一种基于卷积神经网络的SAR动目标检测方法.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CN109709536A(43)申请公布日2019.05.03(21)申请号201910065920.4(22)申请日2019.01.24(71)申请人电子科技大学地址611731四川省成都市高新区（西区）西源大道2006号(72)发明人刘喆许晓晴(74)专利代理机构成都虹盛汇泉专利代理有限公司51268代理人王伟(51)Int.Cl.G01S13/58(2006.01)G01S7/02(2006.01)G06N3/04(2006.01)权利要求书2页说明书5页附图1页(54)发明名称一种基于卷积神经网络的SAR动目标检测方法(57)摘要本发明公开一种基于卷积神经网络的SAR动目标检测方法，应用于SAR运动目标检测领域，针对现有技术存在的可用待检测目标辅助数据距离门个数要求高等缺陷，本发明的方法通过构建卷积神经网络，并对神经网络进行训练，根据神经网络检测得到的总多普勒频率、目标相对合成孔径的角度，计算得到目标速度，从而实现SAR动目标检测；具备在待检测目标辅助数据距离门个数少的情况下实现检测的优点。CN109709536ACN109709536A权利要求书1/2页1.一种基于卷积神经网络的SAR动目标检测方法，其特征在于，包括：S1、构建卷积神经网络；包括：4个卷积层、2个池化层、2个全连接层以及1个最终分类层共计9层，记为：第1层卷积层、第2层卷积层、第3层池化层、第4层卷积层、第5层卷积层、第6层池化层、第7层全连接层、第8层全连接层以及第9层最终分类层；第1层卷积层的卷积核大小为5×1，通道个数为64，第2层卷积层的卷积核大小为5×1，通道个数为96，第3层池化层的滤波器大小为3×3，步长为1，第4层卷积层的卷积核大小为5×1，通道个数为128，第5层卷积层的卷积核大小为5×1，通道个数为128，第6层池化层的滤波器大小为3×3，步长为2，第7层全连接层的输出节点为1000个；第8层全连接层的输出节点为192个；第9层最终分类层的输出节点为K个；S2、构建SAR动目标检测训练数据集；S3、根据步骤S2构建的SAR动目标检测训练数据集，对步骤S1构建的卷积神经网络进行训练；S4、根据经步骤S3训练后的卷积神经网络对待检测SAR回波数据进行检测，得到目标速度。2.根据权利要求1所述的一种基于卷积神经网络的SAR动目标检测方法，其特征在于，步骤S1中K＝A×B，A为待检测的总多普勒频率的可能个数，B为待检测的目标相对合成孔径的角度的可能个数。3.根据权利要求2所述的一种基于卷积神经网络的SAR动目标检测方法，其特征在于，步骤S2所述的SAR动目标检测训练数据集包括K×Q×H个训练数据矩阵X(a,b,q,h)；其中，a表示总多普勒频率的序号；b表示目标相对合成孔径的角度的序号；q表示辅助数据的序号，q＝1,2,...,Q，Q表示辅助数据距离门的总数；h表示目标幅度构建的训练数据的序号，h＝1,2,...,H，H表示构造目标的幅度总数。4.根据权利要求3所述的一种基于卷积神经网络的SAR动目标检测方法，其特征在于，步骤S3具体采用公式Θ＝argminJ(Θ)来得到卷积神经网络的权重和偏置参数，其中Θ是包含卷积神经网络的所有参数，J(Θ)是交叉熵损失函数。5.根据权利要求4所述的一种基于卷积神经网络的SAR动目标检测方法，其特征在于，其中，k代表不同的总多普勒频率与目标相对合成孔径的角度的组合序号；k＝0,1,...,K-1，q表示辅助数据的序号，q＝1,2,...,Q；h表示目标幅度构建的训练数据的序号，h＝1,2,...,H；p(k|X(k,q,h)；Θ)是卷积神经网络最后一层的输出数据。6.根据权利要求5所述的一种基于卷积神经网络的SAR动目标检测方法，其特征在于，步骤S4还包括：根据计算得到的待检测SAR对应的总多普勒频率、目标相对合成孔径的角度，得到目标速度。7.根据权利要求6所述的一种基于卷积神经网络的SAR动目标检测方法，其特征在于，总多普勒频率的序号a计算式为：其中，表示向下取整。2CN109709536A权利要求书2/2页8.根据权利要求6所述的一种基于卷积神经网络的SAR动目标检测方法，其特征在于，目标相对合成孔径的角度的序号b计算式为：b＝mod((k+1),B)其中，mod(·)表示求余数运算。3CN109709536A说明书1/5页一种基于卷积神经网络的SAR动目标检测方法技术领域[0001]本发明属于雷达技术领域，特别涉及一种合成孔径雷达(SyntheticApertureRadar,简写为SAR)的运动目标检测技术。背景技术[0002]动目标检测(MovingTargetIndication,简写为MTI)技术是合成孔径雷达的一项