一种基于LSTM的多源域的高重频雷达目标检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113625244A(43)申请公布日2021.11.09(21)申请号202110927907.2(22)申请日2021.08.11(71)申请人青岛本原微电子有限公司地址266200山东省青岛市即墨区宁东路168号(72)发明人王武奇田姗姗(74)专利代理机构青岛联智专利商标事务所有限公司37101代理人王笑(51)Int.Cl.G01S7/41(2006.01)权利要求书2页说明书3页附图3页(54)发明名称一种基于LSTM的多源域的高重频雷达目标检测方法(57)摘要本发明公开了一种基于LSTM的多源域的高重频雷达目标检测方法，包括：对雷达接收的回波信号进行连续三帧的非相参积累，然后将回波数据转换为平滑伪维格纳分布二维图像、一维时间序列进行傅里叶变换得到的一维频率图、复数回波数据求幅值的一维图，并划分数据集；搭建目标分类卷积网络用于判断目标有无；搭建基于LSTM的目标频率检测网络；将训练得到模型用于目标分类和目标频率预测；训练过程中每个Epoch后使用验证集验证网络是否欠拟合或者过拟合；在验证集和测试集上计算目标检测的准确率、漏检率、虚警率是否满足检测要求，若不满足则设置新的初始化参数重新训练。本发明具有实现简单、检测精度高、适用于广泛的的特点。CN113625244ACN113625244A权利要求书1/2页1.一种基于LSTM的多源域的高重频雷达目标检测方法，其特征在于，包括：对连续的高重频雷达信号进行非相参累积；处理非相参累积后的信号得到spwvd图、fft图和幅值图，划分数据集；构建目标分类卷积网络和基于LSTM的目标频率回归网络；采用训练得到的模型进行目标分类，并使用平均绝对误差回归进行目标频率预测；在验证集和测试集上计算目标检测的准确率、漏检率、虚警率，以及频率回归的准确率是否满足检测要求，在不满足时设置新的初始化参数重新训练直至满足检测要求。2.根据权利要求1所述的基于LSTM的多源域的高重频雷达目标检测方法，其特征在于，对连续的高重频雷达信号进行非相参累积，具体为：对接收的雷达回波的时间序列信号先进行以步长为三的连续的三帧非相参累积。3.根据权利要求1所述的基于LSTM的多源域的高重频雷达目标检测方法，其特征在于，基于非相参累积后的信号得到spwvd图、fft图和幅值图，具体包括：对非相参累积后的信号分别进行如下处理得到多源域输入：将非相参累积后的信号转换为平滑伪维格纳分布二维图；将非相参累积后的一维时间序列进行傅里叶变换得到一维频率图；将非相参累积后的复数数据求幅值得到一维图。4.根据权利要求1所述的基于LSTM的多源域的高重频雷达目标检测方法，其特征在于，构建目标分类卷积网络包括：针对spwvd图设计二维卷积网络分支；针对fft图和幅值图分别设计一维卷积网络分支；将三个卷积网络分支得到的特征经过平均池化层、全连接层形成一维向量，再经过拼接层形成总特征，最后经过全连接层筛选融合输出；其中，二维卷积网络由二维卷积层和二维残差卷积层构成，一维卷积网络由一维卷积层和一维残差卷积层构成。5.根据权利要求1所述的基于LSTM的多源域的高重频雷达目标检测方法，其特征在于，所述基于LSTM的目标频率回归网络的输入为未做非相参累积的信号的连续数据的spwvd图。6.根据权利要求1所述的基于LSTM的多源域的高重频雷达目标检测方法，其特征在于，所述方法还包括：为构建的目标分类卷积网络的训练设置起始训练参数：设置100个Epoch；初始学习率为0.001；设置学习率下降机制：在第60个Epoch、第80个Epoch学习率分别下降1/10；Batchsize为16；早停机制：当泛化错误在连续5个周期内增长时则停止更新。7.根据权利要求1所述的基于LSTM的多源域的高重频雷达目标检测方法，其特征在于，所述方法还包括：在目标频率预测中，目标回归的损失函数为：其中yi,分别为预测频率和真实频率，当回归频率越接近真实频率则loss越小，n表示目标个数。2CN113625244A权利要求书2/2页8.根据权利要求1所述的基于LSTM的多源域的高重频雷达目标检测方法，其特征在于，所述准确率采用计算；所述漏检率采用计算；所述虚警率采用计算；所述频率回归的准确性采用计算；其中，NTP为真实目标被预测为真目标的个数，NFP为假目标被预测成真目标的个数，NFN为真实目标被预测为假目标，NTN为假目标被预测成假目标的个数；p在验证集和测试集上比值要求在5％以内。3CN113625244A说明书1/3页一种基于LSTM的多源域的高重频雷达目标检测方法技术领域[0001]本发明属于雷达技术领域，具体地说，是涉及一种基于LSTM的多源域的高重频雷达目标检测方法。背景技术[00