基于FISTA深度展开网络的零辅助数据目标检测方法

本发明涉及雷达信号处理，尤其涉及基于fista深度展开网络的零辅助数据目标检测方法。

背景技术：

1、为实现从高空至超低空的广域覆盖，机载雷达天线通常采用俯仰宽波束模式，其波束中心指向水平或略微下倾，同时照射地面和空域，因此雷达接收的回波不仅包含目标信号，还夹杂大量高强度的地物散射回波。由于不同方向的地物散射体具有各自不同的径向速度，杂波在多普勒频域呈现显著展宽特性，运动目标与杂波在频谱上相互混叠，难以有效区分。

2、针对辅助数据不足问题，研究者从利用杂波先验信息和降低系统维度的角度提出了改进方案。然而，当先验信息与实际杂波环境失配时，基于先验的检测方法性能显著劣化；辅助数据极端稀缺时，杂波协方差矩阵估计精度不足，降维投影方向产生一定程度的偏移；尤其在无辅助数据条件下，降维算法难以可靠分离信号子空间与噪声子空间，易将微弱目标特征误判为噪声而丢弃，最终导致检测性能严重退化。

3、近年来，稀疏恢复方法为缓解辅助数据依赖提供了新的技术路径。机载雷达杂波在角度-多普勒域具有稀疏性，即真实杂波能量仅集中在由空时耦合关系决定的杂波脊线附近。稀疏恢复方法将杂波信号建模为超完备空时字典与稀疏系数向量的乘积，将空时谱超分辨问题建模为信号恢复问题，通过求解欠定稀疏优化问题直接从待检测单元自身数据估计杂波空时谱，最终实现极少训练样本条件下的高性能空时滤波处理。然而，现有稀疏恢复方法采用固定参数迭代算法求解，参数调优繁琐、泛化能力弱，且可解释性不足，难以自适应地匹配不同杂波场景。深度展开算法通过在迭代算法与深度神经网络之间建立具体且系统的关联，在克服固定参数局限的同时保留了底层信号模型的物理可解释性，借助规模适中的训练数据集，构建高效、高性能且具备可解释性的网络架构，该融合思路已得到广泛探索与实践。

4、然而，现有深度展开空时自适应处理方法主要用于杂波抑制任务，在仅含杂波及噪声的假设下优化空时滤波器以最大化输出信杂噪比。而目标检测本质上是一个需要在目标存在假设和目标不存在假设下构建似然比统计量的二元假设检验问题。如何将深度展开网络引入自适应检测，针对两种假设检验、融合目标先验，解决零辅助数据下的目标检测问题，亟待深入探索与创新。

技术实现思路

1、本发明的主要目的在于提供一种基于fista深度展开网络的零辅助数据目标检测方法。

2、本发明的另一个目的在于提出一种基于fista深度展开网络的零辅助数据目标检测系统。

3、本发明的第三个目的在于提出一种计算机设备。

4、本发明的第四个目的在于提出一种非临时性计算机可读存储介质。

5、为达上述目的，本发明第一方面实施例提出了一种基于fista深度展开网络的零辅助数据目标检测方法，包括：

6、获取雷达回波数据，根据机载雷达杂波的角度-多普勒域稀疏特性，将所述雷达回波中的杂波表示为空时导向字典与杂波角度-多普勒谱的乘积；

7、基于所述空时导向字典与所述杂波角度-多普勒谱的乘积表示，构建零辅助数据条件下的目标检测模型，所述目标检测模型为二元假设检验模型，分别对应目标存在假设和目标不存在假设；

8、基于所述二元假设检验模型构造检验统计量，利用fista深度展开网络分别求解目标存在假设和目标不存在假设下的杂波角度-多普勒谱估计值，并基于所述杂波角度-多普勒谱估计值计算待检测单元的检测统计量；

9、将所述检测统计量与预设的检测门限进行比较，基于比较结果判断是否存在目标，其中所述检测门限由纯杂波待检测单元的检测统计量和预设虚警率确定。

10、在本发明的一个实施例中，所述fista深度展开网络包括：

11、输入层，用于接收待检测单元的雷达回波数据、超完备空时导向字典以及目标空时导向矢量，并根据所述目标空时导向矢量构建目标正交投影矩阵；

12、初始化层，用于分别初始化目标存在假设和目标不存在假设下的杂波角度-多普勒谱估计值、动量变量以及加速参数；

13、预设层数的依次连接的fista迭代展开层，每个所述fista迭代展开层用于计算两种假设下的杂波角度-多普勒谱重构残差，对动量变量进行梯度下降更新，并对梯度更新结果进行软阈值处理以获得当前层的杂波角度-多普勒谱估计值，以及根据当前层与前一层估计值之间的差值进行动量外推，获得下一层迭代所需的动量变量；

14、其中，在完成预设层数的迭代后，输出两种假设下对应的杂波角度-多普勒谱估计结果。

15、在本发明的一个实施例中，所述fista迭代展开层中的迭代步长和稀疏正则化参数被设置为可学习参数，通过反向传播算法进行训练优化。

16、在本发明的一个实施例中，所述利用fista深度展开网络分别求解两种假设下的杂波角度-多普勒谱估计值，包括：

17、通过引入残差项将检测器中的最小化残差平方问题转化为稀疏优化问题；

18、利用fista算法分别求解目标存在假设和目标不存在假设下的杂波角度-多普勒谱估计值。

19、在本发明的一个实施例中，所述将所述检测统计量与预设的检测门限进行比较，基于比较结果判断是否存在目标，包括：

20、若所述检测统计量大于或等于所述检测门限，判定待检测单元中存在目标；

21、若所述检测统计量小于所述检测门限，判定待检测单元中不存在目标。

22、为达上述目的，本发明第二方面实施例提出了一种基于fista深度展开网络的零辅助数据目标检测系统，包括：

23、数据获取模块，用于获取雷达回波数据、超完备空时导向字典以及目标空时导向矢量；

24、数据提取模块，用于从所述雷达回波数据中提取待检测单元数据，构成训练数据集；

25、网络初始化模块，用于分别初始化目标存在假设和目标不存在假设下的杂波角度-多普勒谱估计值、动量变量以及加速参数，并将初始化结果输入fista深度展开网络；

26、训练模块，用于对所述数据集进行预处理后，通过反向传播算法训练所述fista深度展开网络，得到训练后的目标检测模型；

27、检测模块，用于将待检测数据输入所述训练后的目标检测模型，输出计算得到的检验统计量，并将所述检验统计量与预设门限进行比较，基于比较结果判断是否包含目标。

28、为达上述目的，本技术第三方面实施例提出了一种计算机设备，包括：处理器和存储器；其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如第一方面实施例所述的一种基于fista深度展开网络的零辅助数据目标检测方法。

29、为达上述目的，本技术第四方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面实施例所述的一种基于fista深度展开网络的零辅助数据目标检测方法。

30、本发明实施例具有以下有益效果：

31、本技术实施例的基于fista深度展开网络的零辅助数据自适应目标检测方法，结合机载雷达杂波在角度-多普勒域中的稀疏特性，得到基于稀疏恢复的零辅助数据检测器du-glrt。构建fista深度展开网络，将检测器求解转化为求解h0假设和h1假设下的杂波角度-多普勒谱估计问题；通过深度展开将fista的梯度更新、软阈值收缩及动量加速过程映射为多层网络结构，并将迭代步长和稀疏正则化参数设置为可学习参数，充分融合模型驱动方法的可解释性与数据驱动方法的自适应学习能力。所述方法仅利用待检测单元自身的雷达回波数据构造检验统计量，无需依赖相邻距离单元的辅助数据估计杂波协方差矩阵。针对传统自适应检测方法在非均匀杂波环境下因辅助数据数量不足、样本与待检测单元统计特性失配而导致协方差矩阵估计精度下降、检测性能退化甚至失效的问题，提高了零辅助数据及强非均匀杂波环境下的目标检测性能。