CN110363151A 基于双通道卷积神经网络虚警可控的雷达目标检测方法 （中国人民解放军海军航空大学）

基于双通道卷积神经网络虚警可控的雷达本发明涉及基于双通道卷积神经网络虚警数据集对双通道卷积神经网络模型进行迭代优2步骤四、对实时雷达回波信号预处理，输入训练后的双通2.根据权利要求1所述的基于双通道卷积神经网络虚警可控的雷达目标检测方法，其采集多种观测条件和区域下的雷达回波数据，分离目标3.根据权利要求2所述的基于双通道卷积神经网络虚警可控的雷达目标检测方法，其4.根据权利要求1所述的基于双通道卷积神经网络虚警可控的雷达目标检测方法，其双通道特征提取网络包括输入层、通道1和通道35.根据权利要求1所述的基于双通道卷积神经网络虚警可控的雷达目标检测方法，其特征融合网络通过一层或多层全连接层将双通道特征提取网络的两路输出特征向量6.根据权利要求1所述的基于双通道卷积神经网络虚警可控的雷达目标检测方法，其特征融合网络输出为1×2矩阵：[y1,y2]，用sofa7.根据权利要求1-6所述的基于双通道卷积神经网络虚警可控的雷达目标检测方法，将步骤一构建的训练数据集输入步骤二建立的目标检测模8.根据权利要求7所述的基于双通道卷积神经网络虚警可控的雷达目标检测方法，其将实时生成的回波数据预处理，将处理后得到的时频信4的应用前景。目前常用的深度学习模型包括卷积神经网络(ConvolutionalNeuralNetwork，CNN)、循环神经网络(RecurrentNeuralNetwork，RNN)、深度置信网络(Deep提出的对于地面不同装甲目标的识别方法准确率已达到99.13％。由于微动特性具有时变取和识别。[0004]与其他图像分类不同，将CNN用于杂波或噪声背景中的雷达信号检测和分类有两不仅要尽可能提高检测性能，还要保证虚警可控，传统的恒虚警检测(ConstantFalseAlarmRate,CFAR)是基于背景单元的统计分布特性确定的自适应门限，而CNN的各层网络[0005]本专利提出了一种基于DCCNN(DualChannelConvolutionalNeuralN5高雷达目标检测性能，提出一种基于双通道卷积神经网络虚警可控的雷达目标检测方法。[0007](1)基于统计模型的检测方法仅在假设的统计模型条件下性能才能达到最优，且[0017](2)该方法克服单通道神经网络特征提取的不足，同时对雷达回波信号中的时频6征融合网络、虚警可控分类器，其中，双通道特征提取网络由卷积神经网络(如LeNet、xn}为输入共享卷积神经网络特特征能够更完整的提取，自动提取特征图中信号的特征，然后经过ELU激活函数7oh表示在每个大小为c×c池化核窗口内[0046]第三层卷积层通过卷积核k3对第二层输出的第j个特征图进行卷积操作，使用[0051]第五层卷积层通过卷积核k5对第四层输出的第j个特征图进行卷积操作，使用[0054]第六层全连接层输出节点数为84，通过权值矩阵w6对第5层输出的特征向量进行8",",",[0071]第六层池化层通过池化函数对第五层输出j个的特征图进行下采样，输出的9",[0084]第十一层卷积层通过卷积核k2,41对第十层输出y2,3进行卷积操作，使用偏置系数",[0086]其中，表示第十一层对第i个特征图进行卷积操作的第j个卷积核，j"表示第",[0089]其中，表示第十二层对j"[0093]第十四层池化层通过池化函数对第十三层输出j个的特征图j"进行下采样，输出的第j个特征图",池化函数采用平均池化，[0095]第十五层卷积层通过卷积核k2,51对十四层输出y2,4进行卷积操作，使用偏置系数",[0104]第十八层池化层通过池化函数对第十七层输出j个的特征图进行下采样，输[0106]第十九层全连接层输出节点数为4096，通过权值矩阵w2,6对第十八层输出[0108]第二十层全连接层输出节点数为4096，通过权值矩阵w2,7对第十九层输出[0110]第二十一层全连接层输出节点数为1000，通过权值矩阵w2,8对第二十层输[0113]特征融合网络通过一层或多层全连接层将双通道特征提取网络的两路输出特征fa为需控制的虚警率，i为在设定虚