基于卷积神经网络的雷达单目标检测方法，其特征在于：所述卷积神经网络的卷积层网络参数为其中we表示维度为ce×fe×fe×ne的卷积核，ce表示输入通道数，fe表示卷...

【专利技术属性】
技术研发人员：郑桂妹，宋玉伟，曾会勇，徐彤，宋宝军，王世强，郑合，肖莉媛，
申请(专利权)人：中国人民解放军空军工程大学，
类型：发明
国别省市：