基于深度学习的海面弱目标探测技术研究

论文摘要

海面目标探测在资源勘探、舰船侦察、海事救援、海军预警、气象研究等军用、民用领域有着直接且至关重要的应用。在探测海面目标时,回波信号弱的小尺寸目标、隐身目标、高机动目标和远距离目标等,如军事领域中的掠海飞行器、潜望镜和隐身快艇等,以及民用领域的待救援人群、漂浮飞机残骸和待救援渔船等,被统称为弱目标。由于海面弱目标往往具有低可观测性,使得探测它们十分的困难,如何从海杂波中准确识别小目标现已成为亟待解决的重大科学问题。本文致力于实现复杂海况下的海面弱目标精准探测,构建了一种具有高区分度的联合海杂波时-空特性的二维图像,采用分类能力强大的卷积神经网络设计恒虚警检测器识别目标图像。本文的主要工作和成果如下:1、提出了利用联合海杂波的时-空特性的二维图像检测海面弱目标信号的方案。通过分析海杂波的时间相关性和空间相关性,发现不论是一定观测时间下的时间信息还是隐藏在不同距离单元之间的空间信息均对目标的检测有益。因此,本文选择联合二者信息,将海杂波数据转换为二维的图像以充分刻画目标信号与杂波信号之间的差异。本文对海杂波在时域、频域、时频域的典型特性进行分析,相应地构造了时间-幅值图、频率-功率谱图和时间-多普勒速度图。有趣的是,研究过程中,可发现相比较于原始的特征数据,特征图像对海尖峰效应并不敏感,在低海况下也能清楚地突出目标信号的位置。2、分析并选取了最具区分度的二维图像。卷积神经网络的检测性能依赖于输入的目标图像与杂波图像本身的差异,而不同的构图方式区分目标与杂波信号的性能不同。为此,本文定义了图像区分度的概念,采用直方图匹配法计算图像区分度,以选取最具区分度的构图方式。通过计算目标图像与杂波图像直方图之间的巴氏距离,比较所构造三种图像对目标与杂波间的差异的描述性能。研究发现,时间-幅值图表现出了最好的图像区分度。3、设计了基于卷积神经网络的恒虚警检测器。基于构造的时间-幅值图,可将海面弱目标的探测视为一个二分类问题,应用深度学习中的经典的图像分类方法如卷积神经网络设计检测器实现高精度检测。在以往的研究中,雷达信号检测中恒虚警检测要求限制了结合卷积神经网络进行海面弱目标探测这一方向的发展。针对这个问题,本文改进了卷积神经网络,将虚警概率作为输入,以调节分类层的分类阈值使得卷积神经网络能够在指定虚警概率下工作。本文基于卷积神经网络设计检测器以识别雷达回波信号的时间-幅值图中的目标图像,从实际需求最为关注的平均信杂比、虚警概率、观测时长这三个角度评估检测器的性能,并与已有的其他经典检测算法进行比较。实验结果表明,本论文设计的检测器大幅提高了复杂海况下对海面弱目标的检测概率。

论文目录

• 摘要
• Abstract
• 1 绪论
•   1.1 研究背景与意义
•   1.2 国内外研究现状
•   1.3 论文主要研究内容
• 2 海杂波的实测数据及相关特性
•   2.1 IPIX雷达实测数据集
•   2.2 海杂波的时-空特性
•   2.3 联合时-空特性的目标检测思路
•   2.4 本章小结
• 3 基于时-频特性的海杂波图像数据集构造
•   3.1 海杂波时-频特性分析
•   3.2 海杂波图像构造
•   3.3 海杂波图像选择
•   3.4 本章小结
• 4 基于卷积神经网络的海面弱目标检测器
•   4.1 卷积神经网络简介
•   4.2 基于卷积神经网络的恒虚警率检测器设计
•   4.3 检测器性能验证及结果分析
•   4.4 本章小结
• 5 总结与展望
•   5.1 论文研究工作总结
•   5.2 内容展望
• 致谢
• 参考文献
• 附录1 攻读硕士学位期间的研究成果

文章来源

类型: 硕士论文

作者: 许桂桂

导师: 李渝舟

关键词: 目标探测,深度学习,海杂波,时频分析,恒虚警检测

来源: 华中科技大学

年度: 2019

分类: 基础科学,信息科技

专业: 海洋学,计算机软件及计算机应用,自动化技术

单位: 华中科技大学

分类号: P714;TP391.41;TP183

DOI: 10.27157/d.cnki.ghzku.2019.002793

总页数: 71

文件大小: 6460K

下载量: 114