深度学习技术在雷达目标检测中的研究进展
深度学习技术在雷达目标检测中的研究进展
作者：宋婷 贺丰收 程宇峰
来源：《航空科学技术》2020年第10期
        摘要：随着对航空科技水平需求的不断提升，人工智能技术为该领域突破发展提供了可能。其中，深度学习作为一种人工智能的技术方法，在诸多方面展现出巨大的优势而受到广泛研究和关注。针对雷达目标检测而言，深度学习方法是以数据驱动的方式，建立端对端网络，避免人工提取特征表达力不足，实现优越检测的性能，因此在雷达领域受到越来越多的关注和研究。本文首先介绍了雷达目标检测领域相关知识，指出传统检测方法的局限性；然后对目前深度神经网络检测经典方法进行了分析和归纳，重点介绍了深度神经网络在雷达目标检测中的研究现状；最后对深度学习在雷达目标检测领域应用中存在的技术挑战进行了分析，并就未来相关技术的发展趋势进行了展望。
        关键词：深度学习；雷达目标检测；深度神经网络；时序信号检测；时频域信号检测
国际化妆品品牌
高考成绩查询方式        中图分类号：TN953文献标识码：ADOI：10.19452/j.issn1007-5453.2020.10.003
        基金项目：航空科学基金（20172007002）
        雷达具有全天候、全天时、作用距离远等特点，可以对环境和目标进行监测。雷达工作在探测模式下，可对照射区域的回波进行分析处理，从杂波、干扰、噪声等信号中检测到目标信息，并确定其距离、速度、角度等信息[1]。由于雷达检测技术跟任务和应用场景紧密相关，以机载雷达为例，目前机载雷达主要采用脉冲多普勒体制，能够适应对空、对海和对地探测任务，完成目标检测处理，提取目标信息。当机载雷达执行对空目标探测时，主要通过相参积累提高目标信杂噪比后，再进行恒虚警（CFAR）检测；当执行对海搜索任务时，可通过非相参积累实现目标检测；当执行对地观测任务时，通过宽带成像功能的雷达还可以获取目标高分辨距离像（HRRP）数据和合成孔径雷达（SAR）成像，针对HRRP和SAR图像实现目标检测功能。
        近年来，雷达目标检测技术日臻成熟。现有的目标检测主要采用目标先积累后检测的方法和杂波抑制后检测的方法。仅积累目标能量后检测方法适用于均匀杂波、噪声场景，然而，针对复杂杂波场景下目标检测方法[2-3]，往往需要先估计杂波分布特性，如空时二维自适应处理（STAP），获取待测距离单元杂波同分布特性的杂波样本，通过空、时域加
权在待测目标通道形成杂波凹口实现杂波抑制。但由于目前杂波环境复杂性，传统杂波协方差估计难以获取足够独立同分布样本，使得复杂杂波抑制效果欠佳，目标检测能力受限。
        2012年，在ImageNet竞赛上，深度学习方法以绝对优势获得冠军，其中，卷积神经网络（CNN）由于其强大的特征提取能力受到广泛关注。1998年，Y. Lecun[4]等提出LeNet-5网络作为CNN最经典的网络结构实现文本识别，而后发展到2015年Ross B.Grishick提出的Faster R-CNN[5]两阶段检测网络，以较高的准确率实现自动目标检测。2018年，Joseph Redmon提出的YOLOV3[6]端到端检测模型，以其出的实时检测速度成为目前开源主流检测算法之一。除此之外，还有基于针对数据重构的自编码器（AE）[7]系列、基于概率生成模型的深度置信网络（DBN）[8]等，在序列信号处理领域有着广泛的应用。随着深度学习方法在图像识别、语音处理、优化决策领域的卓越表现，目前许多研究学者利用深度学习技术在雷达中展开研究，主要的研究领域包括：采用卷积神经网络等进行自动目标识别（ATR）[9-12]，采用深度神经网络（deep neural network ， DNN）进行微动多普勒分类[13]，采用深度学习方法进行雷达对抗环境下的作战意图分析[14-15]等。基于深度学习的雷达目标检测方法是以数据驱动的形式，利用深层神经网络对特征的
高维空间表达提取有效信息，建立从输入数据到输出检测结果的端对端网络，避免了人工提取特征和建模方法表达力不足的问题，在有效训练数据充足的前提下，网络在定位、分类等问题上的准确性能相比传统网络有着显著提升。本文主要利用深度学习技术解决雷达目标检测的问题。
　　蛸蜞        1目标检测现状
        雷达目标检测任务可以分解为两个部分：雷达目标分类和目标定位。雷达目标分类需要判断输入数据是目标还是杂波、干扰，目标定位需要解算输入数据的位置。以对空探测为例，雷达目标检测会在雷达多普勒-距離维回波中标注出目标所在距离门和频率门，同时将目标功率、信噪比、雷达截面积（RCS）、角度、速度等信息存储在目标列表中，便于后续进行目标跟踪、识别。
生猪价格 今日猪价春节高速免费时间2022免费几天        1.1传统雷达目标检测方法
        以相控阵雷达目标检测[1]为例，针对相控阵雷达的回波数据，先对其进行相参/非相参积累和相关滤波处理，尽可能滤除噪声，抑制杂波，然后根据某些准则（如奈曼-皮尔逊梦到大蟒蛇
准则），对每帧回波设置固定或自适应检测门限，将超过检测门限的数据输出得到检测结果，如图1所示。
        近年来，隐身、高机动目标的出现，给传统雷达检测带来了巨大的挑战，同时传统检测方法在处理经典应用场景（如对海探测等）时，相关的性能输出指标已经逼近技术上限，存在明显的瓶颈，亟待突破。主要表现在：（1）现代雷达信号理论基本还是遵循平稳信号的处理模型，在非平稳信号（杂波）场景下的应用存在技术瓶颈；（2）只利用单个频率和距离单元的孤立处理方法，如经典的恒虚警检测技术，并未涉及目标高机动时速度变化和距离门走动等。
        针对雷达高速弱小复杂环境下的目标检测，非平稳现象对目标积累带来的影响会严重影响传统方法的检测性能。
        当前机载雷达对海面目标检测方法主要针对海杂波分布模型假设，用统计模型描述海杂波分布进行检测。基于分布模型的方法核心在于以实际数据和假设模型高拟合度为前提[16]。但受实际海情影响，模型方法对数据描述精确度不够，限制了对海目标检测性能的提升。
        1.2基于深度学习的目标检测方法
        基于深度学习（deep learning）的目标检测流程如图2所示。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。