摘 要

本文首先从基本的雷达数据处理入手，分析了雷达目标处理的基本方法，建立了雷达接收信号的数学模型，得到了该接收信号在距离多普勒谱；然后运用传统的目标检测算法—恒虚警率检测对于检测性能进行了分析；之后通过学习深度学习的基本理论和其在目标检测方面的应用设计了一种卷积神经网络检测器，并且根据距离多普勒域的数据集训练该神经网络，在性能得到良好的优化之后，保存训练模型，然后反作用于测试集的数据，得到检测性能的分析。最后对于这两种检测方法进行了对比，说明了在目标检测中应用深度学习的重要意义。

研究结果表明：经过仿真得到两个检测器的检测概率和虚警概率，发现在同样的虚警概率下，当信噪比大于8时，卷积神经网络检测器的性能要明显优于恒虚警率检测器。

关键词：雷达目标检测；深度学习；恒虚警率检测器；卷积神经网络检测

Abstract

This paper starts with the basic radar data processing, analyzes the basic method of radar target processing, establishes the mathematical model of the radar received signal, and obtains the received signal in the distance Doppler spectrum; then uses the traditional target detection algorithm - constant virtual The alarm rate detection analyzes the detection performance; then, by learning the basic theory of deep learning and its application in target detection, a convolutional neural network detector is designed, and the nerve is trained according to the data set of the distance Doppler domain. The network, after the performance is well optimized, saves the training model, and then reacts to the data of the test set to obtain an analysis of the detection performance. Finally, the comparison between the two detection methods is carried out, which illustrates the importance of applying deep learning in target detection.

The results show that the detection probability and false alarm probability of the two detectors are obtained through simulation. It is found that under the same false alarm probability, when the signal-to-noise ratio is greater than 8, the performance of the convolutional neural network detector is significantly better than the constant virtual Alarm rate detector.

Key Words：Radar target detection; deep learning; constant false alarm rate detector; convolutional neural network detector

目 录

第1章 绪论 1

1.1 研究背景和意义 1

1.2 现阶段的研究现状和发展方向 1

1.3 本文的研究内容及安排 2

1.4 技术路线和研究方法 3

1.4.1 技术路线 3

1.4.2 研究方法 4

第2章 雷达接收信号的数学建模 5

2.1 雷达发射信号模型 5

2.2 噪声模型 6

2.3 距离多普勒处理原理 7

2.4 Matlab建立信号仿真 8

第3章 恒虚警率法检测器设计与仿真 11

3.1 基本的检测过程 11

3.2 恒虚警率法检测器的工作原理 11

3.2.1 一维CA-CFAR检测 12

3.2.2 二维CA-CFAR检测 13

3.3 二维CA-CFAR检测器仿真 14

第4章 基于深度学习的目标检测器设计与仿真 16

4.1 卷积神经网络进行目标检测的可视化处理 16

4.1.1 特征提取 16

4.1.2 分类 20

4.2 卷积神经网络检测器的参数设置 21

4.3 训练卷积网络检测器 22

4.3.1 选择网络训练的平台 22

4.3.2 准备数据集 22

4.3.3 搭建网络 25

4.3.4 选择网络的大小 25

4.3.5 正则化处理 27

4.3.6 优化算法的比较 29

4.3.7 保存网络 30

4.4 CNN检测器仿真 32

4.4.1 下载网络配置权重 32

4.4.2 检测不同信噪比下的网络性能 32

第5章 两种检测器的检测结果比较 34

第6章 总结与展望 35

参考文献 37

致谢 39

绪论

研究背景和意义

第二次世界大战时，英军在与德军交战期间，为了及时检测到德国的飞机从而进行战略预防，创造了一种能探测金属物体的技术，从此雷达就出现了，并得到广泛的应用与发展。到目前为止，雷达已成为现代信息化立体交战中的重要技术手段，运用于预警、侦查、指导和火控等领域，此外雷达的应用更从早期的军事领域发展到气象、测绘、交通等生活的方方面面^[1]，比如雷达在监测洪水、海冰、土壤湿度以及地质情况方面雷达都具备非常好的应用潜力，这些都说明了提升雷达目标检测性能的重要性。

雷达信号在传输的过程中，由于空气中的热噪声以及其他杂波信号的影响，导致雷达目标检测的过程总会存在噪声和干扰信号。所以为了充分提取到雷达目标的信息，就需要结合距离多普勒图进行检测。由于雷达和目标之间的速度变化，导致在距离多普勒谱中目标会分布在多个单元上，即成为面目标。所以在传统的检测过程中为了保证检测的准确度，就需要同时在距离轴和多普勒轴分析数据，即通过采用二维参考窗估计背景噪声，再和检测单元比较，提高检测性能^[2]。

二维CFAR目标检测需要保证虚警概率保持恒定，但是这很困难，虽然整体的检测性能相比于一维CFAR检测提升了，但是检测性能还不是很好。所以本文结合近几年来发展比较好的深度学习，想利用结构优化良好的卷积神经网络代替传统的恒虚警率检测器，实现对于雷达目标的高效检测。主要构思的方向就是由于卷积神经网络的输入是二维数组或者三维张量，数组可以是图像或者信号的二维谱图，并且卷积神经网络擅长于进行图像分类，目标检测就相当于是一种二元分类，所以就想尝试设计出一种深度检测器代替恒虚警率检测器进行目标检测。