本發(fā)明基于小樣本遷移學(xué)習(xí)和注意力機(jī)制的雷達(dá)動(dòng)目標(biāo)檢測方法，屬于雷達(dá)。

背景技術(shù)：

1、地海雜波抑制及運(yùn)動(dòng)目標(biāo)檢測是天基預(yù)警雷達(dá)應(yīng)用中的一個(gè)關(guān)鍵問題。目前已提出多種方法來解決該問題，例如空時(shí)自適應(yīng)雜波抑制技術(shù)(stap)、直接數(shù)據(jù)域(ddd)方法、知識(shí)輔助類方法(ka-stap)、稀疏重構(gòu)類方法(sr-stap)、基于深度學(xué)習(xí)的樣本重構(gòu)類方法等。其中，ddd?stap方法僅利用待檢測距離單元回波數(shù)據(jù)，徹底消除了非平穩(wěn)/非均勻雜波環(huán)境iid樣本不足問題，但易受噪聲影響且存在嚴(yán)重孔徑損失導(dǎo)致性能無法達(dá)到次最優(yōu)，同時(shí)空域平滑處理也決定了其僅適用于均勻線/面陣機(jī)載雷達(dá)；ka?stap方法利用載機(jī)和雷達(dá)系統(tǒng)先驗(yàn)信息預(yù)先估計(jì)雜波協(xié)方差矩陣(clutter?covariance?matrix,ccm)并對雜波進(jìn)行預(yù)白化，但由于天線空域誤差和雜波起伏等內(nèi)/外在未知非理想因素存在，導(dǎo)致所估ccm與真實(shí)值存在較大偏差；此外，由先驗(yàn)知識(shí)構(gòu)建的ccm與最大似然估計(jì)的ccm間權(quán)系數(shù)的合理分配問題，仍未較好解決；sr?stap利用雜波在空時(shí)譜平面稀疏分布特點(diǎn)，通過對空時(shí)譜系數(shù)施加稀疏約束，可在少量觀測樣本條件下重構(gòu)雜波超分辨空時(shí)譜并計(jì)算相應(yīng)ccm。然而，該類方法通常以迭代優(yōu)化技術(shù)求解，往往存在運(yùn)行時(shí)間長、執(zhí)行效率低和超參數(shù)選擇困難等問題，因此并不利于實(shí)際應(yīng)用。盡管如此，稀疏恢復(fù)類方法為提升小樣本條件下stap性能提供了一種全新思路。

2、在深度學(xué)習(xí)領(lǐng)域，對動(dòng)目標(biāo)的檢測和分類主要依賴卷積神經(jīng)網(wǎng)絡(luò)(convolutionalneural?network,cnn)對數(shù)據(jù)深層特征的提取，其強(qiáng)大的泛化能力能在一定程度上弱化非均勻雜波對目標(biāo)檢測的影響。有專家提出了一種動(dòng)目標(biāo)檢測cnn網(wǎng)絡(luò)模型，可以在非均勻雷達(dá)回波數(shù)據(jù)的情況下實(shí)現(xiàn)動(dòng)目標(biāo)檢測；另外，自編碼網(wǎng)絡(luò)應(yīng)用在雷達(dá)信號(hào)處理方面可以對雷達(dá)的回波信號(hào)進(jìn)行重構(gòu)和模擬，有專家利用自編碼網(wǎng)絡(luò)來生成雷達(dá)回波信號(hào)通過與實(shí)際的雷達(dá)回波信號(hào)進(jìn)行對比來找到目標(biāo)信號(hào)所在的區(qū)域，從而準(zhǔn)確的完成對動(dòng)目標(biāo)信號(hào)的檢測；另外，有專家利用對抗生成網(wǎng)絡(luò)來完成對海雜波的抑制從而提高海上動(dòng)目標(biāo)的檢測性能，有部分學(xué)者利用cnn來重建高分辨率的角度多普勒剖面，然后根據(jù)得到的空時(shí)二維雜波譜來重構(gòu)協(xié)方差矩陣，最后利用重構(gòu)的協(xié)方差矩陣來計(jì)算stap權(quán)值并實(shí)現(xiàn)雜波抑制。雖然卷積神經(jīng)網(wǎng)絡(luò)能夠克服非均勻環(huán)境的影響，但是卷積網(wǎng)絡(luò)的訓(xùn)練需要的樣本數(shù)據(jù)非常多，這也導(dǎo)致其很難應(yīng)用到實(shí)際的機(jī)載雷達(dá)系統(tǒng)當(dāng)中。同時(shí)，現(xiàn)有基于cnn的方法需要在線學(xué)習(xí)雷達(dá)雜波特征，運(yùn)算量非常高，不利于機(jī)載雷達(dá)的實(shí)時(shí)處理。

3、目前國內(nèi)外對于地海雜波背景下的目標(biāo)檢測技術(shù)，主要集中在stap雜波抑制技術(shù)、基于先驗(yàn)的stap處理方法、基于統(tǒng)計(jì)信息的雜波重構(gòu)技術(shù)以及基于卷積神經(jīng)網(wǎng)絡(luò)模型的運(yùn)動(dòng)目標(biāo)檢測技術(shù)。然而，在小樣本條件下，應(yīng)對非均勻、非平穩(wěn)雜波環(huán)境下的運(yùn)動(dòng)目標(biāo)實(shí)時(shí)檢測網(wǎng)絡(luò)模型的研究未見公開，因此亟需一種能在小樣本條件、泛化能力強(qiáng)的雜波背景下運(yùn)動(dòng)目標(biāo)檢測方法。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明解決的技術(shù)問題是：克服現(xiàn)有技術(shù)的不足，提供基于小樣本遷移學(xué)習(xí)和注意力機(jī)制的雷達(dá)動(dòng)目標(biāo)檢測方法，解決在實(shí)際工程中非均勻、非平穩(wěn)雜波協(xié)方差矩陣難以準(zhǔn)確構(gòu)建和運(yùn)動(dòng)目標(biāo)檢測網(wǎng)絡(luò)適用性及實(shí)效性低的問題。

2、本發(fā)明的技術(shù)方案是：基于小樣本遷移學(xué)習(xí)和注意力機(jī)制的雷達(dá)動(dòng)目標(biāo)檢測方法，包括：

3、生成不同應(yīng)用場景和預(yù)警雷達(dá)系統(tǒng)條件下的地面雜波背景雷達(dá)回波數(shù)據(jù)；

4、在地面雜波背景雷達(dá)回波數(shù)據(jù)中加入不同功率、不同運(yùn)動(dòng)速度的動(dòng)目標(biāo)信號(hào)，生成模型訓(xùn)練需要的訓(xùn)練數(shù)據(jù)集；

5、采用基于注意力機(jī)制的深度學(xué)習(xí)特征提取網(wǎng)絡(luò)，即fenet網(wǎng)絡(luò)模型，基于生成的訓(xùn)練數(shù)據(jù)集計(jì)算該fenet網(wǎng)絡(luò)模型的特征分布及其對應(yīng)的注意力機(jī)制參數(shù)；

6、基于孿生網(wǎng)絡(luò)模型，采用雷達(dá)獲取的實(shí)測數(shù)據(jù)樣本對fenet網(wǎng)絡(luò)模型進(jìn)行參數(shù)修正，從而得到小樣本下的ssm-net模型；

7、將ssm-net模型應(yīng)用于雷達(dá)的實(shí)時(shí)回波，以雷達(dá)實(shí)時(shí)回波數(shù)據(jù)作為ssm-net模型的輸入，ssm-net模型輸出直接對應(yīng)雷達(dá)的運(yùn)動(dòng)目標(biāo)檢測結(jié)果，即檢測得到運(yùn)動(dòng)目標(biāo)的距離和速度參數(shù)。

8、所述生成不同應(yīng)用場景和預(yù)警雷達(dá)系統(tǒng)條件下的地面雜波背景的仿真回波數(shù)據(jù)，包括：

9、設(shè)天基雷達(dá)平臺(tái)的運(yùn)行軌道高度為h，平臺(tái)運(yùn)動(dòng)速度v，以東北天建立坐標(biāo)軸，平臺(tái)運(yùn)動(dòng)方向?yàn)閥軸；陣列為由n個(gè)陣元組成的正側(cè)視均勻線陣，θ和分別為天線波束指向當(dāng)前雜波塊的方位角和俯仰角；陣元之間的間距為半波長，脈沖重復(fù)間隔為tr，脈沖重復(fù)頻率為fr＝1/tr，相干處理間隔內(nèi)共發(fā)射了m個(gè)脈沖。

10、設(shè)待檢測距離單元中共有nc個(gè)在方位上均勻分布的雜波單元，則雜波散射單元所對應(yīng)的歸一化多普勒頻率為：

11、

12、其中λ為雷達(dá)工作波長，fr為脈沖重復(fù)頻率；

13、雜波塊對應(yīng)的歸一化空間頻率為：

14、

15、對于均勻線陣，任一雜波塊所對應(yīng)時(shí)域?qū)蚴噶亢涂沼驅(qū)蚴噶糠謩e為：

16、

17、考慮雷達(dá)對地觀測場景中距離模糊、陣元誤差和雜波起伏問題，假定各雜波塊統(tǒng)計(jì)獨(dú)立，任一距離單元雜波空時(shí)快拍數(shù)據(jù)表示為不同模糊距離上各雜波塊回波信號(hào)的疊加：

18、

19、式中，xc表示待檢測單元的雜波回波數(shù)據(jù)，αi表示第i個(gè)雜波塊回波幅度；

20、γ＝[γ1,γ2,…,γm]t表示相干脈沖間雜波起伏分量；

21、表示陣元誤差分量；⊙和分別表示矩陣之間的hadamard積和kronecker積；

22、同理運(yùn)動(dòng)目標(biāo)的回波信號(hào)xt表示為：

23、

24、式中，αt表示信號(hào)的復(fù)幅度；ft、θt和分別表示動(dòng)目標(biāo)的歸一化多普勒頻率、方位角和俯仰角；

25、則雷達(dá)收到的地面雜波背景雷達(dá)回波數(shù)據(jù)y由場景雜波、運(yùn)動(dòng)目標(biāo)以及噪聲組成：

26、y＝xt+xc+n；

27、式中n表示高斯白噪聲分量。

28、所述在地面雜波背景雷達(dá)回波數(shù)據(jù)中加入不同功率、不同運(yùn)動(dòng)速度的動(dòng)目標(biāo)信號(hào)，生成模型訓(xùn)練需要的訓(xùn)練數(shù)據(jù)集，包括：

29、設(shè)包含動(dòng)目標(biāo)的第l1個(gè)距離門被視為待檢測單元，在待檢測單元的兩側(cè)還有tp個(gè)保護(hù)單元，選取訓(xùn)練數(shù)據(jù)所在的距離門位于保護(hù)單元的外部，每次訓(xùn)練選取te個(gè)距離門；

30、擴(kuò)充數(shù)據(jù)時(shí)選擇的距離門數(shù)為te，信雜噪比范圍為-15db～20db，動(dòng)目標(biāo)類別數(shù)為k，擴(kuò)充倍數(shù)為kc；每種情況擴(kuò)充之后的數(shù)據(jù)集達(dá)到te×k×kc；在訓(xùn)練的過程中批次epochs設(shè)為13；

31、擴(kuò)充動(dòng)目標(biāo)信號(hào)一共分為k類，其中第0類為純背景雜波信號(hào)，即不加動(dòng)目標(biāo)信號(hào)；對于目標(biāo)存在的類，每個(gè)類對應(yīng)動(dòng)目標(biāo)的歸一化多普勒頻率ft,k為：

32、

33、其中k表示不同動(dòng)目標(biāo)的類別總數(shù)；

34、運(yùn)動(dòng)目標(biāo)探測時(shí)，假定目標(biāo)位于雷達(dá)的波束中心，其空間頻率是固定的，生成不同速度對應(yīng)的擴(kuò)展目標(biāo)數(shù)據(jù)，其擴(kuò)展后的訓(xùn)練數(shù)據(jù)yk,h如下：

35、yk,h＝xt,k,h+xc+n；

36、其中xt,k,h為對應(yīng)歸一化多普勒頻率為wk，幅度為αt,h的擴(kuò)展運(yùn)動(dòng)目標(biāo)數(shù)據(jù)，具體為：

37、

38、所述fenet網(wǎng)絡(luò)模型由4層卷積層、2層池化層、4個(gè)注意力模塊以及2個(gè)全連接層和1個(gè)識(shí)別層組成；fenet網(wǎng)絡(luò)模型輸入為雷達(dá)的訓(xùn)練數(shù)據(jù)yk,h，輸出為檢測距離門對應(yīng)的動(dòng)目標(biāo)速度。

39、所述采用基于注意力機(jī)制的深度學(xué)習(xí)特征提取網(wǎng)絡(luò)，即fenet網(wǎng)絡(luò)模型，提取訓(xùn)練數(shù)據(jù)集的特征分布及其對應(yīng)的注意力機(jī)制參數(shù)；包括：

40、1)對fenet網(wǎng)絡(luò)模型的各個(gè)層進(jìn)行設(shè)計(jì)，具體如下：

41、卷積層用于特征的提取，從輸入的數(shù)據(jù)中提取動(dòng)目標(biāo)的主要特征：

42、fc＝relu(wc*yk,h+bc)；

43、其中，relu是卷積層使用的激活函數(shù)，fc表示卷積網(wǎng)絡(luò)之后的特征矩陣，wc表示維度為f×f×c的卷積核；f表示卷積核的長和寬；c表示卷積核個(gè)數(shù)，即輸出特征通道數(shù)；*表示卷積運(yùn)算；bc為偏置向量；

44、注意力模塊采用空間-通道聯(lián)合注意力機(jī)制，包括空間注意力模塊和通道注意力模塊；空間注意力模塊針對雷達(dá)數(shù)據(jù)的波束-多普勒二維空間，通道注意力模塊針對雷達(dá)數(shù)據(jù)的實(shí)部和虛部；通道注意力模塊先在通道的卷積特征圖上進(jìn)行全局平均池化和全局最大池化，得到兩個(gè)1×1×c的特征圖；

45、

46、式中，表示平均池化操作處理后得到的特征向量，表示進(jìn)行最大池化操作處理得到的特征向量，mean(·)和max(·)分別代表最大池化操作和平均池化操作；

47、將得到的特征向量和分別送入一個(gè)兩層的神經(jīng)網(wǎng)絡(luò)mlp，神經(jīng)網(wǎng)絡(luò)mlp輸出的特征矩陣的大小與輸入的特征矩陣的大小相同，網(wǎng)絡(luò)中使用的激活函數(shù)是relu，得到更新后的特征向量和

48、

49、式中，表示經(jīng)神經(jīng)網(wǎng)絡(luò)提取的平均池化特征參數(shù)，表示經(jīng)神經(jīng)網(wǎng)絡(luò)提取的最大池化特征參數(shù)；

50、對特征向量和進(jìn)行加和操作，再用sigmoid函數(shù)進(jìn)行歸一化處理，生成最終的通道注意力特征向量mc(f)：

51、

52、其中通道注意力特征向量mc(f)代表輸入數(shù)據(jù)各個(gè)通道所占的權(quán)重大?。?/p>

53、空間注意力模塊對進(jìn)行全局平均池化和全局最大池化得到的特征向量和進(jìn)行拼接和卷積操作，最后在經(jīng)過sigmoid函數(shù)進(jìn)行權(quán)重的全局歸一化操作，得到更新后的權(quán)重向量矩陣ms(f)：

54、

55、其中[；]代表拼接操作，fs×s(·)代表卷積操作，s是卷積的卷積核的大小，softmax為分類識(shí)別器；ms(f)是對單個(gè)通道的卷積網(wǎng)絡(luò)進(jìn)行加權(quán)。

56、池化層用于數(shù)據(jù)的降維，對卷積之后的特征進(jìn)行壓縮操作：

57、fp＝γp(fc；sp,fp)；

58、其中，fp為經(jīng)池化處理之后的特征矩陣，γp表示下采樣運(yùn)算符，sp為下采樣運(yùn)算符的窗長度，fp為下采樣運(yùn)算步長；

59、全連接層用于對卷積操作提取到的特征矩陣進(jìn)行扁平化操作，同時(shí)將扁平化之后的特征值進(jìn)行壓縮：

60、yf＝γf(<wf,vev(fp)>+bf)；

61、其中，yf為全連接層的輸出特征，，vec(·)表示對矩陣進(jìn)行向量化處理，將三維特征向量轉(zhuǎn)變?yōu)槎S向量，<·>表示兩個(gè)向量的內(nèi)積，wf表示加權(quán)向量，bf表示偏置向量，γf表示激活函數(shù)，其中fenet網(wǎng)絡(luò)的第一層全連接層使用的是tanh激活函數(shù)，第二層使用的是sigmod激活函數(shù)；

62、識(shí)別層采用的是softmax分類器，根據(jù)全連接層輸出數(shù)據(jù)得到屬于第k類目標(biāo)的概率如下：

63、

64、fenet的預(yù)測值是多個(gè)類別的概率值，為了達(dá)到更好的收斂效果，實(shí)驗(yàn)時(shí)采用的損失函數(shù)為均方誤差，具體的數(shù)學(xué)表達(dá)式為：

65、

66、式中，mtotal表示批次訓(xùn)練時(shí)的總樣本數(shù)，ik表示查詢樣本對應(yīng)的分類標(biāo)簽向量。

67、對fenet網(wǎng)絡(luò)模型進(jìn)行求解，過程如下：

68、在完成fenet網(wǎng)絡(luò)模型的構(gòu)建后，需要通過訓(xùn)練數(shù)據(jù)對網(wǎng)絡(luò)模型的參數(shù)進(jìn)行求解；設(shè)定fenet模型中的網(wǎng)絡(luò)特征分布及其對應(yīng)的注意力機(jī)制參數(shù)集為θfen，則模型的訓(xùn)練過程表述如下：

69、θfen＝argmin?loss(θfen)。

70、所述卷積網(wǎng)絡(luò)之后的特征矩陣fc的輸出特征維度為h×w×c，h和w分別為輸出數(shù)據(jù)的長和寬，其值與卷積步長sc有關(guān)，具體如下：

71、

72、其中為向上取整操作。

73、所述模型的訓(xùn)練過程為：

74、θfen＝argmin?loss(θfen)；

75、上述訓(xùn)練過程調(diào)用tensorflow中的model.fit函數(shù)，優(yōu)化策略采用adam，學(xué)習(xí)率設(shè)定為0.001；數(shù)據(jù)集按照8:2的比例劃分為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集；網(wǎng)絡(luò)模型每訓(xùn)練10個(gè)批次，采用測試數(shù)據(jù)集進(jìn)行目標(biāo)的檢測預(yù)測與精度評(píng)估；訓(xùn)練迭代的終止條件設(shè)定為采用測試數(shù)據(jù)集前后兩次的預(yù)測偏差小于0.01％或者訓(xùn)練批次達(dá)到500次。

76、基于孿生網(wǎng)絡(luò)模型，采用雷達(dá)獲取的實(shí)測數(shù)據(jù)樣本對fenet網(wǎng)絡(luò)模型進(jìn)行參數(shù)修正，從而得到小樣本下的ssm-net模型，包括：

77、設(shè)為采用fenet網(wǎng)絡(luò)提取雷達(dá)仿真數(shù)據(jù)，即支持?jǐn)?shù)據(jù)集的特征；為采用fenet網(wǎng)絡(luò)提取雷達(dá)真實(shí)回波數(shù)據(jù)，即查詢數(shù)據(jù)集的特征；采用最近質(zhì)心余弦相似度函數(shù)表征上述兩類數(shù)據(jù)級(jí)經(jīng)特征提取網(wǎng)絡(luò)之后的相似度；

78、樣本y的特征向量與k類的質(zhì)心之間余弦相似度yk-ssm表達(dá)式為：

79、

80、式中ak表示支持?jǐn)?shù)據(jù)集中屬于k類的樣本；<·,·>表示余弦相似度，τ是對余弦相似度的縮放值，用于對余弦相似度的區(qū)間進(jìn)行縮放；wk代表每個(gè)類的質(zhì)心，其數(shù)學(xué)表達(dá)式為：

81、

82、小樣本網(wǎng)絡(luò)的損失函數(shù)仍然采用均方誤差函數(shù)，具體為：

83、

84、式中，mtotal-ssm表示批次訓(xùn)練時(shí)的總樣本數(shù)，ik表示查詢樣本對應(yīng)的分類標(biāo)簽向量。

85、在完成基于孿生網(wǎng)絡(luò)思想的模型構(gòu)建后，通過雷達(dá)仿真數(shù)據(jù)級(jí)和實(shí)時(shí)數(shù)據(jù)集，對ssm-net網(wǎng)絡(luò)模型參數(shù)進(jìn)行訓(xùn)練求解，設(shè)定ssm-net模型中的所有參數(shù)集為θssm，則模型的訓(xùn)練過程表述如下：

86、θssm＝argmin?loss(θssm)。

87、所述τ是設(shè)置為0.1。

88、通過雷達(dá)仿真數(shù)據(jù)級(jí)和實(shí)時(shí)數(shù)據(jù)集，對ssm-net網(wǎng)絡(luò)模型參數(shù)進(jìn)行訓(xùn)練求解，包括：所述模型的訓(xùn)練過程為：

89、θssm＝argmin?loss(θssm)；

90、上述訓(xùn)練過程調(diào)用tensorflow中的model.fit函數(shù)，優(yōu)化策略采用adam，學(xué)習(xí)率設(shè)定為0.001；數(shù)據(jù)集按照8:2的比例劃分為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集；網(wǎng)絡(luò)模型每訓(xùn)練10個(gè)批次，采用測試數(shù)據(jù)集進(jìn)行目標(biāo)的檢測預(yù)測與精度評(píng)估；訓(xùn)練迭代的終止條件設(shè)定為采用測試數(shù)據(jù)集前后兩次的預(yù)測偏差小于0.01％或者訓(xùn)練批次達(dá)到500次。

91、本發(fā)明與現(xiàn)有技術(shù)相比有益效果為：

92、本發(fā)明方法屬于在小樣本條件下，非均勻、非平穩(wěn)雜波背景下的運(yùn)動(dòng)目標(biāo)檢測問題。目前已提出多種方法來解決該問題，其中雜波抑制技術(shù)主要包括傳統(tǒng)的空時(shí)stap以及小樣本條件下的ka-stap、ddd-stap、sr-stap等方法。然而，上述方法存在場景失配、孔徑損失以及超參數(shù)選擇等問題，在實(shí)際應(yīng)用中存在性能損失或場景約束。而運(yùn)動(dòng)目標(biāo)檢測類算法則是在雜波抑制之后，利用目標(biāo)、剩余雜波以及背景噪聲的統(tǒng)計(jì)特征差異，在統(tǒng)計(jì)意義上進(jìn)行目標(biāo)檢測處理，如ca-cfar、os-cfar等，上述檢測算法對于雜波抑制后能量的統(tǒng)計(jì)分布十分敏感，對能量分布特性有較高要求。且基于雜波抑制+目標(biāo)檢測的分步式處理方法存在非線性處理引入的信息丟失問題，有一定的性能損失。

93、本發(fā)明在雜波樣本非均勻、非平穩(wěn)的條件下，以少量實(shí)際雷達(dá)回波和高保真場景仿真數(shù)據(jù)作為數(shù)據(jù)訓(xùn)練集，可實(shí)現(xiàn)強(qiáng)雜波背景下的運(yùn)動(dòng)目標(biāo)直接檢測。主要利用運(yùn)動(dòng)目標(biāo)和場景雜波在空時(shí)二維平面的點(diǎn)/線分布特點(diǎn)，引入注意力機(jī)制，即可在提升網(wǎng)絡(luò)訓(xùn)練速度的同時(shí)，確保網(wǎng)絡(luò)對雜波的分選與識(shí)別能力，同時(shí)，進(jìn)一步結(jié)合小樣本遷移孿生網(wǎng)絡(luò)，可利用少量實(shí)測數(shù)據(jù)對目標(biāo)檢測網(wǎng)絡(luò)進(jìn)行修正，從而提升網(wǎng)絡(luò)對實(shí)際工況的適應(yīng)性，提升泛化能力。同時(shí)，該網(wǎng)絡(luò)融合了雜波抑制與目標(biāo)檢測處理過程，可避免分步處理引入的信息損失，與傳統(tǒng)分步式處理策略相比，在低信噪比情況下仍有較高的檢測性能。