本发明专利技术公开了基于3D卷积神经网络的机载雷达目标显示方法及装置，方法包括：获取时空观测数据；接着对所述时空观测数据进行傅里叶变换处理和MVDR变换处理，得到训练数据集；然后根据所述训练数据集对构建得到的深度学习网络进行训练，得到深度学习网络模型；最后根据深度学习网络模型对新获取的时空观测数据进行预测，得到预测结果，确定机载雷达端到端的目标显示。本发明专利技术使用少数样本来提高目标检测概率，这解决了在非均匀和非平稳杂波环境中样本不足的问题；再者，本发明专利技术不需要通过传统的STAP算法抑制杂波来显示和检测目标，而是直接基于深度学习实现机载雷达端到端的目标显示，进一步提高检测准确率，可广泛应用于计算机技术领域。机技术领域。机技术领域。
【技术实现步骤摘要】
基于3D卷积神经网络的机载雷达目标显示方法及装置
[0001]本专利技术涉及计算机
，尤其是基于3D卷积神经网络的机载雷达目标显示方法及装置。
技术介绍
[0002]雷达是一种对目标进行探测和定位的装备，因其具有全天时、全天候工作的优点，在军事和民用领域都得到了广泛使用。军事上，雷达作为现代战争的核心装备之一，在对空警戒、对地/海监视和侦察、对目标搜索、跟踪与识别上发挥着不可替代的作用，是联合作战体系中不可或缺的一个重要组成部分。民用上，雷达被广泛应用于气象观测、反恐、空中交通管制等领域。按照搭载平台的不同，雷达主要分为地基、机载和星载雷达。地基雷达作为早期的预警探测雷达，技术比较成熟，在各国广泛部署。然而地基雷达位于地球表面，容易受到地球曲率和地表遮蔽物的影响，探测距离有限，且存在低空盲区，对低空或超低空飞行的作战飞机以及巡航导弹探测时间较短，不能给地面作战系统提供充足的反应时间。机载和星载雷达平台高度较高，能有效克服地球曲率和地表遮蔽物的影响，具有远大于地基雷达的探测距离。同时，机载雷达还具有机动性强的优点，能快速到达指定区域，星载雷达则能突破国土面积的限制，监视范围可以覆盖全球。在现代战争中，地基、机载和星载雷达通常联合使用，相互支援，共同实现战场预警、监视和侦察。
[0003]对于地基雷达，由于平台静止，杂波通常分布在零多普勒附近，而运动目标的多普勒与其径向速度成正比，因此一般情况下利用两者在多普勒维的差别就可以有效区分杂波和运动目标。常用的多普勒处理技术包括运动目标显示(Moving Target Indication,MTI)和脉冲多普勒处理，其中MTI通过在时域设计滤波器的方式滤除杂波信号以提高目标的信杂比，而脉冲多普勒处理通过多普勒变换滤除多普勒通道外的杂波以提高目标的信杂比。对于机载和星载雷达，由于平台的运动，相对于地面静止的杂波散射点相对于运动平台具有一个正比于平台运动速度的径向速度，因此机载和星载雷达的杂波不再局限于零多普勒附近，而是在多普勒维上极大地展宽，这常常导致目标和杂波在多普勒维上无法有效区分。值得注意的是，机载和星载雷达杂波散射点的多普勒频率和其到达角之间具有耦合特性。正是基于此，相关技术提出空时自适应处理(Space Time Adaptive Processing,STAP)技术，通过在空时二维平面设计滤波器实现杂波抑制。MTI和STAP的最优滤波器需要已知待检测单元的杂噪协方差矩阵。该矩阵在实际应用中一般是未知的，需要利用训练样本来估计，自适应地估计该矩阵并构造滤波器的方法称为自适应杂波抑制。为了获得好的自适应杂波抑制性能，需要训练样本和待检测样本具有相同的杂噪统计特性，即要求训练样本和待检测样本满足独立同分布(Independent and Identically Distributed,IID)条件。
[0004]当机载雷达处于非正侧工作时，杂波多普勒频率与空间方位关系随距离改变而变化，即存在杂波非平稳现象。同时，由于机载预警雷达常工作于中/高脉冲重复频率(Pulse Repetition Frequency,PRF)模式，因此雷达回波往往存在严重的距离模糊。上述非平稳杂波和距离模糊交织在一起，进而导致后续传统二维STAP(Two
‑
dimensional STAP,2D
‑
STAP)
处理存在以下问题：(1)各距离单元杂波分布特性不同，使得用于估计杂波协方差矩阵(Clutter Covariance Matrix,CCM)的IID训练样本数严重不足，引起STAP性能恶化；(2)待检测单元(Cell under Test,CUT)中存在多个具有不同多普勒频率的方位主瓣杂波，大大增加了盲速范围。受实际非平稳环境的影响，IID条件可能会被破坏，导致自适应杂波抑制性能的下降，进而引起目标显示和检测性能的损失，因此研究非平稳环境下自适应杂波抑制和目标显示技术具有重要的理论意义和实际应用价值。
技术实现思路
[0005]有鉴于此，本专利技术实施例提供一种检测准确率高的，基于3D卷积神经网络的机载雷达目标显示方法及装置。
[0006]本专利技术实施例的一方面提供了基于3D卷积神经网络的机载雷达目标显示方法，包括：
[0007]获取时空观测数据；
[0008]对所述时空观测数据进行傅里叶变换处理和MVDR变换处理，得到训练数据集；
[0009]根据所述训练数据集对构建得到的深度学习网络进行训练，得到深度学习网络模型；
[0010]根据深度学习网络模型对新获取的时空观测数据进行预测，得到预测结果，确定机载雷达端到端的目标显示。
[0011]可选地，所述对所述时空观测数据进行傅里叶变换处理和MVDR变换处理，得到训练数据集，包括：
[0012]对所述时空观测数据进行离散，得到俯仰数据、方位数据和多普勒频率数据；
[0013]对所述时空观测数据进行空时功率谱估计；
[0014]通过最大似然估计确定所述时空观测数据的协方差矩阵；
[0015]根据所述协方差矩阵，对所述时空观测数据进行傅里叶谱变换，得到相应网格单元的频谱强度；
[0016]通过MVDR谱变换将具有准确角度和多普勒的目标数据转换为高分辨角度
‑
多普勒频谱的形式；
[0017]根据每个网格的频谱强度叠加得到角度
‑
多普勒频谱；
[0018]完成训练数据集的构建。
[0019]可选地，所述方法还包括构建深度学习网络结构的步骤，该步骤包括：
[0020]使用3D卷积神经网络，在第一层对训练样本中含有目标的杂波低分辨俯仰
‑
方位
‑
多普勒三维谱进行特征提取，得到第一层特征；
[0021]所述3D卷积神经网络的第二层到第四层均为特征的非线性映射，在第二层到第四层将提取到的特征图谱非线性地映射到变换的高维空间中；
[0022]在第五层为图像重构层，生成高分辨输出图像。
[0023]可选地，所述对所述时空观测数据进行离散，得到俯仰数据、方位数据和多普勒频率数据这一步骤中，所述俯仰数据的离散公式为：
[0024]N
e
＝ρ
e
N
[0025]所述方位数据的离散公式为：
[0026]N
a
＝ρ
a
M
[0027]所述多普勒频率数据的离散公式为：
[0028]N
d
＝ρ
d
K
[0029]其中，N
e
代表俯仰数据；ρ
e
代表俯仰离散系数；N代表均匀平面机载相控阵雷达列阵元数；N
a
代表方位数据；ρ
a
代表方位离散系数；M代表均匀平面机载相控阵雷达行阵元数；N
d
代表多普勒频率数据；ρ
d
代表多普勒频率离散系数；K代表脉冲数。
[0030]本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于3D卷积神经网络的机载雷达目标显示方法，其特征在于，包括：获取时空观测数据；对所述时空观测数据进行傅里叶变换处理和MVDR变换处理，得到训练数据集；根据所述训练数据集对构建得到的深度学习网络进行训练，得到深度学习网络模型；根据深度学习网络模型对新获取的时空观测数据进行预测，得到预测结果，确定机载雷达端到端的目标显示。2.根据权利要求1所述的基于3D卷积神经网络的机载雷达目标显示方法，其特征在于，所述对所述时空观测数据进行傅里叶变换处理和MVDR变换处理，得到训练数据集，包括：对所述时空观测数据进行离散，得到俯仰数据、方位数据和多普勒频率数据；对所述时空观测数据进行空时功率谱估计；通过最大似然估计确定所述时空观测数据的协方差矩阵；根据所述协方差矩阵，对所述时空观测数据进行傅里叶谱变换，得到相应网格单元的频谱强度；通过MVDR谱变换将具有准确角度和多普勒的目标数据转换为高分辨角度
‑
多普勒频谱的形式；根据每个网格的频谱强度叠加得到角度
‑
多普勒频谱；完成训练数据集的构建。3.根据权利要求1所述的基于3D卷积神经网络的机载雷达目标显示方法，其特征在于，所述方法还包括构建深度学习网络结构的步骤，该步骤包括：使用3D卷积神经网络，在第一层对训练样本中含有目标的杂波低分辨俯仰
‑
方位
‑
多普勒三维谱进行特征提取，得到第一层特征；所述3D卷积神经网络的第二层到第四层均为特征的非线性映射，在第二层到第四层将提取到的特征图谱非线性地映射到变换的高维空间中；在第五层为图像重构层，生成高分辨输出图像。4.根据权利要求2所述的基于3D卷积神经网络的机载雷达目标显示方法，其特征在于，所述对所述时空观测数据进行离散，得到俯仰数据、方位数据和多普勒频率数据这一步骤中，所述俯仰数据的离散公式为：N
e
＝ρ
e
W所述方位数据的离散公式为：N
a
＝ρ
a
M所述多普勒频率数据的离散公式为：N
d
＝ρ
d
K其中，N
e
代表俯仰数据；ρ
e
代表俯仰离散系数；N代表均匀平面机载相控阵雷达列阵元数；N
a
代表方位数据；ρ
a
代表方位离散系数；M代表均匀平面机载相控阵雷达行阵元数；N
d
代表多普勒频率数据；ρ
d
代表多普勒频率离散系数；K代表脉冲数。5.根据权利要求2所述的基于3D卷积神经网络的机载雷达目标显示方法，其特征在于，所述对所述时空观测数据进行空时功率谱估计这一步骤中，所述空时功率谱估计的表达式为：Y＝P[X]
其中，Y代表空...
【专利技术属性】
技术研发人员：吴建新，古瑶，张磊，吴亿锋，
申请(专利权)人：中山大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。