基于深度学习的雷达回波检测方法、系统、设备及介质

技术特征：
1.一种基于深度学习的雷达回波检测方法，其特征在于，所述方法包括：获取待测目标的雷达回波数据；利用雷达回波检测模型对所述待测目标的雷达回波数据进行检测，得到所述待测目标的速度和距离方位；其中，所述雷达回波检测模型包括串联连接的特征提取模块和目标检测模块；所述特征提取模块包括卷积神经网络特征提取子模块、结合软注意力机制的自编码器杂波抑制子模块和特征融合子模块；所述卷积神经网络特征提取子模块和所述自编码器杂波抑制子模块均与所述特征融合子模块连接；所述特征融合子模块与所述目标检测模块连接；所述卷积神经网络特征提取子模块用于对输入的待测目标的雷达回波数据进行卷积处理，得到第一待测特征张量；所述自编码器杂波抑制子模块用于对输入的待测目标的雷达回波数据进行编码压缩和解码重构处理，得到第二待测特征张量；所述特征融合子模块用于融合所述第一待测特征张量和所述第二待测特征张量，得到融合待测特征张量；所述目标检测模块用于根据所述融合待测特征张量确定所述待测目标的速度和距离方位。2.根据权利要求1所述的基于深度学习的雷达回波检测方法，其特征在于，所述雷达回波检测模型的确定方法，具体包括：获取训练数据集；所述训练数据集包括雷达回波数据样本和对应的样本目标的真实速度和真实距离方位；构建初始神经网络模型；所述初始神经网络模型包括串联连接的特征提取网络和目标检测网络；所述特征提取网络包括第一卷积神经网络、结合软注意力机制的自编码器网络和特征融合网络；所述第一卷积神经网络和所述自编码器网络均与所述特征融合网络连接；所述特征融合网络与所述目标检测网络连接；将所述雷达回波数据样本输入至所述第一卷积神经网络中进行卷积处理，得到第一样本特征张量；将所述雷达回波数据样本输入至所述自编码器网络中进行编码压缩和解码重构处理，得到第二样本特征张量；将所述第一样本特征张量和所述第二样本特征张量输入至所述特征融合网络中进行融合，得到融合样本特征张量；将所述融合样本特征张量输入至目标检测网络中，得到所述样本目标的预测速度和预测距离方位；根据所述预测距离方位和所述真实距离方位确定目标距离方位损失值；根据所述预测速度和所述真实速度确定目标速度损失值；以所述目标距离方位损失值和所述目标速度损失值的加权和最小为目标，对所述初始神经网络模型的参数进行优化调整，得到训练好的初始神经网络模型；所述目标距离方位损失值和所述目标速度损失值的权重是采用变异系数加权方法确定的；将训练好的初始神经网络模型中的特征提取网络确定为所述雷达回波检测模型的特征提取模块；
将训练好的初始神经网络模型中的目标检测网络确定为所述雷达回波检测模型的目标检测模块。3.根据权利要求2所述的基于深度学习的雷达回波检测方法，其特征在于，所述目标距离方位损失值的计算公式为：；其中，loss
range
为目标距离方位损失值，n为训练数据集中的雷达回波数据样本总数，x
i
为第i个雷达回波数据样本，f1(x
i
)为第i个雷达回波数据样本对应的预测距离方位，y
1,i
为第i个雷达回波数据样本对应的真实距离方位。4.根据权利要求2所述的基于深度学习的雷达回波检测方法，其特征在于，所述目标速度损失值的计算公式为：；其中，loss
velocity
为目标速度损失值，n为训练数据集中的雷达回波数据样本总数，x
i
为第i个雷达回波数据样本，f2(x
i
)为第i个雷达回波数据样本对应的预测速度，y
2,i
为第i个雷达回波数据样本对应的真实速度。5.根据权利要求2所述的基于深度学习的雷达回波检测方法，其特征在于，所述目标距离方位损失值和所述目标速度损失值的权重的计算公式为：；其中，为第t个训练轮次下，第l项任务损失值的权重；为第t个训练轮次下，第l项任务损失值的方差；为第t个训练轮次下，第l项任务损失值的相对标准偏差；为第t个训练轮次下，第l项任务损失值的均值；m为任务总项数，且m=2，其中，第1项任务为目标距离方位检测，第2项任务为目标速度检测；w
1,t
为第t个训练轮次下的目标距离方位损失值的权重，w
2,t
为第t个训练轮次下的目标速度损失值的权重。6.根据权利要求1所述的基于深度学习的雷达回波检测方法，其特征在于，所述目标检测模块包括卷积神经网络目标检测子模块和全连接层目标检测子模块；所述卷积神经网络目标检测子模块分别与所述特征融合子模块和所述全连接层目标检测子模块连接；所述卷积神经网络目标检测子模块用于对所述融合待测特征张量进行卷积处理，得到第三待测特征张量；所述全连接层目标检测子模块用于根据所述第三待测特征张量确定所述待测目标的速度和距离方位。7.一种基于深度学习的雷达回波检测系统，其特征在于，所述系统包括：
数据获取子系统，用于获取待测目标的雷达回波数据；数据检测子系统，用于利用雷达回波检测模型对所述待测目标的雷达回波数据进行检测，得到所述待测目标的速度和距离方位；其中，所述雷达回波检测模型包括串联连接的特征提取模块和目标检测模块；所述特征提取模块包括卷积神经网络特征提取子模块、结合软注意力机制的自编码器杂波抑制子模块和特征融合子模块；所述卷积神经网络特征提取子模块和所述自编码器杂波抑制子模块均与所述特征融合子模块连接；所述特征融合子模块与所述目标检测模块连接；所述卷积神经网络特征提取子模块用于对输入的待测目标的雷达回波数据进行卷积处理，得到第一待测特征张量；所述自编码器杂波抑制子模块用于对输入的待测目标的雷达回波数据进行编码压缩和解码重构处理，得到第二待测特征张量；所述特征融合子模块用于融合所述第一待测特征张量和所述第二待测特征张量，得到融合待测特征张量；所述目标检测模块用于根据所述融合待测特征张量确定所述待测目标的速度和距离方位。8.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行如权利要求1至6中任意一项所述的基于深度学习的雷达回波检测方法。9.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的基于深度学习的雷达回波检测方法。

技术总结
本发明公开了一种基于深度学习的雷达回波检测方法、系统、设备及介质，涉及雷达回波检测领域。该方法包括：获取待测目标的雷达回波数据；利用雷达回波检测模型对待测目标的雷达回波数据进行检测，得到待测目标的速度和距离方位；其中，雷达回波检测模型包括串联连接的特征提取模块和目标检测模块；特征提取模块包括卷积神经网络特征提取子模块、结合软注意力机制的自编码器杂波抑制子模块和特征融合子模块。本发明能够提高对“低小慢”目标雷达回波检测的准确性和适用性。检测的准确性和适用性。检测的准确性和适用性。


技术研发人员：皮德常 陈志炜 徐悦
受保护的技术使用者：南京航空航天大学
技术研发日：2022.11.28
技术公布日：2022/12/30