CN113221631B - 基于卷积神经网络的序列脉冲抗干扰目标检测方法 - Google Patents
基于卷积神经网络的序列脉冲抗干扰目标检测方法 Download PDFInfo
- Publication number
- CN113221631B CN113221631B CN202110304170.9A CN202110304170A CN113221631B CN 113221631 B CN113221631 B CN 113221631B CN 202110304170 A CN202110304170 A CN 202110304170A CN 113221631 B CN113221631 B CN 113221631B
- Authority
- CN
- China
- Prior art keywords
- target detection
- interference
- dimensional data
- target
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供的一种基于卷积神经网络的序列脉冲抗干扰目标检测方法,通过从雷达***中获取脉冲序列的回波信号;对回波信号依次进行采样离散化、短时傅里叶变换、能量归一化预处理,获得能量归一化后的回波信号的向量;对能量归一化后向量使用滑窗匹配做波形适应,以使回波信号的向量从二维数据转化为四维数据;将四维数据输入至训练好的序列脉冲抗干扰目标检测网络中,获得目标在各个距离单元和各个多普勒通道上出现的概率;之后与检测门限进行比较,确定距离单元和多普勒通道上是否检测出目标。本发明通过对预处理后数据的波形适应,增加了网络输入信息,同时通过网络提取目标和干扰的特征,可以提高目标检测的精度。
Description
技术领域
本发明属于雷达技术领域,具体涉及基于卷积神经网络的序列脉冲抗干扰目标检测方法。
背景技术
干扰机的工作方式一般包括全脉冲存储转发、短脉冲存储循环转发和间歇采样存储转发。全脉冲存储转发是将采样的整个脉冲信号全部存储,再全部进行转发。该工作方式可以产生一个逼真假目标,相干性极高,由于假目标滞后一个采样脉冲宽度,利用脉冲前沿跟踪技术,假目标很容易被分辨;短脉冲存储循环转发则只采样雷达脉冲始端的一小段,然后对该信号进行多次重复转发,该方式在一定程度改善了假目标滞后问题,但干扰信号相干性变差,一般不能用于干扰脉内具有复杂调制能力的雷达;间歇采样存储转发方式是一种介于全脉冲存储转发与短脉冲存储转发的折中方案,通过交替地存储和转发采样信号,使得假目标可以像短脉冲存储转发干扰一样具有较小的延时时间,转发信号是原信号的多次局部抽样,所以干扰信号和雷达发射的脉冲信号之间具有较强的相干性。
当干扰机采取间歇采样存储转发干扰时,由于干扰信号和雷达发射的脉冲信号之间具有较强的相干性,雷达机通过匹配滤波将同时在目标信号位置和干扰信号位置积累出能量,而干扰信号的能量一般要比目标信号的能量高的多,匹配滤波后的间歇采样干扰很可能会覆盖目标,特别是当干扰采取卷积调制处理时,大范围内的多个间隙采样干扰将会淹没目标,使雷达不能有效地滤除干扰,检测出目标位置。
周畅,汤子跃,余方利等在文章“基于脉内正交的抗间歇采样转发干扰方法”中设计了一种脉内正交的线性调频相位编码波形,针对间歇采样转发干扰,拆分成不同的子信号,利用其相应匹配滤波器对干扰进行有效侦察识别、干扰对抗。不足之处是只讨论了间歇采样转发干扰占空比小于0.5的条件下抗干扰原理,但实际上的间歇采样转发干扰的占空比随机,其在高占空比情况下的抗干扰效果不明确,因此该方法的应用范围受到限制。
杨少奇,田波,周瑞钊在文章“利用时频分析的间歇干扰对抗方法”中针对间歇采样干扰在时域的不连续转发,提取干扰不连续转发信号段进行干扰对抗。但对于高占空比的重复转发干扰,时域不连续转发段信号占比较少,在低信噪比下难以有效对抗。且上述两篇文章均是针对单脉冲回波的抗干扰,而实际中单脉冲回波无法很好的积累目标检测所需的能量。
因此,现有技术无法有效去除间歇采样存储转发干扰,导致检测目标的距离单元和多普勒通道的准确性不高。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种基于卷积神经网络的序列脉冲抗干扰目标检测方法。本发明要解决的技术问题通过以下技术方案实现:
本发明提供的一种基于卷积神经网络的序列脉冲抗干扰目标检测方法,包括:
从雷达***中获取脉冲序列的回波信号;
对所述回波信号依次进行采样离散化、短时傅里叶变换、能量归一化预处理,获得能量归一化后的回波信号的向量;
对所述能量归一化后向量使用滑窗匹配做波形适应,以使回波信号的向量从二维数据转化为四维数据;
将所述四维数据输入至训练好的序列脉冲抗干扰目标检测网络中,获得目标在各个距离单元和各个多普勒通道上出现的概率;
将所述目标在各个距离单元和各个多普勒通道上出现的概率与检测门限进行比较,确定距离单元和多普勒通道上是否检测出目标。
优先的,所述对所述回波信号依次进行采样离散化、短时傅里叶变换、能量归一化预处理,获得能量归一化后的多普勒快时间维度的回波信号包括:
步骤21:按照预设的采样时间间隔以及采样点数,对所述脉冲序列的回波信号进行采样处理,得到离散化后的回波信号向量;
步骤22:对所述离散化后的回波信号向量在快时间维度上的多个数值上作快速傅里叶变换,以使所述离散化后的回波信号向量转化至多普勒快时间维度的二维数据;
步骤23:对所述傅里叶变换后得到的二维数据进行归一化处理,得到归一化后的向量:
优选的,所述对所述能量归一化后向量使用滑窗匹配做波形适应,以使回波信号的向量从二维数据转化为四维数据包括:
步骤31:对所述能量归一化后向量,使用对应的该回波信号所在多普勒通道对应的距离单元的滑窗匹配系数进行处理;
步骤32:将处理之后的回波信号与发射信号进行滑窗点乘;
步骤33:基于点乘之后的结果,获得四维数据;
其中,所述四维数据包括:目标信息和发射波形信息,所述四维分别为多普勒维度、快时间维度、滑窗匹配维度、特征维度。
优选的,所述训练好的序列脉冲抗干扰目标检测网络通过如下步骤训练得到:
步骤a:获取训练样本集以及初始序列脉冲抗干扰目标检测网络;
步骤b:随机初始化所述序列脉冲抗干扰目标检测网络参数,以使该网络参数中的每个元素的随机初始化数值都服从均值为0,方差为0.01的高斯分布;
步骤c:针对所述训练样本集中的每个样本,将该样本输入所述初始序列脉冲抗干扰目标检测网络中,获得输出结果;
步骤d:基于所述输出结果,确定损失函数;
步骤e:更新所述初始序列脉冲抗干扰目标检测网络中的参数;
步骤f:重复步骤c-步骤e,直至达到训练截止条件;
其中,所述训练截止条件包括所述损失函数小于阈值或者训练次数;
步骤g:将达到训练截止条件的初始序列脉冲抗干扰目标检测网络,确定为训练好的序列脉冲抗干扰目标检测网络。
优选的,所述初始序列脉冲抗干扰目标检测网络通过如下步骤训练得到:
基于目标检测的能量、特征提取需求、维度需求以及数据范围,构建初始的序列脉冲抗干扰目标检测网络;
其中,所述序列脉冲抗干扰目标检测网络的前四层为扩展卷积网络、第5至11层为wavenet网络,第13层至15层为普通卷积层,第16层为注意力机制层,第17层为输出层。
优选的,所述步骤e包括:
通过参数更新公式,更新所述初始序列脉冲抗干扰目标检测网络中的参数;
其中,参数更新公式为:
其中,θ为更新所述初始序列脉冲抗干扰目标检测网络中的参数;α表示学习率,其为接近于0的正实数,B表示每组样本的个数。
优选的,所述损失函数为:
L=-P(Op1/z)log(Op1)-(1-P(Op1/z))log(1-Op1),
其中,Op1为序列脉冲抗干扰目标检测网络输出目标在各个距离单元上出现的概率,z为波形适应处理后的四维数据,P(·)表示概率分布。
优选的,所述将所述目标在各个距离单元和各个多普勒通道上出现的概率与检测门限进行比较,确定距离单元上和多普勒通道上是否检测出目标包括:
当目标在各个距离单元和各个多普勒通道上出现的概率大于检测门限时,则多普勒通道的对应距离单元上检测出目标;
当目标在各个距离单元和各个多普勒通道上出现的概率不大于检测门限时,则多普勒通道的对应距离单元上未检测出目标。
本发明提供的一种基于卷积神经网络的序列脉冲抗干扰目标检测方法,通过从雷达***中获取脉冲序列的回波信号;对回波信号依次进行采样离散化、短时傅里叶变换、能量归一化预处理,获得能量归一化后的回波信号的向量;对能量归一化后向量使用滑窗匹配做波形适应,以使回波信号的向量从二维数据转化为四维数据;将四维数据输入至训练好的序列脉冲抗干扰目标检测网络中,获得目标在各个距离单元和各个多普勒通道上出现的概率;之后与检测门限进行比较,确定距离单元和多普勒通道上是否检测出目标。本发明通过对预处理后数据的波形适应,增加了网络输入信息,同时通过网络提取目标和干扰的特征,可以提高目标检测的精度。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种基于卷积神经网络的序列脉冲抗干扰目标检测方法的流程示意图;
图2是本发明实施例提供的序列脉冲抗干扰目标检测网络结构图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
实施例一
如图1所示,本发明提供的一种基于卷积神经网络的序列脉冲抗干扰目标检测方法包括:
S1,从雷达***中获取脉冲序列的回波信号;
S2,对回波信号依次进行采样离散化、短时傅里叶变换、能量归一化预处理,获得能量归一化后的回波信号的向量;
S3,对能量归一化后向量使用滑窗匹配做波形适应,以使回波信号的向量从二维数据转化为四维数据;
S4,将四维数据输入至训练好的序列脉冲抗干扰目标检测网络中,获得目标在各个距离单元和各个多普勒通道上出现的概率;
S5,将目标在各个距离单元和各个多普勒通道上出现的概率与检测门限进行比较,确定该距离单元和多普勒通道上是否检测出目标。
本发明提供的一种基于卷积神经网络的序列脉冲抗干扰目标检测方法,通过从雷达***中获取脉冲序列的回波信号;对回波信号依次进行采样离散化、短时傅里叶变换、能量归一化预处理,获得能量归一化后的回波信号的向量;对能量归一化后向量使用滑窗匹配做波形适应,以使回波信号的向量从二维数据转化为四维数据;将四维数据输入至训练好的序列脉冲抗干扰目标检测网络中,获得目标在各个距离单元和各个多普勒通道上出现的概率;之后与检测门限进行比较,确定该距离单元和多普勒通道上是否检测出目标。本发明通过对预处理后数据的波形适应,增加了网络输入信息,同时通过网络提取目标和干扰的特征,可以提高目标检测的精度。
实施例二
作为本发明一种可选的实施例,步骤S2包括:
步骤21:按照预设的采样时间间隔以及采样点数,对所述脉冲序列的回波信号进行采样处理,得到离散化后的回波信号向量;
步骤22:对所述离散化后的回波信号向量在快时间维度上的多个数值上作快速傅里叶变换,以使所述离散化后的回波信号向量转化至多普勒快时间维度的二维数据;
步骤23:对所述傅里叶变换后得到的二维数据进行归一化处理,得到归一化后的向量:
实施例三
作为本发明一种可选的实施例,所述对所述能量归一化后向量使用滑窗匹配做波形适应,以使回波信号的向量从二维数据转化为四维数据包括:
步骤31:对所述能量归一化后向量,使用对应的该回波信号所在多普勒通道对应的距离单元的滑窗匹配系数进行处理;
对应目标在第k个多普勒通道,第l个距离单元的纯目标回波为:
其中,脉冲重复频率fd=(kfr)/N,t0=lts。以此参数获得N个脉冲回波,随后在每个距离单元上做快速傅里叶变换,得到取第k个多普勒通道,第l~l+NN个距离单元的值,即第k个多普勒通道,第l~l+NN个距离单元的滑窗匹配的系数,用表示,第k个多普勒通道的回波信号为
步骤32:将处理之后的回波信号与发射信号进行滑窗点乘;
步骤33:基于点乘之后的结果,获得四维数据;
其中,所述四维数据包括:目标信息和发射波形信息,所述四维分别为多普勒维度、快时间维度、滑窗匹配维度、特征维度。
为了消除因为雷达发射波形的改变而导致的目标信号结构的变化,同时能够保留干扰在时域上间歇采样的特征,需将回波与发射信号进行滑窗点乘,但是不将点乘结果求和,即按如下公式进行滑窗匹配处理:
得到了多普勒维度-快时间维度-滑窗匹配维度的三维特征是复数值,而网络要求的是实数值,因此分别取实部和虚部作为特征维度,即:
在做点乘的过程中会损失一定的信息,因此,这里还叠加了原先回波信号和滑窗匹配系数的实部和虚部特征,最终得到一个四维特征图其中,f=1,…,6,k=1,…,N,i=1,…,L,j=1,…,NN,N为脉冲个数,L为距离单元个数,NN为发射信号的采样总点数。对预处理后的信号进行波形适应处理后,可将二维数据变为四维数据:多普勒维度、快时间维度、滑窗匹配维度、特征维度,包含了目标信息和发射波形信息,将该四维数据作为序列脉冲抗干扰目标检测网络的输入,通过该网络输出目标在各个距离单元上出现的概率Op1。
实施例四
作为本发明一种可选的实施例,所述训练好的序列脉冲抗干扰目标检测网络通过如下步骤训练得到:
步骤a:获取训练样本集以及初始序列脉冲抗干扰目标检测网络;
本步骤可以基于目标检测的能量、特征提取需求、维度需求以及数据范围,构建初始的序列脉冲抗干扰目标检测网络;
其中,所述序列脉冲抗干扰目标检测网络的前四层为扩展卷积网络、第5至11层为wavenet网络,第13层至15层为普通卷积层,第16层为注意力机制层,第17层为输出层。
参考图2,构建的网络的前四层为扩展卷积网络,其中这四层扩展卷积网络的滤波器个数分别为12,18,,24,30,每层卷积网络的卷积核大小均为7,激活函数均为relu函数;扩展卷积能够逐层的提高网络单元的感受野,便于深层网络的训练,同时改善网络的表现能力,前四层网络结构的目的在于实现用于目标检测的能量积累。
第5层至第11层为wavenet网络,每层的卷积核大小为3,滤波器个数为64,激活函数为relu函数;设网络的第12层为滤波器个数为1的普通卷积层,激活函数为sigmoid,输出用H12表示;该部分的目的在于提取特征,得到初步的目标检测结果。
第13层至15层为普通卷积层,每层的卷积核大小为1,滤波器个数为2,输出分别用K、Q、V表示;设网络的第16层为注意力机制层,该层的输出可表示为:H16=Attention(Q,K,V)=softmax(QKT)V;设网络的第17层为滤波器个数为1的普通卷积层,激活函数为sigmoid,输出用H17表示;在第17层之后做计算Op1=H12·H17得到最终输出。该部分的目的是增加了全局注意力机制,用于整合全局特征并满足输出的维度和数据范围的需求。
步骤b:随机初始化所述序列脉冲抗干扰目标检测网络参数,以使该网络参数中的每个元素的随机初始化数值都服从均值为0,方差为0.01的高斯分布;
步骤c:针对所述训练样本集中的每个样本,将该样本输入所述初始序列脉冲抗干扰目标检测网络中,获得输出结果;
步骤d:基于所述输出结果,确定损失函数;
其中,所述损失函数为:
L=-P(Op1/z)log(Op1)-(1-P(Op1/z))log(1-Op1),
其中,Op1为序列脉冲抗干扰目标检测网络输出目标在各个距离单元上出现的概率,z为波形适应处理后的四维数据,P(·)表示概率分布。
步骤e:更新所述初始序列脉冲抗干扰目标检测网络中的参数;
本步骤可以通过参数更新公式,更新所述初始序列脉冲抗干扰目标检测网络中的参数;
其中,参数更新公式为:
其中,θ为更新所述初始序列脉冲抗干扰目标检测网络中的参数;α表示学习率,其为接近于0的正实数,B表示每组样本的个数。
步骤f:重复步骤c-步骤e,直至达到训练截止条件;
其中,所述训练截止条件为训练次数;
步骤g:将达到训练截止条件的初始序列脉冲抗干扰目标检测网络,确定为训练好的序列脉冲抗干扰目标检测网络。
实施例五
作为本发明一种可选的实施例,所述将所述目标在各个距离单元和各个多普勒通道上出现的概率与检测门限进行比较,确定该距离单元和多普勒通道上是否检测出目标包括:
步骤a:当目标在各个距离单元和各个多普勒通道上出现的概率大于检测门限时,则多普勒通道的对应距离单元上检测出目标;
步骤b:当目标在各个距离单元和各个多普勒通道上出现的概率不大于检测门限时,则多普勒通道的对应距离单元上未检测出目标。
可以理解,得到参数优化后网络的输出的目标在各个距离单元和各个多普勒通道上出现的概率Op2;将参数优化后网络输出的目标在各个距离单元和各个多普勒通道上出现的概率Op2与检测门限T进行比较:
若(Op2)k,i>T,则表示第k个多普勒通道,第i个距离单元上检测出目标;
若(Op2)k,i≤T,则表示第k个多普勒通道,第i个距离单元上没有检测出目标。
下面通过仿真试验,验证本发明提供的基于卷积神经网络的序列脉冲抗干扰目标检测方法的效果。
一.实验条件:
本仿真实验选取1280000个带间歇采样转发干扰的回波信号作为训练样本;采用16384个任意发射波形下间歇采样转发干扰回波信号作为测试样本,硬件平台为:IntelCore i7-8700 [email protected] 3.19GHz 16GB RAM,软件平台:pycharm。
二.实验内容与结果:
仿真1,在检测门限为10-4,干信比Jsr为9dB,信噪比Snr为10.08dB时,计算本发明五种实施例得出的检测概率,并与基于信号时域截取的传统检测方法的检测概率进行对比。
仿真2,在检测门限为10-4,干信比Jsr为63.23dB,信噪比Snr为10.08dB时,计算本发明中五种实施例得出的检测概率,并将其与基于信号时域截取的传统检测方法的检测概率进行比较。
仿真3,在检测门限为10-4,干信比Jsr为9dB,信噪比Snr为14.08dB时,计算本发明中五种实施例得出的检测概率,并将其与基于信号时域截取的传统检测方法的检测概率进行比较,
上述三个仿真的实验结果如表1所示。
表1
从表1中可以看到本发明提出的五种检测方法均可以检测出目标,其中:
在低干信比和高信噪比的情况下,本发明实施例一的目标识别方法的检测概率为99.71%,接近理论最优;在低干信比和低信噪比的情况下,本发明实施例一的目标识别方法的检测概率为75.49%,接近理论最优;在高干信比和低信噪比的情况下,本发明实施例一的目标识别方法的检测概率为71.29%,接近理论最优;
综上,本发明将雷达抗干扰目标检测与深度学习结合到一起,利用本发明中的网络结构智能化提取回波和发射波形的特征,能获取更丰富更深层的目标信息,提高抗干扰目标检测性能。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (6)
1.基于卷积神经网络的序列脉冲抗干扰目标检测方法,其特征在于,包括:
从雷达***中获取脉冲序列的回波信号;
对所述回波信号依次进行采样离散化、短时傅里叶变换、能量归一化预处理,获得能量归一化后的回波信号的向量;
对所述能量归一化后向量使用滑窗匹配做波形适应,以使回波信号的向量从二维数据转化为四维数据;
将所述四维数据输入至训练好的序列脉冲抗干扰目标检测网络中,获得目标在各个距离单元和各个多普勒通道上出现的概率;
将所述目标在各个距离单元和各个多普勒通道上出现的概率与检测门限进行比较,确定距离单元和多普勒通道上是否检测出目标;
所述对所述能量归一化后向量使用滑窗匹配做波形适应,以使回波信号的向量从二维数据转化为四维数据包括:
步骤31:对所述能量归一化后向量,使用对应的该回波信号所在多普勒通道对应的距离单元的滑窗匹配系数进行处理;
步骤32:将处理之后的回波信号与发射信号进行滑窗点乘;
步骤33:基于点乘之后的结果,获得四维数据;
其中,所述四维数据包括:目标信息和发射波形信息,所述四维分别为多普勒维度、快时间维度、滑窗匹配维度、特征维度;
所述将所述目标在各个距离单元和各个多普勒通道上出现的概率与检测门限进行比较,确定距离单元上和多普勒通道上是否检测出目标包括:
若(Op2)k,i>T,则表示第k个多普勒通道,第i个距离单元上检测出目标;
若(Op2)k,i≤T,则表示第k个多普勒通道,第i个距离单元上没有检测出目标;
其中,目标在各个距离单元和各个多普勒通道上出现的概率Op2,T表示检测门限。
2.根据权利要求1所述的序列脉冲抗干扰目标检测方法,其特征在于,所述对所述回波信号依次进行采样离散化、短时傅里叶变换、能量归一化预处理,获得能量归一化后的多普勒快时间维度的回波信号包括:
步骤21:按照预设的采样时间间隔以及采样点数,对所述脉冲序列的回波信号进行采样处理,得到离散化后的回波信号向量;
步骤22:对所述离散化后的回波信号向量在快时间维度上的多个数值上作快速傅里叶变换,以使所述离散化后的回波信号向量转化至多普勒快时间维度的二维数据;
步骤23:对所述傅里叶变换后得到的二维数据进行归一化处理,得到归一化后的向量:
3.根据权利要求1所述的序列脉冲抗干扰目标检测方法,其特征在于,所述训练好的序列脉冲抗干扰目标检测网络通过如下步骤训练得到:
步骤a:获取训练样本集以及初始序列脉冲抗干扰目标检测网络;
步骤b:随机初始化所述序列脉冲抗干扰目标检测网络参数,以使该网络参数中的每个元素的随机初始化数值都服从均值为0,方差为0.01的高斯分布;
步骤c:针对所述训练样本集中的每个样本,将该样本输入所述初始序列脉冲抗干扰目标检测网络中,获得输出结果;
步骤d:基于所述输出结果,确定损失函数;
步骤e:更新所述初始序列脉冲抗干扰目标检测网络中的参数;
步骤f:重复步骤c-步骤e,直至达到训练截止条件;
其中,所述训练截止条件包括所述损失函数小于阈值或者训练次数;
步骤g:将达到训练截止条件的初始序列脉冲抗干扰目标检测网络,确定为训练好的序列脉冲抗干扰目标检测网络。
4.根据权利要求3所述的序列脉冲抗干扰目标检测方法,其特征在于,所述初始序列脉冲抗干扰目标检测网络通过如下步骤训练得到:
基于目标检测的能量、特征提取需求、维度需求以及数据范围,构建初始的序列脉冲抗干扰目标检测网络;
其中,所述序列脉冲抗干扰目标检测网络的前四层为扩展卷积网络、第5至11层为wavenet网络,第13层至15层为普通卷积层,第16层为注意力机制层,第17层为输出层。
6.根据权利要求3所述的序列脉冲抗干扰目标检测方法,其特征在于,所述损失函数为:
L=-P(Op1/z)log(Op1)-(1-P(Op1/z))log(1-Op1),
其中,Op1为序列脉冲抗干扰目标检测网络输出目标在各个距离单元上出现的概率,z为波形适应处理后的四维数据,P(g)表示概率分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110304170.9A CN113221631B (zh) | 2021-03-22 | 2021-03-22 | 基于卷积神经网络的序列脉冲抗干扰目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110304170.9A CN113221631B (zh) | 2021-03-22 | 2021-03-22 | 基于卷积神经网络的序列脉冲抗干扰目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113221631A CN113221631A (zh) | 2021-08-06 |
CN113221631B true CN113221631B (zh) | 2023-02-10 |
Family
ID=77084013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110304170.9A Active CN113221631B (zh) | 2021-03-22 | 2021-03-22 | 基于卷积神经网络的序列脉冲抗干扰目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113221631B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113805151A (zh) * | 2021-08-17 | 2021-12-17 | 青岛本原微电子有限公司 | 基于注意力机制的中重频雷达目标检测方法 |
CN113869443A (zh) * | 2021-10-09 | 2021-12-31 | 新大陆数字技术股份有限公司 | 基于深度学习的颌骨密度分类方法、***及介质 |
CN113985393B (zh) * | 2021-10-25 | 2024-04-16 | 南京慧尔视智能科技有限公司 | 一种目标检测方法、装置及*** |
CN115453485B (zh) * | 2022-08-31 | 2024-06-18 | 广东工业大学 | 基于深度学习的船载雷达同频异步互扰抑制方法 |
CN115993365B (zh) * | 2023-03-23 | 2023-06-13 | 山东省科学院激光研究所 | 一种基于深度学习的皮带缺陷检测方法及*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111220958A (zh) * | 2019-12-10 | 2020-06-02 | 西安宁远电子电工技术有限公司 | 基于一维卷积神经网络的雷达目标多普勒像分类识别方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3943511A (en) * | 1974-05-31 | 1976-03-09 | Hughes Aircraft Company | Spike enable circuit |
CN102360070B (zh) * | 2011-06-10 | 2013-04-03 | 中国科学技术大学 | 超宽带脉冲信号接收装置及超宽带脉冲雷达*** |
CN103487788B (zh) * | 2013-09-03 | 2016-04-27 | 中国电子科技集团公司第四十一研究所 | 一种序列脉冲信号快速自动提取方法 |
CN106125053B (zh) * | 2016-06-17 | 2019-05-28 | 中国电子科技集团公司第十研究所 | 脉冲多普勒雷达极化抗干扰方法 |
CN107655690A (zh) * | 2017-10-30 | 2018-02-02 | 王才旺 | 基于人工神经网络的电机轴承故障诊断方法 |
CN109190673B (zh) * | 2018-08-03 | 2021-09-03 | 西安电子科技大学 | 基于随机森林和数据拒判的地面目标分类方法 |
CN111062321B (zh) * | 2019-12-17 | 2023-05-30 | 佛山科学技术学院 | 一种基于深度卷积网络的sar检测方法及*** |
CN111123257B (zh) * | 2019-12-30 | 2023-03-28 | 西安电子科技大学 | 基于图时空网络的雷达动目标多帧联合检测方法 |
CN111678599B (zh) * | 2020-07-07 | 2022-11-22 | 安徽大学 | 基于深度学习优化s-g滤波的激光光谱降噪方法及装置 |
-
2021
- 2021-03-22 CN CN202110304170.9A patent/CN113221631B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111220958A (zh) * | 2019-12-10 | 2020-06-02 | 西安宁远电子电工技术有限公司 | 基于一维卷积神经网络的雷达目标多普勒像分类识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113221631A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113221631B (zh) | 基于卷积神经网络的序列脉冲抗干扰目标检测方法 | |
CN111965632B (zh) | 一种基于黎曼流形降维的雷达目标检测方法 | |
CN106125053A (zh) | 脉冲多普勒雷达极化抗干扰方法 | |
CN112036239B (zh) | 一种基于深度学习网络的雷达信号工作模式识别方法及*** | |
CN106383340A (zh) | 一种随机脉冲初始相位雷达的速度假目标识别方法 | |
CN103777189A (zh) | 一种基于信息几何复自回归模型的雷达弱目标检测方法 | |
CN107015205A (zh) | 一种分布式mimo雷达检测的虚假目标消除方法 | |
CN108872961B (zh) | 基于低门限的雷达微弱目标检测方法 | |
Lv et al. | Deep neural network-based interrupted sampling deceptive jamming countermeasure method | |
CN116660840A (zh) | 一种假目标样本缺少条件下基于快-慢时间域联合特征的真、假识别方法 | |
CN107229040B (zh) | 基于稀疏恢复空时谱估计的高频雷达目标检测方法 | |
CN104375139B (zh) | 一种基于一维集方法的脉冲多普勒雷达改进测距方法 | |
Liu et al. | An anti‐jamming method in multistatic radar system based on convolutional neural network | |
CN113608193A (zh) | 一种基于UNet的雷达多目标距离和速度估计方法 | |
CN112213697A (zh) | 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法 | |
Zhao et al. | A modified matrix CFAR detector based on maximum eigenvalue for target detection in the sea clutter | |
CN109541567A (zh) | 基于深度学习的高速机动目标检测方法 | |
CN113109760B (zh) | 一种基于组稀疏的多线谱联合doa估计和聚类方法及*** | |
CN104215960A (zh) | 基于改进粒子滤波的目标跟踪方法 | |
CN115219991A (zh) | 一种基于希尔伯特变换的二相编码调制信号识别方法 | |
CN105548994B (zh) | 一种基于压缩感知的水下多亮点目标的检测方法 | |
CN103954960B (zh) | 基于杂波脊导向矢量的机载预警雷达动目标检测方法 | |
CN106371095A (zh) | 基于脉冲压缩技术的距离向成像方法和距离向成像*** | |
CN109932697B (zh) | 基于压缩感知的微弱目标检测方法 | |
CN115372923B (zh) | 基于多维联合的雷达对海慢速目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |