买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国电子科技集团公司第五十四研究所;桂林电子科技大学

摘要：本发明公开了一种基于深度学习的海杂波环境下低小慢目标检测方法，属于雷达技术领域。其包括：对天线接收信号进行预处理和MTD处理，获得包含海浪反射杂波及动目标回波复包络信号；采集动目标数据，沿距离维和多普勒维扩展特征矩阵；设计海杂波下目标检测卷积神经网络，以含有目标的的特征矩阵和海杂波的特征矩阵为数据集训练得到网络模型；从待检测数据中获得大能量尖峰，以尖峰为中心构建特征矩阵，并记录距离‑多普勒图上的坐标；将待测矩阵输入网络，输出检测结果；输出判断为目标的尖峰坐标，实现对目标回波的检测。本发明可应用于海杂波环境下，实现在海杂波对低小慢目标回波进行有效检测，并有效降低虚警，加快深度学习检测的速度。

主权项：1.一种基于深度学习的海杂波环境下低小慢目标检测方法，其特征在于，用于对低小慢目标进行快速智能检测并降低虚警，包括如下步骤：步骤1：对包含目标信息的雷达接收信号预处理，并进行动目标检测处理，获得包含海浪反射杂波以及动目标回波的复包络信号SMTDn,i，n＝1,2,...N，i＝1,2,...I，N表示距离单元总数，I表示多普勒单元总数；步骤2：对SMTDn,i数据取绝对值，得到Sabsn,i＝|SMTDn,i|，将目标的数据单元K沿距离维和多普勒维做W×H尺寸的扩展，生成W×H的目标特征矩阵Kr： 其中，K为Sabsn,i上的一点，K的坐标为d,r，d为多普勒维坐标，r为距离维坐标，H是对多普勒维的扩展范围，W是对距离维的扩展范围；步骤3：采集N个目标的目标特征矩阵Kr，以及N个的尺寸为W×H的海杂波特征矩阵Cr： 其中，C为Sabsn,i上的一点，C的坐标为d,r，d为多普勒维坐标，r为距离维坐标，H是对多普勒维的扩展范围，W是对距离维的扩展范围；将两种特征矩阵拼接，作为卷积神经网络的训练数据集Z，其表达式如下：Z＝{Kr1,Kr2,...,KrN,Cr1,Cr2,...,CrN}其中，KrN表示第N个目标的目标特征矩阵，CrN表示第N个目标的海杂波特征矩阵，海杂波特征矩阵集的标签设置为0，目标特征矩阵集的标签设置为1；步骤4：将训练数据集Z的每个元素按行排列，照如下式子进行归一化处理： 其中，ymin是期望的每一行的最小值，ymin＝0，ymax是期望的每一行的最大值，xmin是每行元素的最小值，xmax是每行元素的最大值，x为预处理数据；y为每行中各元素归一化的结果，归一化后得到数据集步骤5：设计海杂波下目标检测卷积神经网络，由卷积层、rule激活层、池化层、全连接层构成，分类函数采用softmax函数，表达式如下所示： 其中其中，为每个特征矩阵的分类概率，为第j个特征矩阵的分类概率，o为全连接层的输出向量，oj为全连接层的输出向量的第j个元素，k为全连接层的输出向量的任一个元素；损失函数为交叉熵损失函数；将归一化数据集输入海杂波下目标检测卷积神经网络进行训练，分类准则为如下： γ为输出标签，经过训练后得到训练完毕的海杂波下目标检测卷积神经网络；步骤6：对待检测的雷达接收信号，执行步骤1，获得SMTDn,i，对SMTDn,i取绝对值，获得Sabsn,i，对Sabsn,i沿距离维取M个从大到小的尖峰Km，Km为Sabsn,i上的一点，保存对应尖峰Km的距离多普勒坐标rm,dm,m＝1,2,...M；然后执行步骤3，构建特征矩阵Kr，每帧Sabsn,i包含N×M个待检测特征矩阵Kr；步骤7：将N×M个待检测特征矩阵Kr按步骤4进行归一化，然后输入训练完毕的海杂波下目标检测卷积神经网络；步骤8：海杂波下目标检测卷积神经网络输出检测结果，根据步骤5的分类准则，分类概率时输出为1，表示存在目标，分类概率时输出为0，表示无目标；对于输出为0的特征矩阵，将其坐标数据清除，对于输出为1的特征矩阵，保留并输出对应坐标r,d。

全文数据：

权利要求：

百度查询： 中国电子科技集团公司第五十四研究所 桂林电子科技大学 一种基于深度学习的海杂波环境下低小慢目标检测方法