基于深度学习的自进化雷达目标检测算法

发布时间：2020-06-01 12:43

【摘要】：雷达目标检测技术广泛应用于军事和民航活动中,随着飞行器隐形技术的发展和飞行速度的提升,雷达目标存在着高杂波、低信噪比、运动速度过快等特征,对雷达目标检测技术提出了更高的要求。深度学习具有较强的自动化特征提取能力,可以避免传统方法中需要人工提取特征的限制,并且已经在雷达目标检测领域取得了一定的成果。由于天气、雷达硬件老化等因素的影响,雷达数据会随着时间的改变发生一些变化,初始训练的深度学习模型可能会不适用于后续的数据,因此需要使用新的数据不断训练模型,使模型随着数据变化而不断进化。模型的进化需要大量有标签样本数据参与模型训练,虽然雷达数据容易获取,但是数据标签的标注代价高昂,如何利用无标签数据进化深度学习模型就显得非常重要。针对上文所提到的问题,本文提出了一种基于深度学习的自进化雷达目标检测算法,使用无监督的方式实现深度学习模型的自进化。首先,本文设计了两个基于深度学习的雷达目标检测模型,分别是深度置信网络(DBN)和递归神经网络(RNN),这两个模型通过有监督训练,生成雷达目标检测的基础模型。其次,在这两个模型的基础上使用双视图协同训练算法实现了模型检测能力的无监督自进化,双视图协同训练算法的关键在于双视图的构造,本文通过两个不同的方向构造双视图,分别是基于单周期和多周期特征构造的特征方向的双视图以及基于DBN和RNN构造的模型方向的双视图。另外,本文还给出了双视图协同训练与主动学习相结合的自进化雷达目标检测算法,在主动学习中,模型根据学到的知识主动的挑选部分样本交于专家标注,然后用于模型的训练,改善了双视图协同训练中完全被动接受样本的问题。最后,本文算法在某雷达上采集到的连续三天的数据上进行了验证,结果表明,本文算法能够通过无监督或者半监督的方式实现雷达目标检测模型的自进化。
【图文】：

结构图,前馈神经网络,结构图,前向

２．１前馈神经网络逡逑神经网络有着强大的非线性映射能力和特征表达能力。含有一个隐层的前馈逡逑神经网络结构图如下图２．１所示。逡逑输入层逦隐层（Ｈ）逦输出层（０）逡逑图２．１含单隐层的前馈神经网络结构图逡逑神经网络的训练过程分为前向传播过程和反向传导过程，接下来简单推导这逡逑两个过程。逡逑２．１．１神经网络的前向传播逡逑在神经网络的前向传播过程中，下一层神经元的输出等于上一层所有神经元逡逑乘以权重加上偏置，假设两个节点之间的连接权重为％，节点的偏置为匕，则逡逑前向传播的具体计算公式如下：逡逑Ｓｉ＝ｉＷ＇Ｊｘｌ＋ｂｌ逦（２，１）逡逑／＝０逡逑９逡逑

网络结构图,网络结构,可视,隐层

２．２＿２限制玻尔兹曼机的原理逡逑假设限制玻尔兹曼机可视层和隐层之间的权重矩阵可视层节点的偏逡逑移量为＆隐藏节点的偏移量ｖ是可视层，／７为隐层，，如图２．２所示。可视层逡逑和隐层的计算公式如下：逡逑ｐ｛ｈｋ邋＝邋ｌ｜ｖ）邋＝邋ｓｉｇｍｏｉｃＫＸ＾ｗ＾Ｖｉ邋＋邋ｂｋ）逦（２－１９）逡逑ｐ｛ｙｋ邋＝邋ｌ＼ｈ）邋＝邋ｓｉｇｍｏｉｃＫＪ，％邋＾ｊｋ＾ｊ邋＋邋0－ｋ）逦（２－２０）逡逑ｈ｜＿邋卜２邋＾３逦＾ｎｈ逡逑ｈ邋ｏ邋0邋？邋＂邋＆邋ｄ逡逑：；逡逑ｖ邋ｏ邋ｏ邋＂邋0邋0逡逑Ｖ１邋Ｖ２逦Ｖｗ逡逑图２．２邋ＲＢＭ的网络结构逡逑１２逡逑
【学位授予单位】：厦门大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP181;TN957.51

【参考文献】