基于深度学习的海上目标一维序列信号目标检测方法

摘要：

当前海面目标检测方法多基于统计理论,检测性能受背景统计特性假设的影响,本文从信号预测和特征分类两个角度,分别采用长短时记忆网络(LSTM)和卷积神经网络(CNN)对信号时间序列幅度信息进行处理,用于海上目标一维序列雷达信号检测,该方法不需事先假设背景统计特性,泛化能力更强.基于LSTM序列预测的目标检测方法通过用海杂波信号幅度时间序列对网络进行训练,再用训练后的网络对后续序列进行预测,并与后续实测信号进行比较,实现目标检测.基于CNN序列分类的目标检测方法中采用截取的海杂波信号和目标信号幅度序列作为数据集样本,对一维卷积核CNN进行训练,使其具有识别目标杂波信号特征能力,从而实现目标检测.最后,采用IPIX和CSIR实测海杂波数据对两种方法进行验证,结果表明两种方法均可实现一维序列信号中海面目标的检测,但LSTM预测方法对于长序列检测的实时性有待于进一步提高;CNN分类方法可实现实时检测,但仅利用信号幅度信息,检测性能仍需进一步提升.

关键词：雷达目标检测、深度学习、卷积神经网络(CNN)、长短时记忆网络(LSTM)、海杂波

所属期刊栏目：36

分类号：TN957.51

资助基金：国家自然科学基金;国防科技基金;山东省重点研发计划

在线出版日期：2021-01-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：1987-1997