基于深度学习的海上目标一维序列信号目标检测方法

当前海面目标检测方法多基于统计理论,检测性能受背景统计特性假设的影响,本文从信号预测和特征分类两个角度,分别采用长短时记忆网络(LSTM)和卷积神经网络(CNN)对信号时间序列幅度信息进行处理,用于海上目标一维序列雷达信号检测,该方法不需事先假设背景统计特性,泛化能力更强。基于LSTM序列预测的目标检测方法通过用海杂波信号幅度时间序列对网络进行训练,再用训练后的网络对后续序列进行预测,并与后续实测信号进行比较,实现目标检测。基于CNN序列分类的目标检测方法中采用截取的海杂波信号和目标信号幅度序列作为数据集样本,对一维卷积核CNN进行训练,使其具有识别目标杂波信号特征能力,从而实现目标检测。最后,采用IPIX和CSIR实测海杂波数据对两种方法进行验证,结果表明两种方法均可实现一维序列信号中海面目标的检测,但LSTM预测方法对于长序列检测的实时性有待于进一步提高;CNN分类方法可实现实时检测,但仅利用信号幅度信息,检测性能仍需进一步提升。      

雷达海上目标双通道卷积神经网络特征融合智能检测方法

受复杂海洋环境影响,基于统计理论的海面目标检测方法由于假设条件不成立,在实际应用中难以实现高性能检测,本文从特征提取分类角度,通过深度学习分类方法对目标和杂波的雷达回波信号进行二元分类,提出了一种基于双通道卷积神经网络(DCCNN)的雷达海上目标智能检测方法。首先,对实测海杂波和目标雷达信号进行预处理,得到信号的时间-多普勒谱和幅度信息;然后,构建DCCNN对预处理得到的数据进行智能特征提取,得到信号的特征向量,并对不同特征提取模型性能进行测试;最后,通过阈值可设的Softmax分类器作为检测器对特征向量进行分类,实现虚警率的控制。测试结果表明:与传统的单通道CNN以及无虚警控制Hog-SVM分类算法相比,基于二维卷积核VGG16和一维卷积核LeNet的DCCNN特征提取模型和softmax分类器可实现更高的检测性能,并可以实现虚警率控制,为复杂海杂波背景下目标智能检测提供了新的技术途径。     

基于时频图深度学习的雷达动目标检测与分类

雷达动目标检测技术一直是雷达信号处理领域中的关键技术,而传统的雷达动目标检测技术仅适用于匀速运动目标,检测性能有限。针对该问题提出一种基于卷积神经网络(CNN)时频图处理的雷达动目标检测方法,通过从雷达动目标回波中提取多普勒频移信息,然后利用短时傅里叶变换转换为时频图,输入卷积神经网络,进行深度特征学习,进而实现检测和分类的目的。仿真数据验证表明,所提方法能够有效检测和区分匀速、匀变速运动以及微动目标,稳健性高,与传统动目标检测方法相比具有显著优势。     

基于卷积神经网络的海上微动目标检测与分类方法

该文利用深度学习的高维特征泛化学习能力,将卷积神经网络(CNN)用于海上目标微多普勒的检测和分类。首先,在海面微动目标模型的基础上,在实测海杂波背景中分别构建4种类型微动信号的2维时频图,并作为训练和测试数据集;然后,分别采用LeNet, AlexNet和GoogLeNet 3种CNN模型进行二元检测和多种微动类型分类,并进行比较,研究信杂比对检测和分类性能的影响。最后,与传统的支持向量机方法进行比较,结果表明,所提方法能够智能学习微动特征,具有更好的检测和分类性能,可为杂波背景下的雷达动目标检测和识别提供新的技术途径。