基于物理对齐与节点可靠度的多节点雷达检测识别方法

本发明涉及多节点雷达检测识别，尤其涉及一种基于物理对齐与节点可靠度的多节点雷达检测识别方法。

背景技术：

1、多个雷达节点可以在不同空间位置、不同观测角度、不同信噪比条件和不同频段/极化体制下观测同一目标，通过非相参积累、似然融合、贝叶斯融合、轨迹关联、特征级融合或决策级融合，提高弱目标检测概率并降低相似目标类别之间的混淆。尤其对于低rcs（radar cross section，雷达散射截面积）目标、远距离目标、局部遮挡目标或单节点观测角不利目标，多节点协同具有明显优势。

2、尽管现有单节点检测、单节点识别和多节点融合方法已取得一定效果，但在多节点协同探测任务中仍存在如下不足：

3、（1）多节点融合未充分利用雷达观测机理。部分多节点方法仅对各节点检测分数或分类概率进行简单平均、最大值选择或多数投票，未将节点信噪比、杂波强度、观测几何、量测关联误差和目标姿态差异等物理因素纳入统一建模。不同节点可能对应不同频段、带宽、极化、视角、距离分辨率或噪声背景，若缺少可靠度约束和统一表征学习，低质量节点容易污染融合结果。

4、（2）现有深度模型通常缺乏雷达物理对齐机制。目标距离变化会导致hrrp（highresolution range profile，高分辨距离像）峰值位置、距离-多普勒目标中心和候选窗口位置发生漂移。如果直接将不同距离、不同节点、不同视角的回波输入模型，模型容易把距离平移、幅度尺度变化或节点体制差异误认为目标类别差异，进而降低检测和识别稳定性。

5、（3）现有检测与识别流程耦合不清。目标检测回答“有无目标”，目标识别回答“是什么目标”。部分方法直接以分类网络处理整段回波，未明确先检测定位、再候选裁剪、再识别分类的流程，难以处理实际场景中目标距离不固定、多目标共存和弱目标淹没在杂波中的情况。

6、（4）传统统计检测与深度学习模型结合不足。cfar（constant false alarm rate，恒虚警检测）、glrt（generalized likelihood ratio test，广义似然比检测）、非相参积累、轨迹检测前跟踪（track-before-detect，tbd）等传统方法具有明确统计含义和可解释性，但现有深度模型往往绕开这些统计量，导致模型虽然可能在某些数据上有效，却难以说明其增益来源，也难以满足工程系统对虚警率控制和可解释性的要求。

技术实现思路

1、本发明旨在解决上述问题。为此，本发明提供一种基于物理对齐与节点可靠度的多节点雷达检测识别方法，以候选局部窗物理对齐和节点可靠度加权融合为核心，实现多节点雷达目标检测与目标识别。

2、本发明提供一种基于物理对齐与节点可靠度的多节点雷达检测识别方法，采用的技术方案如下：包括：

3、s1：获取多个雷达节点的发射基带信号和接收回波，对每个雷达节点的所述发射基带信号和接收回波分别进行预处理，生成候选点迹；

4、s2：依据参考距离对候选点迹的候选中心进行整距离单元级粗对齐，得到候选中心距离单元；以候选中心距离单元为中心，提取得到hrrp，并进行波形/特征层对齐，得到对齐后的hrrp；并选择出与目标轨迹关联的候选点迹，保留其对应的对齐后的hrrp；

5、s3：根据候选点迹及其对齐后的hrrp，计算节点级对数似然比；同时，构造节点可靠度特征，根据节点可靠度特征计算得到节点权重；并计算多节点非相参积累统计量；结合节点级对数似然比、节点权重、多节点非相参积累统计量和跨帧轨迹积累构建多节点联合检测统计量，并判定得到候选目标；

6、s4：根据候选目标的候选点迹、对齐后的hrrp，得到物理特征向量、距离-多普勒局部窗；将对齐后的hrrp、物理特征向量、距离-多普勒局部窗输入节点级识别编码器，得到节点级识别表征；根据节点级识别表征和节点可靠度特征，计算得到候选目标的识别类别及其概率。

7、进一步的，候选点迹的内容包括距离单元、速度单元、检测统计量、估计信噪比、方位或俯仰角量测。

8、进一步的，根据参考距离和雷达节点的距离分辨率，计算得到距离单元偏移，利用距离单元偏移对候选点迹的候选中心进行校正，得到候选中心距离单元；

9、根据同类目标的平均hrrp，或当前批次内高信噪比候选的hrrp设定参考模板，利用参考模板计算得到对齐偏移量，并对hrrp局部窗进行对齐。

10、进一步的，联合检测统计量的计算公式为：

11、

12、其中，为多节点联合检测统计量，为雷达节点数量，为节点权重，为节点级对数似然比，为非相参积累项权重，为多节点非相参积累统计量，为轨迹积累项权重，为离散时间帧编号，为跨帧轨迹积累长度，为第帧的关联量测；为第帧的目标状态向量，为条件概率密度；

13、判决规则为：

14、

15、其中，为融合检测门限，为有目标条件，为无目标条件；

16、若多节点联合检测统计量满足判决规则，则将判定其对应的候选点迹存在候选目标。

17、进一步的，节点权重的计算过程为：

18、构造节点可靠度特征为：

19、

20、其中，为杂波强度估计，为对齐误差，为观测几何质量指标，为估计信噪比，为检测统计量，表示矩阵转置；

21、节点可靠度特征由可靠度网络或线性映射得到节点权重：

22、

23、其中，为节点权重，为与可靠度特征同维的可学习参数；j为分母求和遍历索引。

24、进一步的，物理特征向量为：

25、

26、其中，为散射峰数量，为主要散射峰间距，为hrrp包络宽度，为rcs均值，为rcs标准差，为节点对目标的观测角或等效视角，表示矩阵转置。

27、进一步的，根据节点级识别表征和节点可靠度特征，识别得到候选目标的识别类别和概率的过程为：

28、根据节点级识别表征计算得到节点级类别概率；

29、将节点可靠度特征和节点级类别概率融合得到识别融合权重；

30、将融合权重分别作用于节点级识别表征和节点级类别概率，得到特征级融合表征和决策级融合概率；

31、根据特征级融合表征计算得到特征级融合分支输出的类别概率，将其与决策级融合概率融合得到最终识别概率；

32、根据最终识别概率确定候选目标的识别类别及融合概率。

33、进一步的，监督对比对齐损失作用于节点级识别编码器的参数；

34、监督对比对齐损失为：

35、

36、其中，为一个训练批次中的样本索引集合，为与样本属于同一目标类别或同一目标实例的正样本集合，为余弦相似度，为温度系数，为样本的特征向量，为样本的特征向量，为样本的特征向量。

37、9进一步的，利用联合损失函数训练节点级识别编码器和融合层；联合损失函数为检测损失、识别损失、可靠度损失、对齐损失和监督对比对齐损失的加权和；其中，融合层用于根据节点级识别表征和节点可靠度特征，利用融合层计算得到候选目标的识别类别及其概率。

38、进一步的，检测损失由目标/杂波二分类交叉熵与点迹回归误差组成；

39、识别损失为融合类别概率的交叉熵；

40、对齐损失以对齐后hrrp与参考模板的归一化互相关刻画；

41、可靠度损失以真值信噪比与观测几何构造的监督可靠度为目标，约束节点权重。

42、本发明实施例中的上述一个或多个技术方案，至少具有如下技术效果之一：

43、（1）本发明利用多个节点独立观测产生的回波能量和似然证据，在节点可靠度约束下进行非相参积累和联合判决，能够提高等效信噪比，并在固定虚警率条件下提升弱目标检测概率。

44、（2）本发明通过全距离搜索、候选点迹定位、局部窗裁剪、峰值/互相关对齐和跨节点坐标配准，使模型输入由固定距离单元变为物理对齐后的候选局部窗，从而适用于目标距离不断变化的实际探测场景。

45、（3）本发明将多节点散射中心、峰间距、包络宽度、rcs统计量和节点级类别概率进行融合，可增强类别判别信息，降低相似类别目标之间的混淆。

46、本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。