本發(fā)明屬于雷達檢測領域，尤其涉及一種基于類級特征對齊的無監(jiān)督域自適應雷達目標智能檢測方法。

背景技術：

1、對海監(jiān)視雷達被廣泛用于船舶目標檢測，但復雜時變的海雜波對探測有著嚴重的影響。如何在具有時變統(tǒng)計參數(shù)的海雜波環(huán)境下實現(xiàn)穩(wěn)定、高性能的檢測是研究的重點之一。如何在具有時變統(tǒng)計參數(shù)的海雜波環(huán)境下實現(xiàn)穩(wěn)定、高性能的檢測是研究的重點之一。

2、傳統(tǒng)的恒虛警率(cfar)檢測方法，如ca-cfar、vi-cfar和rwvi-cfar，通過利用幅度統(tǒng)計信息和空間相關性提高了檢測性能。然而，非均勻和非高斯雜波很難用公式化的方式描述和求解，這嚴重限制了恒虛警檢測方法的發(fā)展。數(shù)據(jù)驅(qū)動神經(jīng)網(wǎng)絡(nn)檢測器通過利用其強大的特征提取能力來隱式地獲得場景形態(tài)信息和局部空間相關性，從而實現(xiàn)了優(yōu)異的性能。目前，已有學者基于分類網(wǎng)絡、檢測網(wǎng)絡和分割網(wǎng)絡進行了一些探索性工作。例如，基于cnn分類網(wǎng)絡的雷達rd譜的目標檢測；基于三個序列特征提取與bi-lstm分類網(wǎng)絡的小目標可控虛警檢測；基于線性分類器和smrlf的兩階段分類網(wǎng)絡的高頻地波雷達艦船目標的檢測；基于改進faster?r-cnn檢測網(wǎng)絡的導航雷達平面位置指示器圖像中的目標檢測；基于u-net分割網(wǎng)絡的導航雷達可控虛警檢測。在滿足等分布假設的情況下，上述方法表現(xiàn)出顯著的性能優(yōu)勢。

3、然而，在具有特定分布參數(shù)的海雜波下訓練的神經(jīng)網(wǎng)絡在具有時變分布參數(shù)的海雜波下遭受性能損失。盡管在新的環(huán)境中，重新標注訓練可以有效提升性能，但是再重新訓練需要人工標注。不同于光學圖像，雷達點目標的標注需要一定的專業(yè)知識，導致高的經(jīng)濟成本和時間成本。無監(jiān)督域自適應方法，如mmd，dann，有可能通過確保兩個域(源域和目標域)之間特征空間分布的一致性來緩解該問題。然而，海雜波的振幅起伏很大；同時又存在大量海尖峰等類目標雜波，這會導致源域和目標域在全域特征對齊的過程中，出現(xiàn)錯誤類別對齊的情況，從而影響目標檢測性能。因此現(xiàn)有技術中存在面對復雜時變的海雜波下檢測性能不高的問題。

技術實現(xiàn)思路

1、本發(fā)明目的是解決現(xiàn)有技術中存在面對復雜時變的海雜波下檢測性能不高的問題。我們提出了基于類級特征對齊的無監(jiān)督域自適應雷達目標智能檢測方法。

2、一、構(gòu)建雷達目標智能檢測模型，得到訓練好的雷達目標智能檢測模型；

3、二、獲取目標域雷達ar譜數(shù)據(jù)，對目標域雷達ar譜數(shù)據(jù)進行預處理，得到預處理后的目標域雷達ar譜數(shù)據(jù)；

4、三、將預處理后的目標域雷達ar譜數(shù)據(jù)輸入到訓練好的雷達目標智能檢測模型，得到目標檢測結(jié)果。

5、所述一中構(gòu)建雷達目標智能檢測模型，得到訓練好的雷達目標智能檢測模型；具體過程為：

6、步驟一：獲取雷達ar譜訓練數(shù)據(jù)；

7、所述雷達ar譜數(shù)據(jù)包括：有標簽的源域雷達ar譜數(shù)據(jù)和無標簽的目標域雷達ar譜數(shù)據(jù)

8、其中源域和目標域的ar譜數(shù)據(jù)屬于同一部雷達照射同一片海域，但由于海況的變化，雷達參數(shù)的調(diào)整導致目標域ar譜數(shù)據(jù)的分布類型與源域ar譜數(shù)據(jù)的分布類型不同。實際測試數(shù)據(jù)為目標域場景下的數(shù)據(jù)。

9、例如當面對不同海況時，會產(chǎn)生不同的目標域雷達ar譜數(shù)據(jù)，因此，訓練好的雷達目標智能檢測模型檢測效果不佳時，還可以根據(jù)不同海況得到的無標簽的目標域雷達ar譜數(shù)據(jù)進行更新，實現(xiàn)無監(jiān)督域自適應雷達目標智能檢測。

10、海況是在風力作用下，根據(jù)視野內(nèi)海面狀況、波峰的形狀及其破裂程度和浪花泡沫出現(xiàn)的多少等，把海況共分為10級

11、本方案中的雷達指的是可產(chǎn)生點目標/擴展點目標的雷達體制，雷達參數(shù)的調(diào)整包括，比如載頻變化、波形變化等

12、本發(fā)明的有益效果為：

13、本發(fā)明可針對復雜時變的海雜波下的目標智能檢測問題和檢測中場景雜波分布參數(shù)變化導致檢測性能下降的問題，考慮了全局特征對齊，同時重視目標與雜波的特征可分性選擇了三種損失進行訓練。針對由于雷達參數(shù)或海況的變化，將海雜波的統(tǒng)計分布參數(shù)設置為一定范圍內(nèi)不斷變化，保障了檢測器可以穩(wěn)定地工作。因此，解決了針對復雜時變的海雜波下的目標智能檢測準確率低的問題。

技術特征：

1.基于類級特征對齊的無監(jiān)督域自適應雷達目標智能檢測方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于類級特征對齊的無監(jiān)督域自適應雷達目標智能檢測方法，其特征在于，所述一中構(gòu)建雷達目標智能檢測模型，得到訓練好的雷達目標智能檢測模型；具體過程為：

3.根據(jù)權(quán)利要求2所述的基于類級特征對齊的無監(jiān)督域自適應雷達目標智能檢測方法，其特征在于，所述步驟二中對步驟一獲得的雷達ar譜訓練數(shù)據(jù)進行預處理，預處理后的ar譜訓練數(shù)據(jù)作為訓練集；具體過程為：

4.根據(jù)權(quán)利要求3所述的基于類級特征對齊的無監(jiān)督域自適應雷達目標智能檢測方法，其特征在于，所述步驟二一中采用ca-cfar方法對雷達ar譜訓練數(shù)據(jù)處理，得到初步檢測結(jié)果，具體過程為：

5.根據(jù)權(quán)利要求4所述的基于類級特征對齊的無監(jiān)督域自適應雷達目標智能檢測方法，其特征在于，所述步驟二一一中ca-cfar方法的參數(shù)包括：參考窗、虛警概率和一維卷積核；

6.根據(jù)權(quán)利要求5所述的基于類級特征對齊的無監(jiān)督域自適應雷達目標智能檢測方法，其特征在于，所述步驟二二中提取的ar譜幅度塊包括：源域雷達ar譜幅度塊和目標域雷達ar譜幅度塊；

7.根據(jù)權(quán)利要求6所述的基于類級特征對齊的無監(jiān)督域自適應雷達目標智能檢測方法，其特征在于，所述步驟三中構(gòu)建雷達目標智能檢測模型，所述雷達目標智能檢測模型包括：特征生成模塊、特征展平模塊、預測模塊；

8.根據(jù)權(quán)利要求7所述的基于類級特征對齊的無監(jiān)督域自適應雷達目標智能檢測方法，其特征在于，所述步驟三一中特征生成模塊依次包括：第一生成單元、第二生成單元、第三生成單元；

9.根據(jù)權(quán)利要求8所述的基于類級特征對齊的無監(jiān)督域自適應雷達目標智能檢測方法，其特征在于，所述步驟三三中預測模塊依次包括第一預測單元、第二預測單元、第三預測單元；

10.根據(jù)權(quán)利要求9所述的基于類級特征對齊的無監(jiān)督域自適應雷達目標智能檢測方法，其特征在于，所述步驟三三四中損失函數(shù)包括第一損失lossbce、第二損失ljoi和第三損失

技術總結(jié)
本發(fā)明涉及雷達檢測領域，尤其涉及基于類級特征對齊的無監(jiān)督域自適應雷達目標智能檢測方法。本發(fā)明目的是解決現(xiàn)有技術中存在面對復雜時變的海雜波下檢測性能不高的問題。我們提出了基于類級特征對齊的無監(jiān)督域自適應雷達目標智能檢測方法。一、構(gòu)建雷達目標智能檢測模型，得到訓練好的雷達目標智能檢測模型；二、獲取目標域雷達AR譜數(shù)據(jù)，對目標域雷達AR譜數(shù)據(jù)進行預處理，得到預處理后的目標域雷達AR譜數(shù)據(jù)；三、將預處理后的目標域雷達AR譜數(shù)據(jù)輸入到訓練好的雷達目標智能檢測模型，得到目標檢測結(jié)果，解決了現(xiàn)有技術中存在面對復雜時變的海雜波下檢測準確率低的問題。

技術研發(fā)人員：李楊,陳方林,許肖,馬心雨
受保護的技術使用者：哈爾濱工業(yè)大學
技術研發(fā)日：
技術公布日：2024/10/21