时空域稀疏条件下基于雷达回波时序依赖关系的目标检测_张力文.pdf
《时空域稀疏条件下基于雷达回波时序依赖关系的目标检测_张力文.pdf》由会员分享,可在线阅读,更多相关《时空域稀疏条件下基于雷达回波时序依赖关系的目标检测_张力文.pdf(20页珍藏版)》请在咨信网上搜索。
1、时空域稀疏条件下基于雷达回波时序依赖关系的目标检测张力文*潘剑张右承陈元培马喆*黄旭辉孙科武(航天科工集团智能科技研究院有限公司北京100144)(航天防务智能系统与技术科研重点实验室北京100144)摘要:该文基于低慢小目标探测的地面预警雷达实测回波数据,系统性地提出了一种数据驱动式的目标检测方法框架,解决了两个关键问题:(1)针对当前数据驱动式的目标检测方法未能充分利用特征表示学习来发挥优势的问题,提出了回波时序依赖关系的表示学习方法,并给出无监督和有监督学习的两种实现方式;(2)低慢小目标在雷达探测范围中呈现稀疏性,目标-杂波数目的极度不均衡致使网络判决面严重向杂波倾斜。因此,该文提出利
2、用异常值检测方法中的样本均衡思想,有效缓解了检测模型的判决偏移问题。最后基于实测数据对所提方法框架的各组成部分进行了消融实验,实验结果充分验证了回波时序性特征表示学习和样本均衡策略的有效性。在实测序贯验证条件下,两种检测方法均取得了优于多种CFAR方法的综合检测性能。关键词:雷达目标检测;时序依赖关系;回波表示学习;循环神经网络;样本均衡策略中图分类号:TN95;TP391文献标识码:A文章编号:2095-283X(2023)02-0356-20DOI:10.12000/JR22228引用格式:张力文,潘剑,张右承,等.时空域稀疏条件下基于雷达回波时序依赖关系的目标检测J.雷达学报,2023,
3、12(2):356375.doi:10.12000/JR22228.Reference format:ZHANGLiwen,PANJian,ZHANGYoucheng,et al.Capturingtemporal-dependenceinradarechoforspatial-temporalsparsetargetdetectionJ.Journal of Radars,2023,12(2):356375.doi:10.12000/JR22228.Capturing Temporal-dependence in Radar Echo for Spatial-temporalSparse T
4、arget DetectionZHANGLiwen*PANJianZHANGYouchengCHENYuanpeiMAZhe*HUANGXuhuiSUNKewu(Intelligent Science&Technology Academy of CASIC,Beijing 100144,China)(Key Laboratory of Aerospace Defense Intelligent Systems and Technology,Beijing 100144,China)Abstract:Existingdata-drivenobjectdetectionmethodsusetheC
5、onstantFalseAlarmRate(CFAR)principletoachievemorerobustdetectionperformanceusingsupervisedlearning.Thisstudysystematicallyproposesadata-driventargetdetectionframeworkbasedonthemeasuredechodatafromthegroundearlywarningradarforlow-altitudeslowdimtargetdetection.Thisframeworkaddressestwokeyproblemsinth
6、isfield:(1)aimingattheproblemthatcurrentdata-drivenobjectdetectionmethodsfailtomakefulluseoffeaturerepresentationlearningtoexertitsadvantages,arepresentationlearningmethodofechotemporaldependencyisproposed,andtwoimplementations,includingunsupervised-andsupervised-learningaregiven;(2)Low-altitudeslow
7、dimtargetsshowextremesparsityintheradardetectionrange,suchunevennessoftarget-cluttersamplescalecausesthetrainedmodeltoseriouslytilttothecluttersamples,resultinginthedecisiondeviation.Therefore,wefurtherproposeincorporatingthedatabalancingpolicyofabnormaldetectionintotheframework.Finally,收稿日期:2022-11
8、-28;改回日期:2023-02-07;网络出版:2023-03-01*通信作者:张力文;马喆zhema_*CorrespondingAuthors:ZHANGLiwen,;MAZhe,zhema_基金项目:国家自然科学基金青年科学基金项目(62206258)FoundationItem:YoungScienceFoundationofNationalNaturalScienceFoundationofChina(62206258)责任主编:高永婵CorrespondingEditor:GAOYongchan第12卷第2期雷达学报Vol.12No.22023年4月JournalofRadars
9、Apr.2023ablationexperimentsareperformedonthemeasuredX-bandechodataforeachcomponentintheproposedframework.Experimentalresultscompletelyvalidatetheeffectivenessofourechotemporalrepresentationlearningandbalancingpolicy.Additionally,underrealsequentialvalidation,ourproposedmethodachievescomprehensivedet
10、ectionperformancethatissuperiortomultipleCFARmethods.Key words:Radartargetdetection;Temporal-dependence;Echorepresentationlearning;RecurrentNeuralNetwork(RNN);Databalancingpolicy 1 引言作为广泛应用于社会科学发展和军事国防等领域的探测设备,雷达具备极端天气下的良好鲁棒性1,以及对光照不敏感等特点2,具有重要的学术和实用价值3。经典的雷达目标检测方法遵循恒虚警检测(ConstantFalseAlarmRate,CFAR
11、)46原则。CFAR检测隶属于统计检测理论,即一种利用信号和噪声的统计特性,遵照检测概率最大准则(Ney-man-Pearson,N-P)来建立最佳判决的数学理论。其本质上是一种在先验概率和代价函数均未知的情况下,固定虚警概率,再去最小化漏检概率或最大化检出(召回)概率的检测方法。随着大数据科学的发展,以数据为驱动的经典机器学习和当下的深度学习技术也被广泛应用于雷达目标检测与识别。从原理上来说,无论是经典的机器学习还是深度学习方法(以下统称机器学习方法),他们实现雷达目标检测都是基于对数据的合理表示,其涉及模式识别中的特征工程和表示学习理论范畴。他们与经典CFAR的检测原理有着本质的不同,机器
12、学习更多地是在探讨如何在一个更加抽象或高维的特征空间中对样本进行表示,并利用此种表示来训练分类器,最终实现对目标的检测。这些特征表示可以通过利用基于统计建模的投影算子转换而来7,8,也可以通过学习的方式来获得9。而在分类器的训练方面,其可以是和特征学习部分相分离的方式来单独进行,如经典的支持向量机(SupportVectorMachines,SVM)10与k近邻(k-NearestNeighbors,k-NN)7,8;也可以是与特征学习部分耦合在一起的联合学习方式9。因此,可分析出数据驱动的机器学习方法与经典CFAR的本质区别:前者是在样本空间中挖掘或者构造出能有效表示每个样本的方式,然后在这
13、些表示所处的空间中以任务(例如分类)为驱动的方式去寻找一种能够有效区分目标与杂波的超平面,其不需要显式地获得样本的统计信息,也不需要对样本的分布进行显式的刻画;而后者需要显性地构造出样本在不同假设条件下的分布特性,从而在这些分布特性的明确定义下给出目标检测的依据。而若要类比CFAR与机器学习方法的相似之处,那么笔者认为特征表示部分对应了CFAR中对被检单元和参考单元的采样后的计算部分;而分类器则对应于检测阈值本身。基于以上分析不难看出,由于缺乏对信号统计分布特性的显式定义,机器学习方法虽无法严格保持CFAR性质,但仍然具备很多其他优势:自动化的学习机制可以在一定程度上摆脱对人工先验设参的依赖程
14、度;当具备新的可用数据时,模型可再次经过微调以获得更好的泛化能力(进化学习);灵活多样的建模形式以适配多种雷达检测识别任务;以及复杂结构带来的更高容量的数据表示能力等等。这些优势也极大地促使研究者开展了众多此方面的研究。然而,考虑到雷达信号在数据形态上的多样性远超过其他形式的信号(如可见光图像、文本类数据),加之不同的任务需求使得相应的处理方法存在着很大的差异。因此,为便于归纳总结,本文根据所面对任务的不同将近期主流的机器学习方法进行如下分类:(1)基于回波信号的目标-杂波检测方法。此类方法是在探讨如何在一维的回波信号上对某个距离单元上回波信号进行目标/杂波的辨识,是与经典CFAR在任务形态上
15、最为相似的一种方法。目前具有代表性的有基于线性SVM(Linear-SVM,L-SVM)10,以及最近基于卷积神经网络(ConvolutionalNeuralNetworks,CNN)与注意力机制11,12的雷达目标检测方法。以L-SVM为例,该方法借鉴CFAR的处理流程,将经过脉冲压缩和线性匹配滤波后的被检单元与参考单元拼接成向量的形式训练SVM分类器,相比于均值类CFAR方法,SVM能在较低信噪比(Signal-to-NoiseRatio,SNR)的情况下获得稳健的检出效果。为了抑制k-NN算法对杂波的敏感程度,Coluccia等人7,8将参考单元的回波信号看作辅助数据,并用其构建出回波信
16、号的正则化协方差矩阵,从而将原始回波投影为更加平滑的向量表示(杂波抑制),利用该种向量构建出的训练样本集合可以获得在不同信杂比(Signal-to-ClutterRatio,SCR)情况下都更为鲁棒的检测模型。尽管这些方法无法严格保证CFAR的性质,然而在实际测得的虚警率上都取得了比CFAR更加稳健的表现。第2期张力文等:时空域稀疏条件下基于雷达回波时序依赖关系的目标检测357(2)基于距离/多普勒/角度频域变换的目标检测-识别方法。此类方法综合运用了当下视觉目标检测9,13或语义分割1416的原理,将经典的雷达目标检测任务推广为一种雷达目标检测-识别任务。相比于经典的目标/杂波检测机制,该种
17、方法额外引入了对目标类型的识别。为了能在多种作用域上获取目标的信息,通常都是利用级联式的快速傅里叶变换(FastFourierTransform,FFT)将原始回波转换为距离-多普勒(Range-Doppler,RD)、距离-方位角(Range-Angle,RA)或距离-方位角-多普勒(Range-Angle-Doppler,RAD)等联合多域的频谱表示作为模型的输入,并在输出中得到各域上的位置信息和目标类别语义信息。例如,文献17利用CNN网络作为检测器,实现了在RD视角上的雷达目标检测;文献18在距离压缩雷达数据的RA视角上,引入目标检测网络Fast-RCNN以提升雷达目标检测性能。然而由
18、于这是一种更为复杂的机器学习任务,其对训练数据和模型的规模要求都会更高。为了避免引入大量的人工标注成本,Wang等人13和Ouaknine等人19提出了一系列对RA及RD表示的自监督标注方法。在模型方面,这些工作多以参数规模庞大的自编码-解码(Auto-Encoder-Decoder,AED)卷积网络作为基础框架,并在编码部分强调多尺度空域信息1316和时域信息学习13,14,16的重要性。这些方法都已经完全脱离了经典雷达目标检测方法的框架,因此也无法直接套用经典雷达目标检测方法的评价指标对这些方法进行评估。(3)基于雷达成像数据的目标识别方法。此类方法通常是在高分辨的雷达成像数据上对目标的类
19、型进行识别,通常不关心目标的空间位置信息。目前代表性的工作有基于(CNN)的合成孔径雷达(Syn-theticApertureRadar,SAR)图像目标识别20,以及基于长短时记忆(LongShort-TermMemory,LSTM)的高分辨距离像(HighResolutionRangeProfile,HRRP)目标识别21等。此类方法虽不像检测任务那样关心目标的空间位置信息,但是利用深度学习模型的编码能力来获得有效的雷达信号表示的这一机理也对检测类方法提供了可借鉴的经验。目前,在以上这些方法中,研究热度大都集中于第(2)和第(3)类方法,一方面是由于他们拥有公开可用的大规模训练数据,同时数
20、据中目标信息量的充分程度也能够给网络的学习提供“燃料”;另一方面也是由于任务的定义也遵从了当下主流机器学习方法的定义,使得方法的引入更加自然。而对于与本文最为相关的第(1)类方法来说,样本中可供模型挖掘的有效目标信息量非常稀少,往往很难充分发挥出复杂模型的样本刻画能力,同时也缺乏公开可用的大规模训练数据集,因此现在此方面的研究还存在以下局限性:(1)所使用的模型较为简单,通常是线性SVM和k-NN这种经典模型,并且方法大都聚焦分类/判别器部分,而对回波特征表示学习方面的探讨明显存在不足。(2)实际情况下获取到的回波数据中可用的目标信息是非常稀疏的,以本文的地面预警雷达实测回波数据为例,在一圈扫
21、描后得到的436000个距离单元上,有时仅有12个单元上存在目标信息,这种目标/杂波极为不均衡的检测任务也给当下主流的机器学习提出了巨大的挑战。(3)所处理的数据大都是模拟仿真环境下生成的,缺乏更为极端条件下实测数据上的实验验证;同时目前的研究工作中也很少见到在统一实验条件下对于经典CFAR方法、经典机器学习方法,以及深度学习方法的综合性能评价。针对以上现有研究的局限性,本文提出一系列适用于雷达回波的特征表示学习方法和针对目标-杂波样本不均衡性的少数样本数据生成方法,进而系统性地给出如图1所示的基于雷达回波的目标检测方法框架,最后使用以无人机为目标的地面预警雷达实测回波数据来对方法进行验证。针
22、对雷达回波的表示学习问题,本文以雷达回波自身的时序性质为约束,分别从无监督学习和有监督学习两个方面给出了雷达回波特征的表示学习方法,并以目标检测性能为衡量指标来对表示学习方法的有效性进行验证;针对实际雷达探测中目标时空域范围在雷达回波中展现出的稀疏性,本文将异常值检测中的样本均衡思想引入训练样本集构建过程,提出一种目标-杂波样本规模均衡化处理策略,缓解了基于机器学习的雷达目标探测任务中目标样本驱动力不足的问题。最后,本文利用实测数据对所提出的完整检测框架进行消融实验分析,以验证回波时序性特征表示学习及样本均衡策略的有效性;并在尽可能模拟雷达实际工作的情况下与多种经典CFAR算法进行对比实验分析
23、。本文所涉及的具体技术包含以下3个方面:(1)雷达目标回波增强。雷达在对目标进行探测时,不仅会接收到目标回波,同时也会接收到周围环境反射的杂波信号,一般而言,杂波信号的回波功率会远超目标回波,尤其是对于飞行高度低(500m)、速度慢(6200m/s)、有效反射截面积(RadarCrossSection,RCS)远低于1m2的无人机目标,周围杂波会更强,从而严重影响系统的目标358雷达学报第12卷检测性能。而雷达目标检测问题首先需要解决的是如何获取足够“纯净”的目标回波数据,因此本文首先采用经典的雷达信号处理手段对原始回波进行杂波抑制,从而提升回波的SCR。(2)时序关系依赖的雷达回波表示学习。
24、在机器学习领域中,检测问题本质上是一种数据驱动的模式识别问题,其中对数据的有效特征表示至关重要。雷达回波作为一种时序性的信号,其中的动态时序信息是表示雷达回波的一种重要线索。而该种信息实际上可看作回波沿着距离(时间)方向的变化趋势,该趋势依赖于序列中各个元素之间的时序关系。为此,本文试图以回波序列各距离单元间的时间依赖关系为约束,来分别从无监督学习和有监督学习两种方式学习出可以代表输入回波序列的时序性特征表示。(3)时空域稀疏条件下的雷达低慢小目标检测。与常见的视觉目标检测任务不同,可见光传感器的感受野有限,通常都是针对近距离的感兴趣目标,目标所占据的感受野区域相对更大,而雷达探测的范围通常要
25、更大,其所针对的通常也都是远距离的目标,这就导致目标在雷达感受野范围内所占据的时空区域非常有限,若被检目标自身RCS很小,那么其在感受野下将会呈现出极高的时空稀疏性。这一特点会导致训练数据中目标与杂波的比例严重失衡,因此,本文试图引入异常值检测中的样本平衡策略来构建出目标-杂波样本规模均衡的训练数据集。本文主要创新点如下:(1)系统性地提出了一种有效的基于雷达回波的目标/杂波检测的机器学习方法框架,该方法框架不仅局限于检测器的构建,也对雷达回波的有效特征表示学习问题进行了探讨;(2)着重研究了时序信息对于雷达回波表示的重要性,并给出了无监督和有监督两种回波表示学习方法的具体实现;(3)采用基于
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 时空 稀疏 条件下 基于 雷达 回波 时序 依赖 关系 目标 检测 张力
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。