A convolutional neural network based approach to sea clutter suppression for small boat detection

Current methods for radar target detection usually work on the basis of high signal-to-clutter ratios.In this paper we propose a novel convolutional neural network based dual-activated clutter suppression algorithm,to solve the problem caused by low signal-to-clutter ratios in actual situations on the sea surface.Dual activation has two steps.First,we multiply the activated weights of the last dense layer with the activated feature maps from the upsample layer.Through this,we can obtain the class activation maps(CAMs),which correspond to the positive region of the sea clutter.Second,we obtain the suppression coefficients by mapping the CAM inversely to the sea clutter spectrum.Then,we obtain the activated range-Doppler maps by multiplying the coefficients with the raw range-Doppler maps.In addition,we propose a sampling-based data augmentation method and an effective multiclass coding method to improve the prediction accuracy.Measurement on real datasets verified the effectiveness of the proposed method.

基于WGAN-GP-CNN的海面小目标检测

针对传统基于统计理论的海面小目标检测方法在复杂海面环境中性能不高的问题,该文提出了一种改进的检测方法。首先通过分析海杂波和目标回波的特征,将检测问题转化为特征空间的分类任务。鉴于海面小目标样本数量有限,存在样本不平衡的问题,该文引入了一种基于梯度惩罚的沃瑟斯坦生成对抗网络(Wasserstein Generative Adversarial Network with Gradient Penalty,WGAN-GP)来增强目标数据,从而在数量上平衡目标样本与海杂波样本。同时,对原始WGAN-GP网络的损失函数进行了改进,引入相位损失以确保生成数据能够反映真实数据的相位信息。基于这些数据,进一步提取了生成目标和海杂波的高维特征,并将其送入卷积神经网络(Convolutional Neural Network,CNN)进行训练。为了应对高维特征空间中虚警概率难以控制的问题,对CNN算法进行了改进,通过设置Softmax分类器的阈值,实现了虚警概率可控。最后,借助公开的IPIX雷达数据集进行实验验证,所提的WGAN-GP-CNN检测器在积累时间为1.024 s,虚警概率为0.001时,平均检测概率达到0.8683,具有良好的检测效果。

基于无监督图互信息最大化的海面小目标异常检测

受到复杂海洋环境的影响,雷达对海面慢速小目标难以实现高性能检测。对于这类目标,传统的基于能量的统计检测方法存在着严重的性能损失。针对这一问题,该文提出了基于互信息最大化框架下的海面小目标检测方法,实现海杂波背景下的无监督目标异常检测任务。首先,考虑到高分辨雷达回波不满足传统神经网络对样本独立同分布的假设,该文从图的角度重新建模数据,利用回波的空时相关特性来构建图拓扑结构。该文提出相对最大节点度并联合7个已有特征作为节点的初始表示向量。接下来,采用图注意力网络作为互信息最大化框架中的编码器学习节点表示向量。最后,使用异常检测算法进行目标检测,并实现虚警可控。经实测数据验证,使用快速凸包学习算法时,相比三特征检测器,所提检测器性能提升了9.2%;相比时频三特征检测器,性能提升了7.9%。当网络输出更高维的表示向量时,使用孤立森林算法的检测器的性能提升了27.4%。

基于改进WTD-SVD-WOA-LSTM方法的海杂波背景下小目标检测

针对海面小目标因体积小、移速慢而导致的检测难问题,提出了一种改进WTD-SVD-WOA-LSTM检测方法。首先,利用改进小波阈值法(Wavelet Threshold Denoising, WTD)结合优化奇异值分解(Singular Value Decomposition, SVD)法对海杂波去噪;然后,通过改进鲸鱼优化算法(Whale Optimization Algorithm, WOA)对长短期记忆神经网络(Long Short-term Memory, LSTM)的超参数选优,获得最佳预测模型;最后,根据预测误差均方根值进行小目标检测。利用冰区多参数成像X频段雷达(Ice Multiparameter Imaging X-band Radar, IPIX)实测海杂波数据进行验证,所提方法相较于单一LSTM检测方法,检测阈值区间更广,检测能力至少提高了16%。

基于深度学习的多特征融合海面目标检测方法

该文考虑了海杂波环境下的雷达目标检测问题,提出了一种基于深度学习的海面目标检测器。该检测器通过融合从不同数据源中提取的多种互补性特征以增加目标和杂波的差异性,从而提升对海面目标的检测性能。具体来说,该检测器首先利用两个特征提取分支分别从距离像和距离多普勒谱图中提取多层次快时间特征和距离特征;然后,设计局部-全局特征提取结构从特征的慢时间维度或多普勒维度提取序列关联性;接着,提出基于自适应卷积权重学习的特征融合模块,实现快慢时间特征和距离多普勒特征的高效融合;最后,对多层次特征进行融合、上采样和非线性映射获得检测结果。基于两个公开雷达数据集上的实验验证了所提检测器的检测性能。

基于背景杂波自适应预测的红外弱小目标检测

文章根据背景杂波和运动目标的红外成像差异 ,提出了两种自适应杂波预测技术的低信噪比小目标检测方法。首先讨论了一种基于均方误差最小的自适应线性预测器 ,该预测器计算量小 ,易满足实时要求 ,且对平稳和线性云层红外背景图像具有很好的背景预测能力。然后提出了一种基于非线性函数可调整的BP神经网络预测器 ,该预测器中的非线性函数可调整且非线性程度很高 ,能很好的适应各种复杂的起伏背景 ,特别是非平稳和非线性杂波背景。

基于海杂波混沌特性的目标检测

首先介绍海杂波的混沌特性。然后采用IPIX雷达海面回波中的水平极化雷达数据对BP神经网络进行训练 ,结果表明所设计的BP神经网络能够很好的模拟海杂波 ,单步预测误差较小。

检测海面弱目标的神经网络集成方法

海杂波中弱小目标的检测在军用和民用领域有着重要应用价值。基于径向基函数神经网络的目标检测方法可以检测海杂波中弱小目标,但是训练样本的选择直接影响检测效果。为了减小训练样本对检测效果的影响,提出了基于神经网络集成检测海杂波中弱小目标的方法。根据子网络在验证集上的表现,赋给差异度大的子网络较大的权值,子网络的加权平均得到集成的输出。采用Mc Master大学IPIX雷达实测数据的测试结果表明,该方法能够减弱训练样本的选择对目标检测效果的影响,提高检测能力。

红外云杂波下点目标检测算法性能评价

针对目前红外云杂波下点目标检测性能评价方法存在的局限性,提出了一种新的评价方法。首先,对影响检测性能的各要素,建立了杂波量化模型、探测器噪声模型和目标能量量化及传递模型;结合检测器理论,构造了算法性能表征参数。然后,将量化结果作为输入,利用基于遗传算法的BP神经网络建立量化结果与算法性能表征参数的数值关系。最后以Top-Hat算法和Butterworth滤波器为例,采用该方法评价并分析了其目标检测性能。实验表明,本方法误差在5×10-4以下,具有较高的评估精度。本方法将影响检测性能的耦合因素进行解耦合,通过该模型,不仅可以掌握算法性能变化规律,还能够为探测系统的总体设计和算法的选择提供依据,具有理论意义和工程应用价值。

海杂波背景下基于RBF神经网络的目标检测

对海杂波背景下雷达目标检测的最新研究表明,海杂波具有混沌的许多典型特征。本文利用海杂波具有混沌行为这一先验信息,构造了一个神经网络预测器来重构海杂波的内在动力学,并引入一种基于混沌的检测方法对Swerling I型目标和雷达采集的实际海杂波数据进行检测分析,同时讨论了嵌入延迟τ对检测性能的影响。实验结果表明,这种检测方法能有效地实现海杂波背景下的目标检测,并且其检测性能随τ的增大呈下降的趋势。

海杂波背景下基于混沌理论的目标检测

根据海杂波具有混沌特性这一先验信息,利用RBF神经网络预测器的学习和对非线性函数的逼近能力,首先重构海杂波的内在动力学,然后引入一种基于预测误差的检测方法对微弱脉冲信号和矩形信号进行检测分析,最后得出了这种检测方法对微弱脉冲信号有较好的检测性能,信杂比改善可达43.3898dB;而对矩形信号只在信号的起点和终点附近提高了检测性能,有类似的信杂比改善,中间各点检测不到信号,信杂比改善不大。

海杂波背景下基于神经网络的目标检测

为了检测海杂波背景下的目标回波信号，提出了一种基于神经网络的目标检测方案。设计径向基函数（RBF）网络对海杂波的混沌动力学特征进行学习和预测，并对预测误差作功率谱分析，可以检测出目标信号并提取其速度和距离信息。应用实际参数在岸基和舰载雷达条件下的仿真结果表明该方法优于感知器门限分类检测和目标信息的二维FFT提取，检测相对误差控制在10^-3～10^-4量级。仿真进一步给出了两种条件下的检测最低信噪比。

采用卷积神经网络的海面多目标检测研究

对海雷达多目标检测在军事领域有着重要的应用价值。为了提高海杂波下的目标检测性能,减少临近目标的影响,本文引入深度学习思想,提出了采用卷积神经网络的多目标检测方法。通过雷达实测数据的分析与训练,构造适用于处理一维回波数据的网络模型,引入定向惩罚技术加快自适应学习效率,优化网络超参数提升网络性能,实现了回波数据信杂比的较大改善,完成了海面多目标的有效检测。最后,基于实测数据对该方法进行了性能验证,实验结果显示了本方法的有效性。

海杂波背景下的小信号检测

利用海杂波信号为混沌这一先验知识,将判决反馈RBF神经网络应用于海杂波信号的建模与预测中,设计了一个三层判决反馈RBF神经网络结构。实验结果表明,判决反馈RBF网络模型对混沌时间序列有很好的拟合能力,对比典型RBF网络结构,该方法具有较好的检测效果。

海面小目标检测的自适应背景感知研究

海面小目标检测是舰载雷达的重要使命,为了优化海杂波下的检测环境,并提高小目标检测的信杂比,引入背景估计思想,建立了基于径向基神经网络的海杂波背景感知模型。通过研究雷达实际测量数据,提出了简单有效的数据预处理方法,通过构造适合处理一维回波数据的神经网络模型,并采用正交最小二乘学习算法对模型结构进行自适应调整,减小了模型复杂度并提升了模型的性能,从而实现海杂波背景的良好感知。最后,基于实测数据对模型进行性能验证,针对杂波对消前后的数据计算信杂比,得到信杂比改善因子均值达到了2 dB。结果显示本方法优化了海杂波下的检测环境,并能够在一定程度上改善小目标检测的信杂比,表明了本方法的有效性。

基于深度学习的海上目标一维序列信号目标检测方法

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。

基于人工智能技术的雷达目标检测

强杂波背景下的目标检测是各国争相研究的热点,传统的雷达目标检测技术无法实现,人工智能技术的出现,其在目标识别和特征提取方面的独特优势,使得强杂波背景下的目标检测成为可能,利用人工智能神经网络的强大非线性预测能力对海杂波的非线性动力方程进行逼近,实现了对海杂波的非线性预测,提出了一种基于神经网络技术的强海杂波背景下的脉冲多普勒雷达导引头小目标检测方法,使得强海杂波背景下的目标检测能力有2 dB到6 dB的提升。

海杂波背景下的PSO-RBF弱目标检测

海杂波背景下的目标检测是海面雷达信号处理的重要组成部分。海杂波中弱目标的检测,传统方法是基于海杂波统计特性,但是统计特性并不能很好地反映海杂波的内在动力学特性,因此检测效果很不理想。本文根据海杂波的混沌特性,对其进行了相构空间重构,并将粒子群算法算法(PSO)应用到径向基函数(RBF)神经网络核函数参数的优化学习中,利用加拿大McMaster大学采用IPIX雷达在Dartmouth地区海域实测带有目标的海杂波数据对此方法进行验证。结果表明,在混沌海杂波背景下PSO-RBF小目标检测法具有良好的预测性,相比于一般的径向基神经网络,改进算法不仅收敛速度快,且误差精度高。

基于海杂波混沌模型用神经网络预测器实现小目标检测

介绍了高分辨率雷达海杂波的混沌特性和混沌动态过程 ,阐述了根据神经网络函数逼近理论 ,选择径向基函数前馈网络实现杂波混沌过程的重建 ,并利用杂波回波设计神经网络智能预测器实现杂波混沌过程的准最佳预测 ,完成强杂波背景下掠海小目标的检测任务。