CN110764084A - 一种复杂地形下遮蔽目标的雷达探测方法 - Google Patents

Abstract

本发明提供了一种复杂地形下遮蔽目标的雷达探测方法，首先利用信道建模和信道测量的方法，获得探测目标在不同位置时对应的多径传播特性，建立深度学习的训练数据集；然后利用深度学习对目标位置和多径传播特征进行训练学习，进而建立目标位置和多径传播特征的关联模型；最后将未知目标位置的回波多径信号特征作为输入，得到遮蔽目标的位置信息。本发明能快速准确地输出目标的位置信息，具有更高的目标识别率，更好的实时性、通用性和简捷性。

Description

一种复杂地形下遮蔽目标的雷达探测方法

技术领域

本发明涉及雷达探测技术领域。

背景技术

非直视目标的探测和定位一直是传统雷达的重要难题之一。由于不存在直视路径，目标的反射回波相互叠加，使得电磁回波能量起伏剧烈，有时甚至近于对消，这就是多径传播环境引起的快衰落特性。快衰落使得雷达的测量误差(距离误差、角度误差、多普勒频率误差等)增大，当回波能量衰减严重时，会使雷达完全丧失对目标的探测跟踪能力。非直视目标的探测之所以困难，主要源于多径传播环境的快衰落具有快速时变的复杂特性。针对多径传播环境下的目标探测，目前业界采取的主要措施是明确多径造成的影响，然后采取措施来加以消除或避免。

周豪、胡国平等人在《低空多径环境下雷达目标检测性能研究》中针对低空多径环境下不同体制雷达目标检测性能展开了研究，通过建立低空多径环境下雷达接收信号模型，采用特征函数法推导低空多径环境下不同体制雷达的检测概率，给出了通过优化配置雷达阵元达到多径环境下的最优检测性能的目的，结果表明多输入单输出雷达兼具相控阵雷达和多输入多输出雷达的优点，在多径环境下具有稳定的检测性能。这是一种通过改变雷达阵元数量来达到缓解多径影响的低空目标雷达探测方法，并没有从消除多径影响的角度出发来解决低空雷达目标探测的问题，多径造成的影响仍然存在，性能较差。

王召迎、张洁寒和张瑜在《天波超视距雷达多径信道均衡方法》中针对天波超视距雷达工作中多径效应对雷达回波信号的污染问题，提出了一种抑制多径污染的信道均衡方法，首先利用已知的训练序列对多径信道进行估计，然后利用具有一定结构的滤波器实现信道的均衡，最终达到了抑制多径信道对雷达回波信号影响的目的。这是一种明确多径造成的影响，然后采取均衡来加以消除的方法，这种方法需要实时估计多径信道，具有复杂度高、实时性差的特点。

发明内容

为了克服现有技术的不足，本发明提供一种基于深度学习的复杂地形下遮蔽目标的雷达探测方法，具有更高的目标识别率，更好的实时性、通用性和简捷性。

本发明解决其技术问题所采用的技术方案包括以下步骤：首先利用信道建模和信道测量的方法，获得探测目标在不同位置时对应的多径传播特性，建立深度学习的训练数据集；然后利用深度学习对目标位置和多径传播特征进行训练学习，进而建立目标位置和多径传播特征的关联模型；最后将未知目标位置的回波多径信号特征作为输入，得到遮蔽目标的位置信息。

所述的信道建模和信道测量首先设置目标所处的地理环境，得到该环境的三维电子地图，将地理环境按照空间划分为不同的立方格，将探测目标分别置于每一个立方格中心，将雷达探测机位置固定，利用射线追踪模型进行信道建模，得到目标在不同立方格中的信道冲激响应；然后设置目标所处的真实地理环境，将地理环境按照空间划分为不同的立方格，将目标分别置于每一个立方格中心，将雷达探测机位置固定，利用时域或频域信道测量方法，得到目标在不同立方格中的信道冲激响应；对信道建模或实际测量得到的模拟信道冲激响应进行离散化采样，利用CLEAN算法得到离散信道冲激响应，作为训练数据集。

所述的训练学习中，设计深度神经网络DNN的超参数，采用自适应矩估计法作为损失函数的优化器，采用Relu函数作为隐藏层和输出层的激励函数，采用均方误差损失函数；将训练数据集喂入设计好的DNN模型，每个样本训练数据x对应一个标签y^*，网络先进行前向传播的计算过程，最终通过激活函数产生输出y，定义损失函数L来量化y与y^*的误差程度，再使用反向传播算法计算梯度，通过梯度下降来最小化损失函数，通过不断的前向-反向传播的过程，网络中神经元之间的的权重和偏置值将随着训练次数的增加不断调整并更新，直至模型收敛。

本发明的有益效果是：利用信道建模和信道测量的方法，获得探测目标在不同位置时对应的多径传播特性，建立深度学习的训练数据集。利用深度学习对目标位置和多径传播特征进行训练学习，进而建立目标位置和多径传播特征的关联模型。在实际多径特征输入模型的情况下，能快速准确地输出目标的位置信息。该方法相较于以往遮蔽目标的雷达探测方法，具有更高的目标识别率，更好的实时性、通用性和简捷性。

附图说明

图1是射线追踪模型原理示意图；

图2是城市环境三维电子地图；

图3是信道时域测量示意图；

图4是信道频域测量示意图；

图5是训练样本示意图；

图6是神经网络模型图。

具体实施方式

本发明提出了一种基于深度学习的复杂地形下遮蔽目标的雷达探测方法。目标位置和多径特性之间存在对应关系，首先，利用无线通信中信道建模和信道测量的方法，在给定的地理环境下，产生特定的多径传播通道，包括路径的数目、每个路径的回波信号强度、相位以及时延特性等。探测目标在不同的位置时，对应的多径传播特性不同，据此建立目标位置数据库、多径传播特征数据库，作为深度学习的训练数据集。利用深度学习对目标位置和多径传播特征进行训练学习，进而建立目标位置和多径传播特征的关联模型，在实际多径特征输入模型的情况下，能快速准确地输出目标的位置信息。该方法相较于以往遮蔽目标的雷达探测方法，具有更高的目标识别率，更好的实时性、通用性和简捷性。

本发明解决其技术问题所采用的具体步骤包括：

(1)数据采集

为了获得深度神经网络的训练样本，需要准确获取遮蔽目标所处环境的多径信道响应特性。利用信道建模和信道测量的方法进行数据采集。

本发明首先设置目标所处的复杂遮蔽地理环境，得到该环境的三维电子地图，将地理环境按照空间划分为不同的立方格，将探测目标分别置于每一个立方格中心，将雷达探测机位置固定，利用射线追踪模型进行信道建模，得到目标在不同立方格中的信道冲激响应；然后设置目标所处的复杂遮蔽真实地理环境，将地理环境按照空间划分为不同的立方格，将目标分别置于每一个立方格中心，将雷达探测机位置固定，利用时域或频域信道测量方法，得到目标在不同立方格中的信道冲激响应；

(2)数据处理

对信道建模或实际测量得到的模拟信道冲激响应进行离散化采样，利用CLEAN算法得到离散信道冲激响应，即信道特征参数(明显多径数目、幅度、相位、时延)；

(3)构建深度神经网络模型

深度神经网络(deep neural network，DNN)又被称为多层感知机，模仿人类大脑神经网络来处理和记忆信息，其层数越多，能更深入的表示特征，以及拥有更强的函数模拟能力。网络的最左侧和最右侧分别称为输入层和输出层，中间称为隐藏层。每层都有相当多的神经元，每个神经元都有一个输出，是其前一层神经元加权和的非线性函数。假设一个四层网络的输入为x，网络输出为y，则输入和输出满足一个函数y＝f(x)＝f₄(f₃(f₂(f₁(x))))，其中函数f₁(x)，f₂(x)，f₃(x)，f₄(x)分别为网络各层的非线性激活函数。

本发明基于DNN方法对目标探测模型进行训练。训练前需要预先设计好深度神经网络的超参数，超参数是DNN在开始学习过程之前设置的参数，可以影响DNN的收敛速度和分类效果。神经网络中的超参数包括：网络层数、每层节点数、激活函数的选择、学习速率、批数据大小、网络训练次数、测试集和训练集数据大小、损失函数的选择。在目前的深度学习应用领域中，对于超参数的配置还是很经验性的过程，所以通常需要不断调参尝试去取得最佳结果。本发明经过多次调参比较确定了最优超参数。本发明采用自适应矩估计法(adaptive moment estimation，Adam)作为损失函数的优化器；采用Relu(Rectifiedlinear units)函数作为隐藏层和输出层的激励函数；采用均方误差(mean squre error，MSE)损失函数。每一组信道特征作为输入特征样本，目标三维坐标位置作为对应标签，对深度神经网络进行训练。

训练过程如下：

首先将步骤(2)中得到的离散信道冲击响应的特征参数作为训练集数据喂入设计好的DNN模型。每个样本训练数据x都会有一个对应的标签y^*。

网络会先进行前向传播的计算过程，即深度神经网络的输入x会经过每一层的神经元节点进行加权和运算，最终通过激活函数产生输出y。这是DNN的前向传播过程，由于DNN的输出结果与实际结果会有误差，为了表示输出y与对应标签y^*的误差程度，定义了损失函数L来量化两者间的误差

网络的训练目标是通过梯度下降来最小化损失函数，利用损失函数来衡量网络预测的遮蔽目标位置信息y与实际目标位置信息y^*的接近程度。深度神经网络通常使用反向传播(back-propagation，BP)算法计算梯度，BP算法利用了链式法则，以便网络更快的计算。网络通过BP算法逐层从输出层向后传播误差，误差从输出层反向传播到隐藏层，直至传播到输入层，如果当前损失函数较大，那么网络会根据设置的超参数自动调整权重和偏置来减小损失函数。通过不断的前向-反向传播的过程，网络中神经元之间的的权重和偏置值将随着训练次数的增加不断调整并更新，直至模型收敛。

(4)目标位置识别

使用训练好的DNN模型，将未知目标位置的回波多径信号特征作为输入，得到遮蔽目标的位置信息。

下面结合附图和实施例对本发明进一步说明，本发明包括但不仅限于下述实施例。

本发明的实施例包括以下步骤：

(1)数据采集

为了获得深度神经网络的训练集样本，需要准确获取遮蔽目标所处环境的多径信道响应特性。利用信道建模和信道测量的方法进行数据采集。设置目标所处的复杂遮蔽地理环境，得到该环境的三维电子地图，将地理环境按照空间划分为不同的立方格，将探测目标分别置于每一个立方格中心，将雷达探测机位置固定，利用射线追踪模型进行信道建模，得到目标在不同立方格中的信道冲激响应。

本实例中，选用信道建模的方法进行数据采集。如图1所示，以大学校园内1kmX1km X 1km的教学区场景为例，将教学区场景按照空间划分为不同的立方格，每个网格大小设为10m X 10m X 10m，即每一维上被等分成100份，总计有1000000个立方格。将目标分别置于每一个立方格中心，将雷达探测机位置固定，利用射线追踪模型进行信道建模，采用时域或频域信道测量方法，得到目标在不同立方格中的信道冲激响应；最终，我们采集的数据集为1000000份样本数据，每一份数据都由遮蔽目标处的信道冲激响应和其对应的实际位置信息组成。

(2)数据预处理

1)训练集处理：

本发明深度学习使用的训练数据集由目标位置数据库和多径传播特征数据库组成。

首先对信道测量所得到的模拟信道冲激响应进行离散化采样，利用CLEAN算法得到离散信道冲激响应，对其进行特征提取，得到多径传播特征。本发明中对每个位置测到的所有多径信道冲击响应按照信号衰减大小排序，只取前五条多径信道的多径传播特征作为神经网络的输入，即信道特性h＝{α,p,t}；其中α＝{a₁,a₂,…,a₅}代表五条多径信道归一化后的信号幅度，其中0≤a_i≤1，i＝1,2,3,4,5；p＝{p₁,p₂,…,p₅}代表归一化后的信号相位，0≤p_i≤1；t＝{t₁,t₂,…,t₅}代表归一化后信号的时延，0≤t_i≤1；多径传播特征数据库的大小设为1000000。

然后针对不同位置上的信道特性，将遮蔽目标在不同立方格中所处位置的三维坐标信息建立一一对应的关系，例如多径传播特征数据库中的第m个信道特性h_m其对应的三维坐标信息应为目标位置数据库中的第m个坐标信息

其中

代表遮蔽目标在X维上的坐标，

代表Y维上的坐标，

代表Z维上的坐标，其中

目标位置数据库的大小设为1000000。

2)测试集处理：

从训练集中随机选取20％的样本组成测试集。待模型训练好后用于测试DNN模型的泛化能力。

(3)构建深度神经网络模型

深度学习作为一种对数据非线性特征提取与分类方法，通过多层隐藏层组合低层特征形成更加抽象的高层类别属性或特征，具备强大的特征表达能力和对复杂任务的建模能力。而复杂环境下被监视目标运动时，存在与目标相关的多径现象，由于环境的改变，特别时相对位置关系的变换，会导致跟随目标的多径发生变换。因此目标位置和多径特性之间是存在对应关系的，但这种对应关系目前并没有具体的函数关系式，主要源于多径传播环境的快衰落具有快速时变的复杂特性。因此可以利用深度学习对复杂函数关系的建模能力，通过不断迭代训练从大数据训练集中自动推导出目标位置和多径传播特征的关联模型，并能在实际多径特征输入模型的情况下，能快速准确地输出目标的位置信息，实现复杂地形下遮蔽目标的雷达探测。

经多次调参尝试，本发明得到的最优超参数设置如下，DNN模型网络层数设为8层，分别由输入层，6层隐藏层，输出层组成。输入层的神经元节点为15，分别对应多径数目、幅度、相位、时延；隐藏层节点分别为512，256，128，64，32，16；输出层节点为3，对应遮蔽目标在实际环境上的三维坐标。隐藏层和输出层的激活函数为Relu函数，即f_r＝max(x,0)，可以增加非线性并且加速***的收敛；损失函数选用MSE函数，定义为

其中N是对应输出层的神经元节点数，本发明中N＝3，且L理想的大小范围为0≤L≤0.01，当L处于此范围时，可认为预测误差满足允许误差的范围；优化器选择Adam优化器，Adam是一种能对不同参数适应性学习学习率的方法，适用于大数据和高维空间，具有内存需求低等优点；每次喂入网络的数据批大小(batch size)为256；学习速率设为0.001；网络的训练次数为100000次；训练测试集和测试数据集大小分别为800000和200000。

本发明的软件配置：编程语言python 3.0，使用的深度学习平台为Google支持的Tensorflow。硬件配置:CPU为Inter Xeon Gold 5118，并使用GTX NVIDIA 1080Ti进行加速训练。

用深度学习对目标位置和多径传播特征数据集进行训练学习，进而建立目标位置和多径传播特征的关联模型。

训练过程：

1)首先对网络中的所有超参数初始化。然后将经过数据预处理后的训练集数据送入我们设计好的DNN模型中开始训练。每个信道特性样本h都会有一个对应的三维坐标位置信息y^*。

2)网络会先进行前向传播的计算过程，即深度神经网络的输入信道特性h会经过每一层的神经元节点进行加权和运算，最终通过激活函数产生输出预测的三维坐标位置信息y。训练开始时两者是有很大误差的，因此定义损失函数

用来量化两者间的误差，网络的训练目标是通过梯度下降算法来缩小损失函数，使网络预测的遮蔽目标位置信息y与实际目标位置信息y^*尽可能接近。网络通过BP算法逐层从输出层向后传播误差，误差从输出层反向传播到隐藏层，直至传播到输入层，此时网络会计算并且更新权重和偏置来减小损失函数。通过不同的前向-反向传播的过程，网络中神经元之间的参数(权重和偏置值)将随着训练次数的增加不断调整并更新，直至模型收敛或训练次数结束，当最终的损失函数满足误差范围时，说明网络已经从数据集中自动推导出复杂环境下的遮蔽目标的多径信道特性与其对应的位置之间复杂的函数关系。

(4)目标位置识别

保存训练好的DNN模型，将未知目标位置的回波多径信号特征h作为输入，得到网络预测的遮蔽目标的位置信息y。将其与目标实际位置y^*进行对比。经多组测试，DNN的输出满足允许误差的范围，则证明本发明提出的基于DNN的复杂地形下遮蔽目标的雷达探测方法是可行的。与传统遮蔽目标的雷达探测方法相比，该方法能快速准确地输出目标的位置信息，且具有更高的目标识别率，更好的实时性、通用性和简捷性。

Claims (3)

1.一种复杂地形下遮蔽目标的雷达探测方法，其特征在于包括以下步骤：首先利用信道建模和信道测量的方法，获得探测目标在不同位置时对应的多径传播特性，建立深度学习的训练数据集；然后利用深度学习对目标位置和多径传播特征进行训练学习，进而建立目标位置和多径传播特征的关联模型；最后将未知目标位置的回波多径信号特征作为输入，得到遮蔽目标的位置信息。

2.根据权利要求1所述的复杂地形下遮蔽目标的雷达探测方法，其特征在于：所述的信道建模和信道测量首先设置目标所处的地理环境，得到该环境的三维电子地图，将地理环境按照空间划分为不同的立方格，将探测目标分别置于每一个立方格中心，将雷达探测机位置固定，利用射线追踪模型进行信道建模，得到目标在不同立方格中的信道冲激响应；然后设置目标所处的真实地理环境，将地理环境按照空间划分为不同的立方格，将目标分别置于每一个立方格中心，将雷达探测机位置固定，利用时域或频域信道测量方法，得到目标在不同立方格中的信道冲激响应；对信道建模或实际测量得到的模拟信道冲激响应进行离散化采样，利用CLEAN算法得到离散信道冲激响应，作为训练数据集。

3.根据权利要求1所述的复杂地形下遮蔽目标的雷达探测方法，其特征在于：所述的训练学习中，设计深度神经网络DNN的超参数，采用自适应矩估计法作为损失函数的优化器，采用Relu函数作为隐藏层和输出层的激励函数，采用均方误差损失函数；将训练数据集喂入设计好的DNN模型，每个样本训练数据x对应一个标签y^*，网络先进行前向传播的计算过程，最终通过激活函数产生输出y，定义损失函数L来量化y与y^*的误差程度，再使用反向传播算法计算梯度，通过梯度下降来最小化损失函数，通过不断的前向-反向传播的过程，网络中神经元之间的的权重和偏置值将随着训练次数的增加不断调整并更新，直至模型收敛。

Images