[发明专利]基于深度学习的未知环境下雷达目标多帧联合检测方法有效
申请号: | 202110607922.9 | 申请日: | 2021-06-01 |
公开(公告)号: | CN113341391B | 公开(公告)日: | 2022-05-10 |
发明(设计)人: | 易伟;邓杰;曾楷;文耀毅;肖航;李武军;孔令讲 | 申请(专利权)人: | 电子科技大学 |
主分类号: | G01S7/41 | 分类号: | G01S7/41;G01S13/66;G06V20/00;G06V10/26;G06V10/764;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08 |
代理公司: | 成都虹盛汇泉专利代理有限公司 51268 | 代理人: | 王伟 |
地址: | 611731 四川省成*** | 国省代码: | 四川;51 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 深度 学习 未知 环境 雷达 目标 联合 检测 方法 | ||
本发明公开了一种基于深度学习的未知环境下雷达目标多帧联合检测方法,包括以下步骤:S1、对仿真回波数据进行多帧积累以获取多维值函数域数据;S2、利用多域解耦拆分组合技术对多维值函数域进行处理,获取深度学习网络离线训练数据集;S3、利用基于值函数域特性的U‑Net图像分割网络进行多模型集成训练;S4、利用训练完毕的网络输出检测结果;S5、利用M/N判别网络对目标检测结果进行进一步处理。本发明基于数据驱动挖掘值函数域中目标运动特征,利用基于值函数域特性的U‑Net图像分割网络实现微弱目标的智能检测,从而解决现有多帧联合检测算法无法适应起伏非均匀和未知噪声环境下的目标检测问题。
技术领域
本发明属于雷达目标检测和跟踪领域,尤其涉及一种基于深度学习的未知环境下雷达目标多帧联合检测方法。
背景技术
针对强杂波、复杂干扰、低信噪比环境下微弱目标的检测问题,多帧联合检测算法是一种有效的检测微弱目标的方法。该方法在单帧不进行检测,而是直接对多帧回波数据进行积累处理,根据目标和噪声在帧间运动学上的差异,抑制噪声和杂波,最终提取目标信息来得到检测结果。目前,基于动态规划的检测前跟踪技术(DP-TBD)是多帧联合检测算法中一种十分高效的实现方法。它利用空间离散化措施,将多维问题降为多个一维模型进行处理,可以有效解决多帧积累问题。但对于未知起伏噪声环境,DP-TBD对于积累值函数域门限划分和建模会出现较大误差,并且对于门限的确定也会耗费一定的计算资源。
非均匀杂波和起伏噪声背景下的微弱目标检测问题一直是当前研究的热点,因为非均匀杂波和起伏噪声往往会掩盖真正的目标信息,使得多帧联合检测算法的值函数无法正确积累,从而影响检测性能。但在常规的多帧联合检测算法中,大多只考虑了均匀的复高斯噪声环境,没有考虑复杂的非均匀杂波和起伏噪声情况,而对于未知背景环境的微弱目标检测更是存在困难。文献“Track-Before-Detect Strategies for Radar Detection inG0-Distributed Clutter,IEEE Transactions on Aerospace and Electronic Systems,vol.53,no.5,pp.2516-2533,2017”针对雷达系统中常见的非高斯杂波模型G0提出了改进的DP-TBD算法,在积分过程中利用对数似然比代替幅度,从而实现良好的检测效果,但这仅是针对杂波G0分布模型,对于极端未知杂波和噪声环境,也会存在一定局限性。文献“基于动态规划的非均匀杂波环境中的复似然比检测前跟踪算法,火控雷达技术,49(01):49-55,2020”提出了一种基于先验杂波图信息辅助的DP-TBD算法,利用杂波图与相位信息相结合的复似然比函数作为值函数,实现了非均匀杂波环境下的有效检测。但这同样假设了先验杂波图已知,且引入了分辨单元内的杂波不相关等先决条件。专利申请“一种用于非均匀杂波背景的动态规划检测前跟踪方法,CN104035084A”基于杂波功率突变给出了用于非均匀杂波背景的多帧联合检测方法,但其只考虑了高低两类杂波功率的非均匀情况。因此上述方法都没有普适性地解决未知起伏噪声环境微弱目标的检测问题。
发明内容
本发明针对起伏非均匀和未知噪声环境下的微弱目标检测问题,设计了一种基于深度学习的未知环境下雷达目标多帧联合检测方法,基于数据驱动挖掘值函数域中目标运动特征,利用基于值函数域特性的U-Net图像分割网络实现微弱目标的智能检测,从而解决现有多帧联合检测算法无法适应起伏非均匀和未知噪声环境下的目标检测问题。
本发明的目的是通过以下技术方案来实现的:基于深度学习的未知环境下雷达目标多帧联合检测方法,包括以下步骤:
S1、对仿真回波数据进行多帧积累以获取多维值函数域数据;
S2、利用多域解耦拆分组合技术对多维值函数域进行处理,获取深度学习网络离线训练数据集;
S3、利用基于值函数域特性的U-Net图像分割网络进行多模型集成训练;
S4、利用训练完毕的网络输出检测结果;
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于电子科技大学,未经电子科技大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202110607922.9/2.html,转载请声明来源钻瓜专利网。