【技术实现步骤摘要】
本专利技术涉及一种无源双基地雷达微弱目标检测系统及方法，具体说是一种基于改进yolov8模型的无源双基地雷达微弱目标检测系统及方法，属于目标检测。
技术介绍
1、在传统的单基地雷达收发同体系统中，存在易被发现及攻击的问题，这限制了目标探测的能力。为了应对这一挑战，无源双基地雷达系统应运而生，具有抗“四大威胁”的优势。这种系统不向外发射电磁波，而是通过接收来自目标辐射源的直射波或外部辐射源照射目标后形成的反射波或散射波携带的信息，经过信息处理后提取有用信息，从而完成对目标的定位。这种系统由于外源雷达收发分置、自身静默等特点，具有隐蔽性强、抗干扰能力强、无污染以及成本低等优势，在近十多年受到广泛关注。
2、然而，无源双基地雷达系统也面临着一些挑战，其中最突出的问题是检测概率低。无源雷达依赖于现有的外部辐射源进行探测，如广播、电视信号、通信信号等，但这些辐射源的功率和信号特性是不可控的，通常比专用雷达的发射信号弱得多，导致接收到的目标回波信号较弱，信噪比低。此外，无源雷达缺乏自己的发射源，因此无法像主动雷达那样通过发射和接收信号的同步来精确测量目标距离和速度，增加了信号处理的复杂性，降低了信噪比。同时，无源雷达使用的辐射源可能在空间和时间上都是动态变化的，增加了探测的不确定性和复杂性，从而影响了信号质量，降低了信噪比。
3、在无源雷达中，微弱目标的检测是关键技术之一，具有重要研究意义。深度学习在此领域表现突出，其优势在于能够自动提取复杂雷达信号中的有用特征。相较于传统方法，深度学习能更有效地区分微弱信号和背景噪
技术实现思路
1、本专利技术的目的在于解决现有技术中无源双基地雷达系统检测概率低的问题，提供一种无源双基地雷达微弱目标检测系统及方法，该方法能更有效地区分微弱信号和背景噪声，提高了检测的精确度。
2、为了解决上述问题，本申请是通过以下技术方案实现的：
3、一种无源双基地雷达微弱目标检测系统，其特殊之处在于：包括获取模块，用于获取无源双基地雷达微弱目标ppi图像数据集；预处理模块，用于对获取模块获得的数据集中的数据进行数据加载与预处理；
4、改进的yolov8网络模型，用于对预处理模块处理后的数据进行检测。
5、进一步地，所述改进的yolov8网络模型包括backbone、head和deteaux检测头，损失函数采用wiou损失函数；所述backbone：用于提取目标检测图的特征；所述head：用于对不同阶段的多尺度特征进行加权融合；
6、所述wiou损失函数：预测边界框与真实的边界框进行比较来计算损失，以指导整个网络模型的训练；所述detectaux 检测头：用于目标检测，整合不同层次的特征进行最终的目标检测输出。
7、进一步地，所述backbone包括主要模块一，所述主要模块一的输出端设有3个主要模块二，最后一个主要模块二的输出端为biformer注意力机制模块，所述biformer注意力机制模块的输出端为sppf模块；
8、其中，所述主要模块一由两个卷积层和一个c2f 模块组成，所述主要模块二由一个卷积层和一个c2f 模块组成，所述卷积层通过卷积核在图像上滑动进行卷积操作，提取图像的基本特征，如边缘、纹理等；
9、所述c2f 模块对输入的特征图进行特征提取和融合操作，精炼特征图中的信息，增强特征的表达能力；
10、所述sppf 模块进行空间金字塔池化操作，通过对输入特征图进行不同尺度的池化操作并融合结果，得到一个包含多尺度信息的特征图；
11、所述biformer 注意力机制模块通过其注意力机制，重点关注特征图中的关键信息，能够自适应地对特征图中的不同区域进行加权处理，增强网络对目标特征的捕捉能力，使网络能够有效地聚焦于重要的目标区域和特征。
12、进一步地，所述biformer注意力机制模块包括bra模块和2层扩展比为e的mlp模块，其中所述bra模块将输入特征图划分为非重叠区域，使每个区域包含特征向量，具体通过将特征图重塑来完成；
13、所述mlp 模块对 bra 模块输出的特征进行进一步的非线性变换，mlp 的扩展比e 决定了其内部隐藏层神经元数量与输入层神经元数量的比例关系，能够对特征进行更复杂的映射，增强特征的表达能力，经过 mlp 模块处理后的特征会被反馈或者与 bra 模块的输出进行融合等操作，得到经过 biformer 注意力机制模块处理后的特征图。
14、进一步地，所述特征图重塑具体如下：用线性投影推导出查询、键、值张量，涉及查询、键、值的投影权值；带有向图的区域到区域路由，即构造有向图来找到参与关系，包括导出区域级查询和键，通过矩阵乘法推导出区域到区域亲和图的邻接矩阵，修剪关联图得到路由索引矩阵，以及应用细粒度的令牌到令牌关注，收集键值张量并将注意力集中在收集到的键值对上。
15、进一步地，所述head基于现有技术进行改进，将neck网络替换为bifpn网络，由bifpn网络进行双向跨尺度连接和加权特征融合，引入可学习的权重来学习不同输入特征的重要性；用bifpn_add2和bifpn_add3模块重复应用自上而下和自下而上的将来自backbone的不同阶段的多尺度特征融合，bifpn网络能使神经网络能够更好地理解和解释多尺度信息，提高微弱目标检测的准确率和效率。
16、进一步地，所述bifpn网络融合了双向跨尺度连接和快速归一化融合：首先，在fpn的基础上去除只有一个输入边的节点；其次，当原始输入和输出节点处于同一水平，在原始输入和输出节点之间增加一条额外的边，以便在不增加太多成本的情况下融合更多的特征；第三，将每条双向路径视为一个特征网络层，并多次重复同一层，以实现更高级的特征融合；快速归一融合解决不同的输入特征在不同的分辨率下，对输出特征的贡献是不相等的问题；
17、为每个输入增加一个额外的权重，让网络学习每个输入特征的重要性：公式为：，
18、式中：是通过在每个后施加relu来保证的，是一个较小的值，以避免数值不稳定，是输入特征
19、进一步地，所述bifpn第6级的两个融合特征:，
20、式中：经过特定处理后得到的中间结果，一个中间特征图；：表示卷积操作，对括号内的结果进行卷积处理以得到最终的； ：权重值，用于对不同的输入特征图进行加权；：输入的特征图，来自上一阶段的某个特定层次的特征图， “in” 表示“input”输入；：对进行尺寸调整，使其能与进行合适的运算；：输入的特征图；，用于避免数值不稳定；
21、，
22、式中：：最终输出的特征图，经过一系列运算得到的结果， “out” 表示“output”输出；：新的权重值，用于对不同的输入特征图进行加权；：对进行尺寸调整，使其能与其他特征图进行运算；是本文档来自技高网...
【技术保护点】
1.一种无源双基地雷达微弱目标检测系统，其特征在于：包括
2.根据权利要求1所述的一种无源双基地雷达微弱目标检测系统，其特征在于：所述改进的YOLOv8网络模型包括Backbone、Head和DeteAux检测头，损失函数采用WIoU损失函数；
3.根据权利要求2所述的一种无源双基地雷达微弱目标检测系统，其特征在于：所述Backbone包括主要模块一，所述主要模块一的输出端设有3个主要模块二，最后一个主要模块二的输出端为BiFormer注意力机制模块，所述BiFormer注意力机制模块的输出端为SPPF模块；
4.根据权利要求3所述的一种无源双基地雷达微弱目标检测系统，其特征在于：所述BiFormer注意力机制模块包括BRA模块和2层扩展比为e的MLP模块，其中所述BRA模块将输入特征图划分为非重叠区域，使每个区域包含特征向量，具体通过将特征图重塑来完成；
5.根据权利要求4所述的一种无源双基地雷达微弱目标检测系统，其特征在于：所述特征图重塑具体如下：
6.根据权利要求1-5任一权利要求所述的一种无源双基地雷达微弱目标检
7.根据权利要求6所述的一种无源双基地雷达微弱目标检测系统，其特征在于：所述WIoU损失函数的计算方法如下:
8.根据权利要求7所述的一种无源双基地雷达微弱目标检测系统，其特征在于：所述DeteAux检测头包括：
9.采用权利要求1-8任一权利要求所述的系统进行无源双基地雷达微弱目标检测方法，其特征在于：包括以下步骤：
10.根据权利要求9所述的一种无源双基地雷达微弱目标检测方法，其特征在于：
...【技术特征摘要】
1.一种无源双基地雷达微弱目标检测系统，其特征在于：包括
2.根据权利要求1所述的一种无源双基地雷达微弱目标检测系统，其特征在于：所述改进的yolov8网络模型包括backbone、head和deteaux检测头，损失函数采用wiou损失函数；
3.根据权利要求2所述的一种无源双基地雷达微弱目标检测系统，其特征在于：所述backbone包括主要模块一，所述主要模块一的输出端设有3个主要模块二，最后一个主要模块二的输出端为biformer注意力机制模块，所述biformer注意力机制模块的输出端为sppf模块；
4.根据权利要求3所述的一种无源双基地雷达微弱目标检测系统，其特征在于：所述biformer注意力机制模块包括bra模块和2层扩展比为e的mlp模块，其中所述bra模块将输入特征图划分为非重叠区域，使每个区域包含特征向量，具体通过将特征图重塑来完成；
5.根据权利要求4所述的一种无源双基地雷达微弱目标检测系统，...
【专利技术属性】
技术研发人员：宋杰，熊伟，王倩，陆源，崔亚奇，姚力波，
申请(专利权)人：中国人民解放军海军航空大学，
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。