一种基于卷积神经网络的SAR动目标检测方法与流程

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：
：动目标检测(movingtargetindication,简写为mti)技术是合成孔径雷达的一项关键技术。动目标检测技术能够检测波束照射范围内的运动目标，并对其运动速度等运动目标参数进行估计。传统mti方法主要包括空时自适应处理(spacetimeadaptiveprocessing,简写为stap)(参考文献1：l.e.brennan,l.s.reed.theoryofadaptiveradar[j].ieeetransactionsonaerospaceandelectronicsystems,1973,9(2):237-252)，以及stap的各种改进算法(参考文献2：h.wang,l.cai.onadaptivespatial-temporalprocessingforairbornesurveillanceradarsystems[j].ieeetransactionsonaerospaceandelectronicsystems,1994,30(3):660-670，参考文献3：j.s.goldstein,i.s.reed.reduced-rankadaptivefiltering[j].ieeetransactionsonsignalprocessing,1997,45(2):492-496)。近年来，有研究者提出利用机器学习中的线性分类器和多项式分类器实现mti的方法(参考文献4：a.e.khatib,k.assaleh,h.mir.learning-basedspace-timeadaptiveprocessing[c]//internationalconferenceoncommunications.ieee,2013:1-4，参考文献5：a.e.khatib,k.assaleh,h.mir.space-timeadaptiveprocessingusingpatternclassification[j].ieeetransactionsonsignalprocessing,2015,63(3):766-779)。然而，这些方法存在对可用待检测目标辅助数据距离门个数要求高、或仅能在sar运动目标信号-杂波功率比较高的情况下实现检测等缺陷，因而现有的mti方法应用受限，难以满足实际应用的需求。技术实现要素：为解决上述技术问题，本发明提出一种基于卷积神经网络的sar动目标检测方法，在可用辅助数据距离门不足和低信杂比的情况下可实现准确的sar动目标检测。本发明采用的技术方案为：一种基于卷积神经网络的sar动目标检测方法，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；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s2、构建sar动目标检测训练数据集；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。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；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。其中，p(k|x(k,q,h)；θ)是卷积神经网络最后一层的输出数据。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。具体的，分别根据下式计算得到a、b；b＝mod((k+1),b)根据上述的a、b计算对应的sar运动目标的速度。本发明的有益效果：本发明的一种基于卷积神经网络的sar动目标检测方法，在只有8个辅助数据距离门的情况下可实现sar动目标检测，而且在低信杂比的应用环境下，动目标回波淹没于杂波及噪声中，仍可获得超过90％的正确率；与现有的方法相比，本发明方法对辅助距离门个数要求少，而且能够在异构环境表现出鲁棒性；本发明方法具备以下优点：1、利用深度学习神经网络逐层提取有用特征，使用池化层，减少了网络参数，降低了模型的过拟合程度；2、利用了大量训练数据，每个类生成了相同数量的训练数据，避免了类不平衡问题；3、辅助数据仅作为干扰背景，因此大大降低了辅助数据距离门个数的要求、及其异构性的影响。附图说明图1为本发明实施提供的方案流程图；图2为本发明实施提供的卷积神经网络结构图。具体实施方式为了方便描述本发明的内容，首先作以下术语定义：定义1、空时观测矩阵空时观测矩阵x是一个二维矩阵，其中存储了sar回波信号距离压缩后的结果，该二维矩阵的各行代表各个脉冲，各列代表各个天线通道，该二维矩阵的第m行第n列元素的数学表达式为式(1)中第一项表示sar动目标信号的回波，第二项χm,n表示杂波及噪声干扰，m＝1,...,m，n＝1,...,n，m是一个相干处理间隔内的发射脉冲数，n是天线通道个数，m,n分别是脉冲和天线的索引，α是动目标的幅度，是随机相位，ln＝ln/λ，ln是第n个天线相对第1个天线的距离，λ是雷达系统工作的信号波长，θ是目标相对合成孔径的角度，ft是总多普勒频率，包括雷达平台运动引起的多普勒频率fd和目标运动引起的多普勒频率fv，可以表示为ft＝fdsin(θ)+fv(2)其中，φ是动目标的方位向速度相对于目标速度的角度，vt是动目标的速度，vp是雷达平台的速度，fr是雷达系统的脉冲重复频率。定义2、卷积神经网络卷积神经网络是一个端到端的分类器，包含卷积层、池化层、全连接层、softmax层和分类层。定义3、卷积层卷积层完成线性卷积和非线性处理两个操作，可以表示为其中，分别是该层的输出数据和输入数据，γc(·)是非线性激活运算符，分别是对应的权值参数和偏置参数，是输入和输出的通道索引，fc×fc,ξ,η＝1,...,fc是滤波器大小，sc是卷积层的步长，表示两个相邻输入子区域之间的间隔。定义4、池化层池化层完成的操作可以表示为其中，分别是该层的输出数据和输入数据，fp×fp是输入子区域的滤波器大小，sp是池化层的步长，表示两个相邻输入子区域之间的间隔。定义5、全连接层全连接层进行的操作可以表示为其中，分别是该层的输出数据和输入数据，γf(·)是全连接层的非线性函数运算符，是连接该层输入向量与输出向量的第m个元素的权值向量和偏置，<·>表示两个向量的内积。定义6、最终分类层最终分类层进行以下计算其中，yk,yf分别是该层的输出数据和输入数据，wk,bk是连接该层输入向量与输出向量的第k个元素的权值向量和偏置。为便于本领域技术人员理解本发明的技术内容，下面结合附图对本
发明内容进一步阐释。如图1所示为本发明采用的一种基于卷积神经网络的sar动目标检测方法的流程图，具体实现过程如下：步骤1：构建卷积神经网络构建卷积神经网络，该网络结构如图2所示，该网络共包含4个卷积层、2个池化层、2个全连接层和1个最终分类层。第1层卷积层的卷积核大小为5×1，通道个数为64，使用全0补充，步长为1，本层的输入矩阵是各个训练数据，即输入大小是438×3×2；第2层卷积层的卷积核大小为5×1，通道个数为96，使用全0补充，步长为1，本层的输入矩阵是上一层的输出矩阵，即输入大小是438×3×64；第3层池化层的滤波器大小为3×3，步长为1，本层的输入矩阵是上一层的输出矩阵，即输入大小是438×3×96；第4层卷积层的卷积核大小为5×1，通道个数为128，使用全0补充，步长为1，本层的输入矩阵是上一层的输出矩阵，即输入大小是438×3×96；第5层卷积层的卷积核大小为5×1，通道个数为128，使用全0补充，步长为1，本层的输入矩阵是上一层的输出矩阵，即输入大小是438×3×128；第6层池化层的滤波器大小为3×3，步长为2，本层的输入矩阵是上一层的输出矩阵，即输入大小是438×3×128；第7层全连接层的输入节点个数为219×2×128个，输出节点为1000个；第8层全连接层的输入节点个数为1000个，输出节点为192个；第9层最终分类层的输入节点个数为192个，输出节点为15个。步骤2：初始化雷达系统参数初始化雷达系统参数：初始化雷达系统参数：雷达系统工作的信号波长：λ；一个相干处理间隔内的发射脉冲数：m；天线通道个数：n；雷达系统脉冲重复频率：fr；雷达平台的速度：vp。本实施例中雷达系统工作的信号波长λ取值为0.0312m，其他参数详见附表1。表1实测数据的系统参数列表参数实测数据天线通道个数n3一个相干处理间隔内的发射脉冲数m438脉冲重复频率fr(hz)2.1716e+03雷达平台速度vp(m/s)104.2616步骤3：构建sar动目标检测训练数据集利用15个总多普勒频率与目标相对合成孔径的角度的可能组合、有限的8个辅助数据、201个目标幅度来增强sar动目标检测训练数据集，其中一个训练数据是一个438行3列的二维数据矩阵，二维矩阵的第m行第n列元素为：其中，上标a,b,q,h分别表示不同的总多普勒频率、目标相对合成孔径的角度、辅助数据距离门和人为构造目标的幅度，且k＝a×b，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，下面给出k,a,b的对应关系b＝mod((k+1),b)(11)其中，表示向下取整，mod(·)表示求其余数，需要说明的是，当b≠0时，b＝mod[(k+1),b]，当b＝0时，b＝b。本实施例中a＝5，b＝3，a＝1,2,3,4,5，b＝1,2,3，k＝0,1,2,...,14，q＝1,2,...,8，h＝1,2,...,201。式(9)中，随机相位服从[0，2π)上的均匀分布，且随a,b,q,h变化，α(a,b,h)是第k类(根据(10)(11)式，由a,b得到k)训练数据的第h个目标幅度，且其中分别是第k类训练数据的幅度的上限和下界。步骤4：训练卷积神经网络利用步骤3的训练数据集来训练卷积神经网络，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，即该式中，p(k|x(k,q,h)；θ)是卷积神经网络最后一层的输出。利用梯度下降和反向传播的方法来解决该优化问题，可得到其中i＝1,2,...,400表示梯度下降的迭代次数，参数向量的初始值θ(0)是随机设置的，η(i)是第i次迭代的学习率，是梯度计算。步骤5：检测sar运动目标把待检测的sar回波数据矩阵作为网络的输入，然后进行测试处理，得到对应的类别数第k类，其中当k＝0,1,2,...,k-1，先根据(10)(11)式，可得到对应的第a个总多普勒频率与第b个目标相对合成孔径的角度，最后根据(2)、(3)、(4)式，可得到对应的sar运动目标的速度。本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。当前第1页12