论文部分内容阅读
随着我军走向深蓝和国家海洋开发战略的不断推进,急需提高海面雷达探测能力。海杂波抑制技术在海面目标检测领域至关重要。海杂波回波幅度强,特性复杂,导致海面弱小目标信杂比低,易于淹没在海杂波中,造成目标检测困难。传统的海杂波抑制技术主要是基于目标和海杂波能量及频谱分布特性的差异而设计。但海面动目标易落入杂波多普勒通道中,难以通过时域或频域分离。因此,探索新的海杂波抑制技术,实现雷达在强杂波背景下远距离目标探测,具有非常重要的理论意义和工程应用价值。本文应用稀疏表示理论和深度卷积网络对海杂波抑制技术和海面目标检测方法进行了深入研究。研究内容主要分为三个方面:1)首先对海杂波统计相关模型和复杂的物理机理做了分析,在此基础上提出了海杂波和目标的振荡特性以及深层网络特征分析新途径,这些特性的分析为后续新型海杂波抑制算法的研究提供了重要理论支撑和算法设计参考。2)研究了稀疏表示海杂波抑制算法。根据海杂波和目标振荡特性差异,通过可调Q小波变换得到海杂波和目标的稀疏表示。提出一种能量选择法优选目标的小波表征系数实现目标有效重构。针对主杂波区的海面目标,给出了一种易于工程实际应用的品质因子Q的选取准则,实现了主杂波区Q因子的通用化设计;提出一种基于分数阶傅里叶变换域补偿的可调Q小波变换(Tunable Q-factor Wavelet Transform,TQWT)改进算法,解决了变加速运动目标的检测难题。最后分析了不同雷达工作条件、目标运动特征和海杂波特性等对稀疏表示海杂波抑制效果的影响,给出了算法使用条件,为实际工程应用提供参考。南非科学与工业研究院(The Council for Scientific and Industrial Research,CSIR)实测数据集验证表明,稀疏表示方法输出信杂比(Signal to Clutter Ratio,SCR),相比于传统抑制方法的提高了 3～7dB,目标检测性能显著提升。3)研究了基于深层卷积网络的海面目标检测技术。将雷达回波信号构建成适合深度学习网络尺寸和卷积算子形态的目标背景图像,建立了包含8455个样本的训练集和测试集,并通过平移、翻转等操作扩充输入样本集,用以验证算法性能,提升网络的泛化能力。根据海面目标回波和海杂波的深层网络特征差异,借鉴Faster R-CNN深层卷积网络架构,通过批量计算(Batch size)实现速度和准确率的提升,利用暂时性失活(Dropout)操作防止过拟合,增强了网络的泛化性能和鲁棒性,可以自动地端到端的检测海面目标,实现了从基于统计模型的海面目标检测方法向基于数据驱动的检测方法的转变。CSIR数据集实测结果表明,虚警率为10-3时检测率为58%,比传统CFAR检测提高约28%,探索了深度学习海面目标检测新方向。