基于深度学习的时域-时频域联合抗干扰目标检测方法

1.本发明属于雷达技术领域，具体涉及一种基于深度学习的时域-时频域联合抗干扰目标检测方法。


背景技术：

2.drfm(digital radio frequency memory，数字射频存储器)干扰机通常产生欺骗干扰，干扰类型包括全脉冲存储转发、间歇采样存储转发和带卷积调制的间歇采样存储转发；其中，间歇采样存储转发是先采样一段，再转发一段，重复此过程至接收信号结束，该方式在一定程度上改善了假目标滞后的问题，但干扰信号与发射信号的相干性变差，且干扰信号做完脉冲压缩后仍会形成多个假目标峰值；带卷积调制的间歇采样转发干扰是在间歇采样转发干扰的基础上叠加卷积噪声，该方式得到的干扰信号既具有间歇采样干扰的强欺骗性，又具有噪声干扰的强压制性，做完脉冲压缩后会在大范围内形成能量高点，大范围内的多个间隙采样干扰将会淹没目标，使雷达不能有效地滤除干扰，检测出目标位置。显然，卷积噪声的不确定性给抗干扰目标检测带来了更多的挑战。
3.相关技术中，抗isrj目标检测方法一般分为两类，即“参数估计和信号重建”方法和“干扰滤波和目标检测”方法。第一类是指首先估计isrj的主要参数，然后根据估计的参数重构干扰信号和目标信号。但是，由于干扰特性是人为设计的，因此存在强烈的对抗目的。当实际的噪声和干扰特性与建立的模型不匹配或参数估计值存在偏差时，“参数估计和信号重建”方法可能会导致失配，从而导致检测性能严重下降。第二类是指先通过带通滤波器抑制干扰信号，然后通过分析脉冲压缩结果来检测目标。然而，该方法构造的滤波器的性能取决于两个超参数的估计精度，并且存在模型失配的风险。
4.可见，相关技术中抗间歇采样存储转发干扰的目标检测方法存在模型失配和目标信息丢失的问题，导致检测的准确度不高。


技术实现要素：

5.为了解决现有技术中存在的上述问题，本发明提供了一种基于深度学习的时域-时频域联合抗干扰目标检测方法。本发明要解决的技术问题通过以下技术方案实现：
6.第一方面，本发明提供一种基于深度学习的时域-时频域联合抗干扰目标检测方法，包括：
7.基于发射信号和回波信号，获得发射信号向量和回波信号向量；
8.根据所述回波信号向量，获得回波信号的时频图；
9.利用滑窗匹配对所述发射信号向量及所述回波信号向量进行波形适应后，将所述回波信号向量转换为三维数据；
10.输入所述三维数据及所述时频图至预先训练好的时域-时频域抗干扰目标检测模型中，以使所述时域-时频域抗干扰目标检测模型根据所述视频图获得时频粗定位结果，并根据所述时频粗定位结果和三维数据确定目标在各个距离单元中的出现概率；
11.根据所述出现概率和预设检测门限，确定各个距离单元的目标检测结果。
12.在本发明的一个实施例中，所述基于发射信号和回波信号，获得发射信号向量和回波信号向量的步骤，包括：
13.获取发射信号及回波信号；
14.对所述发射信号进行采样离散化及能量归一化预处理，得到发射信号向量；
15.对所述回波信号进行采样离散化及能量归一化预处理，得到回波信号向量。
16.在本发明的一个实施例中，所述根据所述回波信号向量，获得回波信号的时频图的步骤，包括：
17.对所述回波信号向量做短时傅里叶变化，获得所述回波信号的时频图。
18.在本发明的一个实施例中，所述时域-时频域抗干扰目标检测模型按照如下步骤训练得到：
19.获取训练样本集，所述训练样本集包括多个训练样本，每个训练样本包括时频图样本以及与所述时频图样本对应的三维数据样本；
20.随机初始化待训练神经网络的网络参数；其中，所述待训练神经网络为卷积神经网络，包括第一子网络和第二子网络；
21.输入训练样本至所述待训练神经网络，以使所述第一子网络根据所述时频图样本计算得到时频域粗定位输出；
22.根据所述时频域粗定位输出及所述时频图样本对应的三维数据样本确定第二子网络的输入，以使所述第二子网络确定当前输出结果；
23.根据所述当前输出结果和预设损失函数，确定当前损失值；
24.检测所述当前损失值是否小于等于预设阈值；若否，则更新网络参数，并返回所述输入训练样本至所述待训练神经网络的步骤；
25.若是，则训练结束，获得所述时域-时频域抗干扰目标检测模型。
26.在本发明的一个实施例中，随机初始化后，所述网络参数中每个参数的初始化数值服从均值为0、方差为0.01的高斯分布。
27.在本发明的一个实施例中，所述根据所述出现概率和预设检测门限，确定各个距离单元的目标检测结果的步骤，包括：
28.将目标在距离单元中的出现概率与预设检测门限进行比较；
29.若目标在距离单元中的出现概率大于预设检测门限，则该距离单元中检测出目标；
30.若目标在距离单元中的出现概率小于等于预设检测门限，则该距离单元中未检测出目标。
31.第二方面，本发明提供一种基于深度学习的时域-时频域联合抗干扰目标检测装置，包括：
32.第一获得模块，用于基于发射信号和回波信号，获得发射信号向量和回波信号向量；
33.第二获得模块，用于根据所述回波信号向量，获得回波信号的时频图；
34.转换模块，用于利用滑窗匹配对所述发射信号向量及所述回波信号向量进行波形适应后，将所述回波信号向量转换为三维数据；
35.输入模块，用于输入所述三维数据及所述时频图至预先训练好的时域-时频域抗干扰目标检测模型中，以使所述时域-时频域抗干扰目标检测模型根据所述视频图获得时频粗定位结果，并根据所述时频粗定位结果和三维数据确定目标在各个距离单元中的出现概率；
36.确定模块，用于根据所述出现概率和预设检测门限，确定各个距离单元的目标检测结果。
37.与现有技术相比，本发明的有益效果在于：
38.本发明提供一种基于深度学习的时域-时频域联合抗干扰目标检测方法，通过对时域和时频域数据的联合检测，增加了时域-时频域抗干扰目标检测模型的输入信息，同时通过时域-时频域抗干扰目标检测模型提取目标和干扰的特征，提高了目标检测的精度。
39.以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
40.图1是本发明实施例提供的基于深度学习的时域-时频域联合抗干扰目标检测方法的一种流程图；
41.图2是本发明实施例提供的时域-时频域抗干扰目标检测模型的一种结构示意图；
42.图3是本发明实施例提供的基于深度学习的时域-时频域联合抗干扰目标检测装置的一种结构示意图。
具体实施方式
43.下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
44.图1是本发明实施例提供的基于深度学习的时域-时频域联合抗干扰目标检测方法的一种流程图。请参见图1，本发明实施例提供一种基于深度学习的时域-时频域联合抗干扰目标检测方法，包括：
45.s1、基于发射信号和回波信号，获得发射信号向量和回波信号向量；
46.s2、根据回波信号向量，获得回波信号的时频图；
47.s3、利用滑窗匹配对发射信号向量及回波信号向量进行波形适应后，将回波信号向量转换为三维数据；
48.s4、输入三维数据及时频图至预先训练好的时域-时频域抗干扰目标检测模型中，以使所述时域-时频域抗干扰目标检测模型根据所述视频图获得时频粗定位结果，并根据所述时频粗定位结果和三维数据确定目标在各个距离单元中的出现概率；
49.s5、根据出现概率和预设检测门限，确定各个距离单元的目标检测结果。
50.本实施例中，雷达系统首先获取发射信号以及回波信号，并根据发射信号和回波信号进行时域以及时频域数据的联合检测。具体来说，在步骤s1～s3中，分别对发射信号和回波信号进行预处理，得到发射信号向量和回波信号向量，然后根据回波信号向量获得回波信号的时频图，并利用滑窗匹配对发射信号向量和回波信号向量进行波形适应，以将回波信号向量从一维数据转化为三维数据。
51.进一步地，上述步骤s4中，将三维数据和视频图输入预先训练好的时域-时频域抗
干扰目标检测模型，该模型的输出为目标在各个距离单元中的出现概率，从而通过比较出现概率与预设检测门限，获得各个距离单元的目标检测结果。
52.可选地，上述步骤s1中，基于发射信号和回波信号，获得发射信号向量和回波信号向量的步骤，包括：
53.获取发射信号及回波信号；
54.对发射信号进行采样离散化及能量归一化预处理，得到发射信号向量；
55.对回波信号进行采样离散化及能量归一化预处理，得到回波信号向量。
56.本实施例中，按照预设的采样时间间隔和预设采样点数，对获取的回波信号进行采样处理，离散化后的回波信号数据可表示为其中，n
l
表示回波信号的预设采样点数，x
l
表示第l个采样单元的回波信号数据；接着，对离散化后的回波信号数据做归一化处理，得到回波信号向量：其中，||
·
||表示2范数。
57.需要说明的是，发射信号的预处理过程与回波信号的处理过程相同，对获取的发射信号进行采样处理后，离散化的发射信号数据为：s＝[s1，s2，
…
，si，
…sn-1
，sn]，n表示发射信号的预设采样点数，si表示第i个采样单元的发射信号数据；进一步地，对离散化处理后的发射信号数据做归一化处理，得到发射信号向量：
[0058]
可选地，步骤s2中，根据回波信号向量，获得回波信号的时频图的步骤，包括：
[0059]
对回波信号向量做短时傅里叶变化，获得回波信号的时频图。
[0060]
具体而言，经预处理得到回波信号向量之后，对其做短时傅里叶变换，得到回波信号的二维时频图：其中，k表示时频图频率维度的总采样点数，l为表示时频图时间维度的总采样点数。
[0061]
进一步地，在步骤s3中，利用滑窗匹配对发射信号向量及回波信号向量进行波形适应后，将回波信号向量转换为三维数据的步骤，包括：
[0062]
s31、对回波信号向量和发射信号向量进行滑窗点乘；
[0063]
s32、基于点乘结果，获得三维数据；
[0064]
需要说明的是，三维数据包括目标信息和发射波形信息，“三维”指的是快时间维度、滑窗匹配维度、特征维度。
[0065]
为了消除因雷达发射波形改变而导致的目标信号结构的变化，同时保留干扰在时域上间歇采样的特征，本实施例将回波信号向量与发射信号向量进行滑窗点乘后，并不将点乘结果求和，而是按照如下公式进行滑窗匹配处理：
[0066][0067]
其中，1≤m≤nr，nr表示快时间维度的总采样点数，1≤n≤n，n表示滑窗匹配维度的总采样点数。
[0068]
由于快时间维度-滑窗匹配维度的二维特征是复数值，而时域-时频域抗干扰目标
检测模型需要的数据是实数值，因此分别取实部和虚部作为特征维度，即：
[0069][0070][0071]
另外，在做点乘的过程中会损失一定的信息，因此，本步骤还叠加了原先回波信号和滑窗匹配系数的实部和虚部特征，最终得到一个三维特征图其中，k＝1，
…
，6，m＝1，
…
，nr，n＝1，
…
，n，nr表示距离单元的个数，n表示发射信号的采样总点数。
[0072]
步骤33、对所述二维时频图y做网络结构适应，获得三维数据；
[0073]
由于时频数据为复数值，为了适应时域-时频域抗干扰目标检测模型，此处将二维时频图分别取实部虚部，并将二者拼接起来，获得回波信号时频图预处理后的二维数据：
[0074][0075]
将波形适应处理后的三维数据和时频图预处理后的二维数据作为时域-时频域联合抗干扰目标检测网络的输入，通过该网络输出目标在各个距离单元上出现的概率o。
[0076]
图2是本发明实施例提供的时域-时频域抗干扰目标检测模型的一种结构示意图。请参见图2，本实施例中，时域-时频域抗干扰目标检测模型在结构上可以包括两部分，即第一子网和第二子网络。具体地，第一子网络的输入为时频图，在第一子网络中，第1层为普通卷积层，滤波器个数为64、卷积核大小为1、激活函数为relu函数；第2～8层为特征提取层，每个特征提取层的结构相同，均包含两个并行的扩展卷积结构，卷积核大小为3，滤波器个数为64，扩展系数为n
layer
表示网络层次数、激活函数分别为sigmoid和tanh函数，将得到的两个输出向量点乘，点乘结果输入一个普通卷积结构，卷积核大小为3、滤波器个数为64，激活函数为relu，第i个模块的输出用表示，第i个模块的输入为特征提取层最后的输出用表示；第9层是输出层，为普通卷积结构，卷积核大小为1，滤波器个数为1，输出用表示维度为m
×1×
1。第一子网络用于在提取特征后，得到时频域粗定位输出，也就是初步的目标检测结果。
[0077]
进一步地，第二子网络的第一层包含四个并行的扩展卷积结构，输入均为三维数据与时频域粗定位输出的点乘结果，卷积核大小分别为1、3、5、7，滤波器个数均为12，扩展系数为3，激活函数为leakyrelu，输出用h
11
，h
12
，h
13
，h
14
表示；第二层包含四个并行的扩展卷积结构，卷积核大小分别为1、3、5、7，滤波器个数均为18，扩展系数为3，激活函数为leakyrelu，输出用h
21
，h
22
，h
23
，h
24
表示；第3层包含四个并行的扩展卷积结构，卷积核大小分别为1、3、5、7，滤波器个数均为24，扩展系数为3，激活函数为leakyrelu，输出用h
31
，h
32
，h
33
，h
34
表示；第4层包含四个并行的扩展卷积结构，卷积核大小分别为1、3、5、7，滤波器个数均为30，扩展系数为3，激活函数为leakyrelu，后面各有一个池化层，输出用h
41
，h
42
，h
43
，h
44
表示，维度均为m
×
30；将第四层的四个输出拼接到一起得到h4＝[h
41 h
42 h
43 h
44
]，维度为m
×
120。
[0078]
在第二子网络中，第5～11层为特征提取层，每个特征提取层的结构相同，包含两
个并行的扩展卷积结构，卷积核大小为3，滤波器个数为64，扩展系数为其中，表示网络层次数，激活函数分别为sigmoid和tanh函数，将得到的两个输出向量点乘；点乘结果输入一个普通卷积结构，卷积核大小为3，滤波器个数为64，激活函数为relu，第i个模块的输出用hi表示，第i个模块的输入为特征提取层最后的输出用h
11
表示。第二子网络的第12层为滤波器个数为1的普通卷积层，激活函数为sigmoid，得到最终的输出用o表示。
[0079]
可选地，时域-时频域抗干扰目标检测模型按照如下步骤训练得到：
[0080]
步骤a、获取训练样本集，训练样本集包括多个训练样本，每个训练样本包括时频图样本以及与时频图样本对应的三维数据样本；
[0081]
步骤b、随机初始化待训练神经网络的网络参数；其中，待训练神经网络为卷积神经网络，包括第一子网络和第二子网络；
[0082]
示例性地，在对待训练神经网络的网络参数进行初始化后，网络参数中的每个参数的初始化数值服从均值为0、方差为0.01的高斯分布。
[0083]
步骤c、输入训练样本至待训练神经网络，以使第一子网络根据时频图样本计算得到时频域粗定位输出；
[0084]
步骤d、根据时频域粗定位输出及时频图样本对应的三维数据样本确定第二子网络的输入，以使第二子网络确定当前输出结果；
[0085]
步骤e、根据当前输出结果和预设损失函数，确定当前损失值；
[0086]
本实施例中，预设损失函数为：
[0087][0088]
其中，o为当前结果中目标在各个距离单元上的第一出现概率，p(
·
)表示概率分布。
[0089]
步骤f、检测当前损失值是否小于等于预设阈值；若否，则更新网络参数，并返回上述输入训练样本至待训练神经网络的步骤；
[0090]
本步骤中，若当前损失值大于预设阈值，则按照如下公式更新网络参数：
[0091][0092]
其中，θ为更新后的网络参数，α表示学习率，其为接近于0的正实数，b表示每组样本的个数。
[0093]
进一步地，更新网络参数后返回上述输入训练样本至待训练神经网络的步骤，开始下一轮训练。
[0094]
步骤g、若是，则训练结束，获得时域-时频域抗干扰目标检测模型。
[0095]
当然，在待训练神经网络的训练过程中，还可以根据迭代次数判断训练是否结束，本技术对此不作限定。
[0096]
可选地，上述步骤s5中，根据出现概率和预设检测门限，确定各个距离单元的目标检测结果的步骤，包括：
[0097]
将目标在距离单元中的出现概率与预设检测门限进行比较；
[0098]
若目标在距离单元中的出现概率大于预设检测门限，则该距离单元中检测出目标；
[0099]
若目标在距离单元中的出现概率小于等于预设检测门限，则该距离单元中未检测出目标。
[0100]
本实施例中，得到时域-时频域抗干扰目标检测模型输出的目标在各个距离单元上的出现概率o之后，将出现概率o与检测门限t进行比较：
[0101]
若(o)m＞t，则表示第m个距离单元上检测出目标，
[0102]
若(o)m≤t，则表示第m个距离单元上没有检测出目标。
[0103]
下面，通过仿真实验对上述基于深度学习的时域-时频域联合抗干扰目标检测方法做进一步说明。
[0104]
具体地，仿真实验选取1280000个带卷积调制的间歇采样转发干扰的回波信号作为训练样本，采用16384个任意发射波形下间歇采样转发干扰回波信号作为测试样本，硬件平台为：intel core i7-8700 cpu@3.2ghz 3.19ghz 16gb ram，软件平台：pycharm。
[0105]
仿真实验1：在虚警概率为10-5
，干信比jsr为9db，信噪比snr为10.08db的条件下，计算采用本发明提供的目标检测方法进行目标检测的检测概率，并与基于信号时域截取的传统检测方法的检测概率进行对比。
[0106]
仿真2，在虚警概率为10-5
，干信比jsr为63.23db，信噪比snr为10.08db的条件下，计算采用本发明提供的目标检测方法进行目标检测的检测概率，并与基于信号时域截取的传统检测方法的检测概率进行比较。
[0107]
仿真3，在虚警概率为10-5
，干信比jsr为9db，信噪比snr为14.08db的条件下时，计算采用本发明提供的目标检测方法进行目标检测的检测概率，并与基于信号时域截取的传统检测方法的检测概率进行比较。
[0108]
上述三个仿真的实验结果如表1所示：
[0109]
表1
[0110][0111][0112]
从表1中可以看到本发明提出的基于深度学习的时域-时频域联合抗干扰目标检测方法可以检测出目标，其中，在低干信比和高信噪比的情况下，本发明提供的目标检测方法的检测概率为96.61％；在低干信比和低信噪比的情况下，本发明提供的目标检测方法的检测概率为61.22％；在高干信比和低信噪比的情况下，本发明提供的目标检测方法的检测概率为41.12％；
[0113]
综上，本发明将雷达抗干扰目标检测与深度学习相结合，利用本发明中的网络结构智能化提取回波信号和发射信号的时域特征、频域特征，能获取更丰富更深层的目标信息，提高抗干扰目标检测性能。
[0114]
图3是本发明实施例提供的基于深度学习的时域-时频域联合抗干扰目标检测方法。如图3所示，本发明实施例提供一种基于深度学习的时域-时频域联合抗干扰目标检测装置，包括：
[0115]
第一获得模块310，用于基于发射信号和回波信号，获得发射信号向量和回波信号向量；
[0116]
第二获得模块320，用于根据所述回波信号向量，获得回波信号的时频图；
[0117]
转换模块330，用于利用滑窗匹配对所述发射信号向量及所述回波信号向量进行波形适应后，将所述回波信号向量转换为三维数据；
[0118]
输入模块340，用于输入所述三维数据及所述时频图至预先训练好的时域-时频域抗干扰目标检测模型中，以使所述时域-时频域抗干扰目标检测模型根据所述视频图获得时频粗定位结果，并根据所述时频粗定位结果和三维数据确定目标在各个距离单元中的出现概率；
[0119]
确定模块350，用于根据所述出现概率和预设检测门限，确定各个距离单元的目标检测结果。
[0120]
通过上述各实施例可知，本发明的有益效果在于：
[0121]
本发明提供一种基于深度学习的时域-时频域联合抗干扰目标检测方法及装置，通过对时域和时频域数据的联合检测，增加了时域-时频域抗干扰目标检测模型的输入信息，同时通过时域-时频域抗干扰目标检测模型提取目标和干扰的特征，提高了目标检测的精度。
[0122]
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0123]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
[0124]
尽管在此结合各实施例对本技术进行了描述，然而，在实施所要求保护的本技术过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
[0125]
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定
本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

技术特征：
1.一种基于深度学习的时域-时频域联合抗干扰目标检测方法，其特征在于，包括：基于发射信号和回波信号，获得发射信号向量和回波信号向量；根据所述回波信号向量，获得回波信号的时频图；利用滑窗匹配对所述发射信号向量及所述回波信号向量进行波形适应后，将所述回波信号向量转换为三维数据；输入所述三维数据及所述时频图至预先训练好的时域-时频域抗干扰目标检测模型中，以使所述时域-时频域抗干扰目标检测模型根据所述视频图获得时频粗定位结果，并根据所述时频粗定位结果和三维数据确定目标在各个距离单元中的出现概率；根据所述出现概率和预设检测门限，确定各个距离单元的目标检测结果。2.根据权利要求1所述的基于深度学习的时域-时频域联合抗干扰目标检测方法，其特征在于，所述基于发射信号和回波信号，获得发射信号向量和回波信号向量的步骤，包括：获取发射信号及回波信号；对所述发射信号进行采样离散化及能量归一化预处理，得到发射信号向量；对所述回波信号进行采样离散化及能量归一化预处理，得到回波信号向量。3.根据权利要求2所述的基于深度学习的时域-时频域联合抗干扰目标检测方法，其特征在于，所述根据所述回波信号向量，获得回波信号的时频图的步骤，包括：对所述回波信号向量做短时傅里叶变化，获得所述回波信号的时频图。4.根据权利要求1所述的基于深度学习的时域-时频域联合抗干扰目标检测方法，其特征在于，所述时域-时频域抗干扰目标检测模型按照如下步骤训练得到：获取训练样本集，所述训练样本集包括多个训练样本，每个训练样本包括时频图样本以及与所述时频图样本对应的三维数据样本；随机初始化待训练神经网络的网络参数；其中，所述待训练神经网络为卷积神经网络，包括第一子网络和第二子网络；输入训练样本至所述待训练神经网络，以使所述第一子网络根据所述时频图样本计算得到时频域粗定位输出；根据所述时频域粗定位输出及所述时频图样本对应的三维数据样本确定第二子网络的输入，以使所述第二子网络确定当前输出结果；根据所述当前输出结果和预设损失函数，确定当前损失值；检测所述当前损失值是否小于等于预设阈值；若否，则更新网络参数，并返回所述输入训练样本至所述待训练神经网络的步骤；若是，则训练结束，获得所述时域-时频域抗干扰目标检测模型。5.根据权利要求4所述的基于深度学习的时域-时频域联合抗干扰目标检测方法，其特征在于，随机初始化后，所述网络参数中每个参数的初始化数值服从均值为0、方差为0.01的高斯分布。6.根据权利要求1所述的基于深度学习的时域-时频域联合抗干扰目标检测方法，其特征在于，所述根据所述出现概率和预设检测门限，确定各个距离单元的目标检测结果的步骤，包括：将目标在距离单元中的出现概率与预设检测门限进行比较；若目标在距离单元中的出现概率大于预设检测门限，则该距离单元中检测出目标；
若目标在距离单元中的出现概率小于等于预设检测门限，则该距离单元中未检测出目标。7.一种基于深度学习的时域-时频域联合抗干扰目标检测装置，其特征在于，包括：第一获得模块，用于基于发射信号和回波信号，获得发射信号向量和回波信号向量；第二获得模块，用于根据所述回波信号向量，获得回波信号的时频图；转换模块，用于利用滑窗匹配对所述发射信号向量及所述回波信号向量进行波形适应后，将所述回波信号向量转换为三维数据；输入模块，用于输入所述三维数据及所述时频图至预先训练好的时域-时频域抗干扰目标检测模型中，以使所述时域-时频域抗干扰目标检测模型根据所述视频图获得时频粗定位结果，并根据所述时频粗定位结果和三维数据确定目标在各个距离单元中的出现概率；确定模块，用于根据所述出现概率和预设检测门限，确定各个距离单元的目标检测结果。

技术总结
本发明公开了一种基于深度学习的时域-时频域联合抗干扰目标检测方法，包括：基于发射信号和回波信号，获得发射信号向量和回波信号向量；根据回波信号向量，获得回波信号的时频图；利用滑窗匹配对发射信号向量及回波信号向量进行波形适应后，将回波信号向量转换为三维数据；输入三维数据及时频图至预先训练好的时域-时频域抗干扰目标检测模型中，以使模型根据视频图获得时频粗定位结果，并结合三维数据确定目标在各个距离单元中的出现概率；根据出现概率和预设检测门限，确定各个距离单元的目标检测结果。本发明通过在时域和时频域联合检测，增加了目标检测模型的输入信息，同时通过模型提取目标和干扰的特征，提高了目标检测的精度。精度。精度。


技术研发人员：纠博 张钰 彭晓军 刘宏伟 李康
受保护的技术使用者：西安电子科技大学
技术研发日：2022.01.24
技术公布日：2023/8/4