JP2019086464A - レーダ装置及びそのレーダ信号処理方法 - Google Patents

Abstract

【課題】 ＲＣＳが小さく、受信ＳＮが低い小目標の検出能力を高める。【解決手段】 実施形態のレーダ装置は、Ｎ（Ｎ≧１）ヒットの送信パルスにおけるパルス繰り返し期間における受信信号をドップラ軸の周波数領域に変換してレンジ−ドップラデータを生成し、前記レンジ−ドップラデータをレンジ−ドップラ軸で複数のブロックに分割し、前記複数のブロックそれぞれについて振幅強度のヒストグラムを生成し、前記複数のブロックそれぞれのヒストグラムから多層ニューラルネットワークにより分割ブロックごとに目標の有無を識別してその識別結果から目標検出候補のブロックを抽出し、前記目標検出候補のブロックのブロック範囲のレンジ−ドップラデータを１次元ベクトルに変換し、前記１次元ベクトルから多層ニューラルネットワークによってレンジ−ドップラ軸の目標検出セルを特定し、前記目標検出セルからレンジ、速度の少なくともいずれかを算出する。【選択図】図１

Description

本実施形態は、レーダ装置及びそのレーダ信号処理方法に関する。

従来のレーダ装置では、一般にパルス圧縮（非特許文献１）やＦＦＴ（高速フーリエ変換）をした後、ＣＦＡＲ（Constant False Alarm Rate、非特許文献２）処理を用いることが多い。しかしながら、ＣＦＡＲ処理では、ＲＣＳ（Radar Cross Section）が小さく、受信ＳＮが低い小目標を検出する際に、受信振幅がＣＦＡＲのスレショルドを超えず、非検出になる場合があった。

この対策として、レンジ−ドップラ軸のブロック単位の振幅ヒストグラムから目標を検出する手法（特許文献１）もあるが、振幅ヒストグラム形状からさらにヒストグラム形状等を表す特徴量を抽出するため、想定する特徴量の抽出手法がデータに適合しない場合には、非検出になる可能性があった。

特開2015-176665号公報

大内、"リモートセンシングのための合成開口レーダの基礎"、東京電機大学出版局、pp.131-149(2003) ＣＦＡＲ（Constant False Alarm Rate）処理、吉田、‘改訂レーダ技術’、電子情報通信学会、pp.87-89(1996) ＤＢＳＣＡＮ（Density-based Spatial Clustering of Applications with Noise）、Sebastian Raschka、Python、‘機械学習プログラミング’、インプレス、pp.319-323(2016) ニューラルネットワーク、岡谷、‘深層学習’、講談社、pp.7-26（2014） 活性化関数、岡谷、‘深層学習’、講談社、pp.10-12（2014） 損失関数、岡谷、‘深層学習’、講談社、pp.14-16（2014） 畳み込みＮＮ、岡谷、‘深層学習’、講談社、pp.79-91（2014） 畳み込みＮＮ（アップサンプリング）、藤田、‘実装ディープラーニング’、オーム社、pp.40-45（2016）

以上述べたように、パルス圧縮やＦＦＴ処理を行った後にＣＦＡＲ処理を行う従来のレーダ装置では、ＲＣＳ（Radar Cross Section）が小さく、受信ＳＮが低い小目標を検出する際に、受信振幅がＣＦＡＲのスレショルドを超えず、非検出になる課題があった。

本実施形態は上記課題に鑑みなされたもので、ＲＣＳが小さく、受信ＳＮが低い小目標の検出能力を高めることのできるレーダ装置及びそのレーダ信号処理方法を提供することを目的とする。

上記の課題を解決するために、本実施形態によれば、N（N≧１）ヒットのパルスを送信するコヒーレント方式のレーダ装置において、ＰＲＩ軸に対してＦＦＴ処理を施し、必要に応じてパルス圧縮したレンジ−ドップラデータ（ＲＤデータ）を用いてレンジ−ドップラ軸で（Nh,Mh）(Nh≧1,Mh≧1)にブロック分割し、振幅強度のヒストグラムを作成し、ヒストグラムの一次元ベクトルをブロック検出用の多層ＮＮに入力して、目標検出候補のブロックを抽出し、そのブロック範囲のＲＤデータを１次元ベクトルにしてセル特定用の多層ＮＮに入力して、レンジ−ドップラ軸の検出セルを特定する。

すなわち、本実施形態に係るレーダ装置では、ドップラ−レンジ軸の送受信信号を用いて、ブロック分割した信号から振幅ヒストグラム等の特徴量を抽出して多層ＮＮにより、目標有無のブロックを抽出し、さらに、抽出したブロックのデータに対して、多層ＮＮによりブロック内のレンジ−ドップラ軸のセルを特定し、距離及び速度を出力することができる。

第１の実施形態に係るレーダ装置の概略構成を示すブロック図。 第１の実施形態において、レンジ−ドップラデータをブロック分割、振幅ヒストグラム列のベクトル作成、多層ニューラルネットワークの活用を説明するための図。 第１の実施形態において、多層ニューラルネットワークの各層において、各ユニットが重み付けとバイアス係数を用いて結合される構成を示す図。 第１の実施形態において、検出した目標ブロック内で、レンジ−ドップラ軸の検出セルを特定する手法について説明するための図。 第２の実施形態に係るレーダ装置の概略構成を示すブロック図。 第２の実施形態において、レンジ−ドップラ軸で擬似高分解能化されたレンジ−ドップラデータが得られる様子を示す図。 第３の実施形態に係るレーダ装置の概略構成を示すブロック図。 第３の実施形態において、畳み込みニューラルネットワークの処理の流れを示すブロック図。 第３の実施形態において、畳み込みニューラルネットワークによって目標の距離と速度を取得する様子を示す図。 第４の実施形態に係るレーダ装置の概略構成を示すブロック図。 第４の実施形態に適用されるＤＢＳＣＡＮ方式の処理を説明するための概念図。 第４の実施形態において、クラスタ分析により目標と誤検出の弁別を行う様子を示す概念図。

以下、実施形態について、図面を参照して説明する。尚、各実施形態の説明において、同一部分には同一符号を付して示し、重複する説明を省略する。

（第１の実施形態）
図１乃至図４を参照して、第１の実施形態に係るレーダ装置を説明する。

図１は、第１の実施形態に係るレーダ装置の概略構成を示すブロック図である。このレーダ装置は、送信系統、受信系統、信号処理系統に大別される。

送信系統では、送信信号生成部１で生成されるチャープ信号等の送信信号を周波数変換部２で高周波数信号に変換し、パルス変調部３でパルス変調して、サーキュレータ等の送受分離部４を経由してアンテナ部５からレーダ波として送信する。

受信系統では、アンテナ部５で受信されるレーダ波の反射信号を送受分離部４を経由して周波数変換部１１で中間周波数に変換し、ＡＤ変換部１２でデジタル信号に変換する。

信号処理系統では、デジタル信号に変換された受信信号をパルス圧縮部１３で必要に応じてパルス圧縮（非特許文献１）を施し、ＦＦＴ（Fast Fourier Transform）処理部１４でＰＲＩ（Pulse Repetition Interval）間におけるドップラ軸（slow-time軸）のＦＦＴ処理を施して、レンジ−ドップラ（ＲＤ）データを得る。そして、このＲＤデータをブロック分割部１６で所定のブロックに分割し、ヒストグラム生成部１７で分割単位毎に振幅ヒストグラム（具体的には振幅ヒストグラム列のベクトル）を生成し、多層ＮＮ（Neural Network、非特許文献４）ブロック抽出部１８で多層ＮＮにより分割ブロック毎に目標の有無を識別して目標検出候補のブロックを抽出する。続いて、抽出された目標検出候補のブロック範囲のＲＤデータをブロックベクトル化処理部１９で１次元ベクトルに変換し、多層ＮＮセル特定部２０で１次元ベクトルからレンジ−ドップラ軸の検出セルを多層ＮＮにより特定し、レンジ・速度検出部２２で検出セルからレンジ及び速度を検出する。

上記構成において、図２乃至図４を参照して本実施形態のレーダ信号処理について説明する。図２はＲＤデータをブロック分割、ヒストグラム作成、多層ＮＮの活用を説明するための図、図３は多層ＮＮの各層において、各ユニットが重み付けとバイアス係数を用いて結合される構成を示す図、図４は多層ＮＮにより検出した目標ブロック内でレンジ−ドップラ軸の検出セルを特定する手法について説明するための図である。

上記受信系統で得られたデジタル受信信号が、パルス圧縮部１３で必要に応じてパルス圧縮が施され、ＦＦＴ１４でＰＲＩ間におけるslow-time軸のＦＦＴ処理が施されてＲＤデータが取得されると、このＲＤデータはＲＤデータブロック分割部１６に入力される。

上記ＲＤデータブロック分割部１６は、図２（ａ）に示すように、ＲＤデータRD(r,fd）（r：レンジ、fd：ドップラ周波数）を領域（1〜Nh,1〜Mh）（Nh≧1,Mh≧1の整数）のブロックに分割する。なお、図２（ａ）では、ブロック間が重複しない場合を示しているが、ブロック間の境目付近に目標がある場合の対策のために、ブロック間をスライディングして重複させるようにしてもよい。分割された各ブロックのＲＤデータはヒストグラム生成部１７に入力される。このヒストグラム生成部１７は、図２（ｂ）に示すように、分割されたブロック単位での振幅ヒストグラムを生成する。ここで作成された振幅ヒストグラムは、図２（ｃ）に示すように多層に配列された多層ＮＮブロック抽出部１８に入力される。

上記多層ＮＮブロック抽出部１８において、各層は、図３に示すように、各ユニットが重み付けとバイアス係数を用いて結合されている。数式で表現すると、次式となる。

この出力Zm（ｍ＝１〜Ｍ）に対して、非線形関数である活性化関数（非特許文献５）を適用して、出力ym（ｍ＝１〜Ｍ）を得る。

上記のように、ＲＤデータRD(r,fd）を領域（1〜Nh,1〜Mh）のブロックに分割し、ブロック毎に生成した振幅ヒストグラムは、横軸の振幅強度を所定の固定値により規格化した場合に、ブロック内に他のブロックに比べて強度の大きな異なる振幅の信号が存在すると、その形状が変化する。そこで、多層ＮＮブロック抽出部１８において、その振幅ヒストグラム形状の変化を利用して、多層ＮＮにより目標の有無を識別する。多層ＮＮでは、振幅ヒストグラム形状から、さらに目標の有無を判定しやすい特徴量を抽出する機能があるため、振幅ヒストグラムから、固定した特徴量を抽出する方式（特許文献１）よりも、目標の有無を弁別する能力が向上することが期待できる。

このときの最適なパラメータ（重みとバイアス）を取得するために、目標有りと無しの場合のＲＤデータを用いて、目標の有無を教師信号として学習する。すなわち、学習用のＲＤデータから生成される振幅ヒストグラムを列ベクトルとし、最終出力と目標無しと目標有りの識別出力との差による損失関数（非特許文献６）が最小になるように、各層のパラメータを決定する。そして、このパラメータを用いて、未知の入力データに対して、ブロック毎に推論処理（学習済みのパラメータによる多層ＮＮによる推論処理）を実行して、目標が有るブロックを抽出する。これにより、目標が存在するＲＤデータの範囲を限定できるため、以降に示すセル特定の確度が向上するようになる。

図４を参照して、検出した目標ブロック内で、レンジ−ドップラ軸の検出セルを特定する手法について説明する。

まず、ブロックベクトル化処理部１９では、多層ＮＮブロック抽出部１８で抽出された目標検出ブロックの振幅データを列ベクトルに変換する。列ベクトルの次元数は、全ドップラセル×全レンジセルとなる。また、出力も、全セルのうち、セルを特定するため、入力ユニット数（全セル数）と同一のユニット数の出力が必要である。この場合のパラメータ（重みとバイアス）を学習するために、目標有りと無しの場合のＲＤデータを用いて、目標が存在するセルを１、存在しないセルを０とした教師信号を作成し、この教師信号に基づいて学習する。そこで、多層ＮＮセル特定部２０では、学習用のＲＤデータの全セルを一次元の列ベクトルとして入力し、全セルの目標有無の最終出力と学習出力との差による損失関数（非特許文献６）が最小となるように、各層のパラメータを決定する。このパラメータを用いて、目標が存在するブロックのＲＤデータに対して、推論処理（学習済みのパラメータによる多層ＮＮによる推論処理）を実行して、目標のセルを特定する。レンジ・速度検出部２２では、特定されたセルのレンジ（距離）及びドップラ周波数により、目標のレンジと速度を算出し出力する。なお、速度はドップラ周波数より次式で算出できる。

以上のように、第１の実施形態に係るレーダ装置では、Ｎ（Ｎ≧１）ヒットのパルスを送信するコヒーレント方式において、ＰＲＩ軸に対してＦＦＴ処理を施し、必要に応じてパルス圧縮したＲＤデータを用いてレンジ−ドップラ軸で（Nh,Mh）（Nh≧1,Mh≧1）にブロック分割し、振幅強度のヒストグラムを生成し、振幅ヒストグラムの一次元ベクトルをブロック検出用の多層ＮＮに入力して目標検出候補のブロックを抽出し、そのブロック範囲のＲＤデータを１次元ベクトルにしてセル特定用の多層ＮＮに入力し、レンジ−ドップラ軸の検出セルを特定する。すなわち、上記レーダ装置では、レンジ−ドップラ軸の送受信信号を用いて、ブロック分割した信号から振幅ヒストグラムの特徴量を抽出し、多層ＮＮによって目標有無のブロックを抽出する。さらに、抽出したブロックのＲＤデータに対して、多層ＮＮによりブロック内のレンジ−ドップラ軸のセルを特定することで、距離及び速度を算出し出力する。

ここで、従来のパルス圧縮やドップラフィルタによりＣＦＡＲを用いて目標を検出するレーダ装置の場合には、目標の振幅強度を用いて、ＣＦＡＲのスレショルドを超える場合に検出をあげる手法が一般的であった。この場合には、各目標に対して複数点の反射点がある場合でも、振幅強度が最大の点とスレショルドを比較して検出する手法であるため、最大点の振幅強度が低い場合に検出できないという課題があった。これに対して、本実施形態では、各目標の反射点が複数あることを利用しているので、最大点の振幅強度が低い場合の検出確率を向上させることができる。

（第２の実施形態）
第１の実施形態は、ＲＤデータをそのまま使った手法である。この場合、ブロッックを細分化すると、セル数が少なくなり、振幅ヒストグラムの特徴が正しく抽出できない場合が想定される。そこで、本実施形態では、この対策手法について述べる。

図５は第２の実施形態に係るレーダ装置を構成を示すブロック図である。本実施形態のレーダ装置は、第１の実施形態とほぼ同様の構成であるが、パルス圧縮（１３）、ＦＦＴ（１４）等の信号処理を施したＲＤデータを擬似高分解能化処理部１５に入力し、レンジ軸（fast-time軸）とドップラ軸（slow-time軸）のいずれか少なくとも一方について擬似高分解能化を行う。このために、擬似高分解能化処理部１５では、ＲＤデータについて次式に示す逆フーリエ変換（ＩＦＦＴ）を施す。

ここでは、レンジ軸とドップラ軸のいずれも擬似高分解能化する方式として述べるが、いずれか一方の軸の擬似高分解能化の場合は、その軸のみの処理でよい。

上記のように２次元逆変換されたＲＤデータRDfに対して、レンジ軸とドップラ軸にゼロ埋めを行い、次元数をNz×Mz（Nz＞N，Mz＞M）にしたものをRDfzとする。このＲＤデータRDfzに対して、２次元ＦＦＴを行う。

これにより、図６（ａ）に示すように誤検出が含まれるＲＤデータは、レンジ−ドップラ軸で擬似高分解能化されることで、目標付近では目標による振幅の山の裾野の反射点も観測しやすくなり、図６（ｂ）に示すように反射点が増えることが期待できる。このＲＤデータを用いて第１の実施形態と同様の処理によって目標を検出することで、振幅ヒストグラムの特徴量が検出しやすくなり、目標が存在するブロック内のセル特定においても、目標セルを特定しやすくなることが期待できる。

以上のように第２の実施形態に係るレーダ装置では、ＲＤデータに対してレンジ軸（fast-time軸）及びドップラ軸（slow-time軸）の少なくともいずれか一方をＩＦＦＴ処理し、各々の軸にゼロ埋めをした後、ＦＦＴ処理して擬似高分解能化したＲＤデータに対して第１の実施形態の処理を適用することで、ＲＤデータを擬似高分解能してセル数を増加させ、振幅ヒストグラム等の特徴量を抽出しやすくしているので、目標候補のブロックを抽出することができ、目標セルを特定できることができる。

（第３の実施形態）
第２の実施形態では、擬似高分解能化により、ＲＤデータの高分解能化を図り、多層ＮＮに入力して、ブロック抽出とセル特定を行う方法について述べた。この場合、セル特定の際に、入力信号を列ベクトル化しているため、レンジ−ドップラ軸のセル位置の情報が失われ、レンジ−ドップラ軸における位置の特徴が含まれないことになる。本実施形態では、レンジ−ドップラ軸の位置情報まで用いて、セルを特定する手法について述べる。

図７は第３の実施形態に係るレーダ装置の概略構成を示すブロック図である。本実施形態のレーダ装置は、図１に示したブロックベクトル化処理部１９及び多層ＮＮセル特定部２０に代わってＣＮＮ（Convolutional Neural Network、非特許文献７、８）セル特定部２１を備える。すなわち、多層ＮＮによって目標有りのブロックを抽出するまでは、第２の実施形態と同様の処理を行うが、ブロックを抽出した後は、ＣＮＮセル特定部２０において、セル特定の際に畳み込みＮＮを用いる。

ＣＮＮは、図８に示すように、入力層３１、畳み込み層３２、プーリング層３３、畳み込み層３４、プーリング層３５、複数段のアップサンプリング層３６、全結合層３７を備え、畳み込み層３２で、位置情報を保持するようなフィルタをかけ、プーリング層３３で畳み込みフィルタ後の所定の範囲のセルの最大値や平均値を出力する。これより、入力データの若干の位置ずれ等の誤差を吸収できる。これを必要に応じて繰り返し、特徴量を抽出しやすくする。ＣＮＮにより、入力の２次元データのセル数が小さくなるため、出力としては、擬似高分解能化する前のセル数以上の出力するように、畳み込み数及びプーリング層の後にアップサンプリング層３６（非特許文献８）等を追加した多層ＮＮを構成する。学習手法は、第２の実施形態と同様である。

以上のように、本実施形態に係るレーダ装置では、図９に示すように、ＣＮＮにより、レンジ−ドップラ軸上で個々の目標の複数反射点の位置関係まで含めた特徴量を用いて目標セルを特定できるため、第１の実施形態におけるＲＤデータの列ベクトル化による多層ＮＮへの入力する場合に比べて、効率的に目標を抽出することができる。これにより、第２の実施形態と同様に目標のレンジと速度を出力することができる。また、ＲＤデータに対して、レンジ軸（fast-time軸）及びドップラ軸（slow-time軸）をＩＦＦＴ処理し、各々の軸にゼロ埋めをした後、ＦＦＴ処理して擬似高分解能化したＲＤデータに対して、レンジ−ドップラ軸で（Nh,Mh）(Nh≧1,Mh≧1）にブロック分割し、振幅強度のヒストグラムを生成し、ヒストグラムの一次元ベクトルをブロック検出用の多層ＮＮに入力して、目標検出候補のブロックを抽出し、そのブロック範囲のＲＤデータをＣＮＮに入力して、レンジ−ドップラ軸の検出セルを特定する。すなわち、ＲＤデータを擬似高分解能化してセル数を増加させることにより、振幅ヒストグラム等の特徴量を抽出しやすくなり、これによって目標候補のブロックを容易に抽出できる。さらに、畳み込みＮＮ（ＣＮＮ）によってレンジ−ドップラ軸の反射点配置まで考慮した特徴量を用いることができ、精度よく目標セルを特定することができる。

（第４の実施形態）
第１乃至第３の実施形態では、多層ＮＮによりブロック抽出した後、抽出したブロック内の目標検出セルを特定する手法について述べた。この場合、多層ＮＮの学習の度合いによっては誤検出が生じる場合もある。本実施形態では、その対策例について述べる。

図１０は第４の実施形態に係るレーダ装置の概略構成を示すブロック図である。本実施形態では、多層ＮＮによるブロック検出と多層ＮＮ（第１及び第２の実施形態）やＣＮＮ（第３の実施形態）によるセル特定までは、第１乃至第３の実施形態と同様であるが、多層ＮＮセル特定部２０でセルを特定した後、クラスタ分析部２３により、レンジ−ドップラ軸における目標と誤検出の密度差を用いて弁別する点を特徴とする。

上記クラスタ分析の例として、図１１に示すＤＢＳＣＡＮ（Density-based Spatial Clustering of Applications with Noise、非特許文献３）方式がある。これは、ゲート半径（コア点からゲート外周までの距離）εとゲート内のボーダー点観測値の点数を指定して、その条件にあてはまるクラスタを形成するものである。目標が存在するレンジ−ドップラ付近では、目標強度により複数点数の反射点があるが、ランダムに出現する誤検出では点数が少ない。このことを利用して、多層ＮＮによりセル特定した後のレンジ−ドップラ軸のデータに対して、図１２に示すように、クラスタを分析することにより、目標と誤検出の弁別を行うことができる。

このクラスタ分析の入力としては、多層ＮＮにより検出があがったセルを１とし、それ以外を０としたレンジ−ドップラの２次元の全セルデータを入力とする。なお、クラスタ分析として、ＤＢＳＡＮ方式以外の手法でもよい。また、本実施形態では、パルス圧縮を行うレーダの場合で述べたが、パルス圧縮を行わない場合にも適用することができる。

以上のように、本実施形態に係るレーダ装置は、検出したセルデータ（観測値座標）を用いて、２次元座標（レンジ−ドップラ軸）にプロットし、２次元のプロット座標を入力として、クラスタ分析を行うことにより、密度差により目標検出を確定することができる。すなわち、目標候補のブロックを抽出した後、候補ブロック内のセル特定の際に、クラスタ分析をしてセルを抽出することで、誤検出がある場合でも密度差により、目標と誤検出の弁別を行い、目標セルを特定することができる。

なお、本発明は上記実施形態をそのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合わせにより、種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態にわたる構成要素を適宜組み合わせてもよい。

１…送信信号生成部、２…周波数変換部、３…パルス変調部、４…送受分離部、５…アンテナ部、１１…周波数変換部、１２…ＡＤ変換部、１３…パルス圧縮部、１４…ＦＦＴ（Fast Fourier Transform）処理部、１５…擬似高分解能化処理部、１６…ＲＤデータブロック分割部、１７…ヒストグラム生成部、１８…多層ＮＮブロック抽出部、１９…ブロックベクトル化処理部、２０…多層ＮＮセル特定部、２１…ＣＮＮセル特定部、２２…レンジ・速度検出部、２３…クラスタ分析部、３１…入力層、３２…畳み込み層、３３…プーリング層、３４…畳み込み層、３５…プーリング層、３６…アップサンプリング層、３７…全結合層。

Claims (7)

1. Ｎ（Ｎ≧１）ヒットの送信パルスにおけるパルス繰り返し期間における受信信号をドップラ軸の周波数領域に変換してレンジ−ドップラデータを生成する生成手段と、
   前記生成手段で生成された前記レンジ−ドップラデータをレンジ−ドップラ軸で複数のブロックに分割する分割手段と、
   前記分割手段で分割された複数のブロックそれぞれについて振幅強度のヒストグラムを生成する生成手段と、
   前記生成手段で生成された複数のブロックそれぞれのヒストグラムから多層ニューラルネットワークにより分割ブロックごとに目標の有無を識別し、その識別結果から目標検出候補のブロックを抽出する抽出手段と、
   前記抽出手段で抽出された前記目標検出候補のブロックのブロック範囲のレンジ−ドップラデータを１次元ベクトルに変換するベクトル化手段と、
   前記ベクトル化手段で得られた１次元ベクトルから多層ニューラルネットワークによってレンジ−ドップラ軸の目標検出セルを特定する特定手段と、
   前記特定手段で特定された目標検出セルからレンジ、速度の少なくともいずれかを算出する算出手段と
   を具備するレーダ装置。
2. Ｎ（Ｎ≧１）ヒットの送信パルスにおけるパルス繰り返し期間における受信信号をドップラ軸の周波数領域に変換してレンジ−ドップラデータを生成する生成手段と、
   前記生成手段で生成されたレンジ−ドップラデータに対して、レンジ軸及びドップラ軸を逆フーリエ変換し、各々の軸にゼロ埋めをした後、フーリエ変換して擬似高分解能化する擬似高分解能化手段と、
   前記擬似高分解能化手段で擬似高分解能化されたレンジ−ドップラデータをレンジ−ドップラ軸で複数のブロックに分割する分割手段と、
   前記分割手段で分割された複数のブロックそれぞれについて振幅強度のヒストグラムを生成する生成手段と、
   前記生成手段で生成された複数のブロックそれぞれのヒストグラムから多層ニューラルネットワークにより分割ブロックごとに目標の有無を識別し、その識別結果から目標検出候補のブロックを抽出する抽出手段と、
   前記抽出手段で抽出された前記目標検出候補のブロックのブロック範囲のレンジ−ドップラデータを１次元ベクトルに変換するベクトル化手段と、
   前記ベクトル化手段で得られた１次元ベクトルから多層ニューラルネットワークによってレンジ−ドップラ軸の目標検出セルを特定する特定手段と、
   前記特定手段で特定された目標検出セルからレンジ、速度の少なくともいずれかを算出する算出手段と
   を具備するレーダ装置。
3. Ｎ（Ｎ≧１）ヒットの送信パルスにおけるパルス繰り返し期間における受信信号をドップラ軸の周波数領域に変換してレンジ−ドップラデータを生成する生成手段と、
   前記生成手段で生成されたレンジ−ドップラデータに対して、レンジ軸及びドップラ軸を逆フーリエ変換し、各々の軸にゼロ埋めをした後、フーリエ変換して擬似高分解能化する擬似高分解能化手段と、
   前記擬似高分解能化手段で擬似高分解能化されたレンジ−ドップラデータをレンジ−ドップラ軸で複数のブロックに分割する分割手段と、
   前記分割手段で分割された複数のブロックそれぞれについて振幅強度のヒストグラムを生成する生成手段と、
   前記生成手段で生成された複数のブロックそれぞれのヒストグラムから多層ニューラルネットワークにより分割ブロックごとに目標の有無を識別し、その識別結果から目標検出候補のブロックを抽出する抽出手段と、
   前記抽出手段で抽出された前記目標検出候補のブロックのブロック範囲のレンジ−ドップラデータを畳み込みニューラルネットワークによりレンジ−ドップラ軸の目標検出セルを特定する特定手段と、
   前記特定手段で特定された目標検出セルからレンジ、速度の少なくともいずれかを算出する算出手段と
   を具備するレーダ装置。
4. さらに、前記特定手段で特定された目標検出セルの観測値座標を用いて前記レンジ−ドップラ軸の２次元座標にプロットし、そのプロット座標をクラスタ分析してプロット点の密度差に基づいて目標検出を確定し、前記算出手段に出力するクラスタ分析手段を備える請求項１乃至３いずれか記載のレーダ装置。
5. Ｎ（Ｎ≧１）ヒットの送信パルスにおけるパルス繰り返し期間における受信信号をドップラ軸の周波数領域に変換してレンジ−ドップラデータを生成し、
   前記レンジ−ドップラデータをレンジ−ドップラ軸で複数のブロックに分割し、
   前記複数のブロックそれぞれについて振幅強度のヒストグラムを生成し、
   前記複数のブロックそれぞれのヒストグラムから多層ニューラルネットワークにより分割ブロックごとに目標の有無を識別してその識別結果から目標検出候補のブロックを抽出し、
   前記目標検出候補のブロックのブロック範囲のレンジ−ドップラデータを１次元ベクトルに変換し、
   前記１次元ベクトルから多層ニューラルネットワークによってレンジ−ドップラ軸の目標検出セルを特定し、
   前記目標検出セルからレンジ、速度の少なくともいずれかを算出するレーダ装置のレーダ信号処理方法。
6. Ｎ（Ｎ≧１）ヒットの送信パルスにおけるパルス繰り返し期間における受信信号をドップラ軸の周波数領域に変換してレンジ−ドップラデータを生成し、
   前記レンジ−ドップラデータに対して、レンジ軸及びドップラ軸を逆フーリエ変換し、各々の軸にゼロ埋めをした後、フーリエ変換して擬似高分解能化し、
   前記擬似高分解能化されたレンジ−ドップラデータをレンジ−ドップラ軸で複数のブロックに分割し、
   前記複数のブロックそれぞれについて振幅強度のヒストグラムを生成する生成手段と、
   前記複数のブロックそれぞれのヒストグラムから多層ニューラルネットワークにより分割ブロックごとに目標の有無を識別しその識別結果から目標検出候補のブロックを抽出し、
   前記前記目標検出候補のブロックのブロック範囲のレンジ−ドップラデータを１次元ベクトルに変換し、
   前記１次元ベクトルから多層ニューラルネットワークによってレンジ−ドップラ軸の目標検出セルを特定し、
   前記目標検出セルからレンジ、速度の少なくともいずれかを算出するレーダ装置のレーダ信号処理方法。
7. Ｎ（Ｎ≧１）ヒットの送信パルスにおけるパルス繰り返し期間における受信信号をドップラ軸の周波数領域に変換してレンジ−ドップラデータを生成し、
   前記レンジ−ドップラデータに対して、レンジ軸及びドップラ軸を逆フーリエ変換し、各々の軸にゼロ埋めをした後、フーリエ変換して擬似高分解能化し、
   前記擬似高分解能化されたレンジ−ドップラデータをレンジ−ドップラ軸で複数のブロックに分割し、
   前記複数のブロックそれぞれについて振幅強度のヒストグラムを生成し、
   前記複数のブロックそれぞれのヒストグラムから多層ニューラルネットワークにより分割ブロックごとに目標の有無を識別しその識別結果から目標検出候補のブロックを抽出し、
   前記目標検出候補のブロックのブロック範囲のレンジ−ドップラデータを畳み込みニューラルネットワークによりレンジ−ドップラ軸の目標検出セルを特定し、
   前記目標検出セルからレンジ、速度の少なくともいずれかを算出するレーダ装置のレーダ信号処理方法。

Images