基于DenseNet的機(jī)載雷達(dá)動(dòng)目標(biāo)檢測(cè)

李貴鋒， 童寧寧， 馮為可， 劉成梁

(空軍工程大學(xué)防空反導(dǎo)學(xué)院，西安，710051)

雷達(dá)探測(cè)技術(shù)因其全天時(shí)、全天候的工作能力，已經(jīng)成為探測(cè)地/海面和低空運(yùn)動(dòng)目標(biāo)的重要手段。由于地基雷達(dá)容易受到遮蔽效應(yīng)和低空盲區(qū)的影響，利用機(jī)載雷達(dá)對(duì)地/海面和低空運(yùn)動(dòng)目標(biāo)進(jìn)行探測(cè)具有顯著的優(yōu)勢(shì)。然而，在對(duì)目標(biāo)進(jìn)行探測(cè)的過程中，機(jī)載雷達(dá)通常處于下視工作狀態(tài)，接收到的雜波信號(hào)強(qiáng)度大、多普勒譜展寬并隨波束入射角變化，基于傳統(tǒng)動(dòng)目標(biāo)顯示(moving target indication，MTI)、動(dòng)目標(biāo)檢測(cè)(moving target detection，MTD)和空間波束形成等一維濾波技術(shù)往往無法實(shí)現(xiàn)對(duì)雜波的有效抑制。

為實(shí)現(xiàn)雜波環(huán)境下的機(jī)載雷達(dá)運(yùn)動(dòng)目標(biāo)檢測(cè)，研究者們把一維時(shí)域?yàn)V波和空域?yàn)V波推廣到時(shí)域和空域聯(lián)合的二維濾波，利用空時(shí)自適應(yīng)處理(space time adaptive processing，STAP)方法[1]，實(shí)現(xiàn)自適應(yīng)的雜波抑制和目標(biāo)檢測(cè)。為減少STAP方法的運(yùn)算復(fù)雜度和對(duì)獨(dú)立同分布訓(xùn)練距離單元的需求，研究者們提出了降維、降秩和直接數(shù)據(jù)域等實(shí)用化的STAP方法[2-4]。目前，基于知識(shí)輔助、稀疏表示、頻率分集陣列等技術(shù)的先進(jìn)STAP方法[5-7]也相繼被用于機(jī)載雷達(dá)運(yùn)動(dòng)目標(biāo)的檢測(cè)之中，一定程度上減少了雜波非均勻、距離模糊和多普勒模糊等因素帶來的不利影響。

相比于上述基于二維聯(lián)合濾波的STAP方法，基于模式識(shí)別的運(yùn)動(dòng)目標(biāo)檢測(cè)方法無需估計(jì)雜波協(xié)方差矩陣，能夠利用少量訓(xùn)練距離單元構(gòu)造分類識(shí)別器，處理雷達(dá)空時(shí)回波數(shù)據(jù)，進(jìn)行目標(biāo)檢測(cè)[8-10]。文獻(xiàn)[8]提出了一種基于學(xué)習(xí)的目標(biāo)檢測(cè)方法，通過構(gòu)造線性分類器實(shí)現(xiàn)了雜波條件下的目標(biāo)檢測(cè)；文獻(xiàn)[9]提出了POLY-MTI方法，構(gòu)造了一種多項(xiàng)式分類器來進(jìn)行目標(biāo)檢測(cè)；文獻(xiàn)[10]提出了一種基于支持向量機(jī)的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，減少了對(duì)訓(xùn)練距離單元的需求。然而，由于所構(gòu)造的分類器結(jié)構(gòu)較淺、提取特征能力較差，傳統(tǒng)基于模式識(shí)別的運(yùn)動(dòng)目標(biāo)檢測(cè)方法在非均勻雜波環(huán)境和低信雜比的情況下，性能有待進(jìn)一步提高。

近年來，以卷積神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)技術(shù)發(fā)展迅速，為雷達(dá)目標(biāo)的檢測(cè)提供了新的思路。深度學(xué)習(xí)技術(shù)通過對(duì)獲取的信息進(jìn)行訓(xùn)練、歸納和學(xué)習(xí)，可以快速有效地提取深層次特征，在多個(gè)領(lǐng)域取得了廣泛的應(yīng)用[11～13]。其中，在機(jī)載雷達(dá)運(yùn)動(dòng)目標(biāo)檢測(cè)領(lǐng)域，文獻(xiàn)[14]利用AlexNet構(gòu)建分類器，實(shí)現(xiàn)了對(duì)目標(biāo)的有效檢測(cè)，且相比文獻(xiàn)[8～10]方法性能更佳。但是，文獻(xiàn)[14]所提出的方法存在著網(wǎng)絡(luò)參數(shù)多、運(yùn)算量大和檢測(cè)準(zhǔn)確率不高等問題，主要原因在于其所利用的AlexNet[15]僅基于卷積層和池化層的簡(jiǎn)單順序連接來提取特征，特征提取效果和分類性能有待提高，影響了其在運(yùn)動(dòng)目標(biāo)檢測(cè)中的性能。

為提高AlexNet的性能，學(xué)者們提出了一系列新型的卷積神經(jīng)網(wǎng)絡(luò)，如GoogLeNet、ResNet和DenseNet等。其中，GoogLeNet采用獨(dú)特的Inception結(jié)構(gòu)[16]，通過使用多個(gè)卷積核提取并融合不同尺度的特征信息來獲到更好的表征；ResNet采用殘差模塊[17]，更改了網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)目的，從學(xué)習(xí)圖像特征到學(xué)習(xí)圖像與特征的殘差，提高了準(zhǔn)確率；DenseNet將卷積層之間進(jìn)行稠密連接實(shí)現(xiàn)特征重用[18]，在網(wǎng)絡(luò)參數(shù)和計(jì)算成本更小的條件下，獲得了比ResNet更優(yōu)的性能。相比于AlexNet，DenseNet具有網(wǎng)絡(luò)參數(shù)少、抗過擬合效果好等優(yōu)點(diǎn)。因此，為了提高雜波環(huán)境下目標(biāo)檢測(cè)的準(zhǔn)確度，本文基于DenseNet構(gòu)建了用于機(jī)載雷達(dá)運(yùn)動(dòng)目標(biāo)檢測(cè)的分類器，直接對(duì)接收到的空時(shí)回波數(shù)據(jù)進(jìn)行處理，通過分類識(shí)別進(jìn)行目標(biāo)檢測(cè)。仿真實(shí)驗(yàn)驗(yàn)證了所提方法的有效性及優(yōu)越性。

1 信號(hào)模型

機(jī)載雷達(dá)運(yùn)動(dòng)目標(biāo)檢測(cè)的幾何模型如圖1所示，其中，載機(jī)在高度H以速度V勻速水平飛行，雷達(dá)正側(cè)視均勻線性陣列(uniform linear array，ULA)由N個(gè)陣元均勻排列組成，間距為d，脈沖重復(fù)間隔(pulse repetition interval，PRI)為Tr，脈沖重復(fù)頻率(pulse repetition frequency，PRF)為fr=1/Tr，相干處理間隔(coherent processing interval，CPI)內(nèi)共發(fā)射M個(gè)脈沖。

圖1 機(jī)載雷達(dá)運(yùn)動(dòng)目標(biāo)檢測(cè)幾何模型

不考慮干擾信號(hào)和距離模糊雜波的影響，且假設(shè)包含目標(biāo)的待測(cè)距離單元中共有Nc個(gè)在方位上均勻分布的雜波單元，則雷達(dá)的第n個(gè)陣元接收到的第m個(gè)脈沖回波信號(hào)可以表示為：

(1)

對(duì)應(yīng)M個(gè)脈沖和N個(gè)陣元的待測(cè)距離單元空時(shí)回波信號(hào)可以由一個(gè)大小為MN×1的向量x0表示，即：

(2)

假設(shè)各個(gè)雜波單元之間相互獨(dú)立，則雜波協(xié)方差矩陣(clutter covariance matrix，CCM)表示為：

(3)

此外，假設(shè)噪聲與雜波不相關(guān)，且服從均值為0、協(xié)方差矩陣為RN=σ2IMN的復(fù)高斯分布，則雜波加噪聲協(xié)方差矩陣(clutter plus noise covariance matrix，CNCM)可以表示為：

RI=RC+σ2IMN

(4)

式中：σ2為噪聲功率；IMN為大小為MN×MN的單元矩陣。

雜波環(huán)境下運(yùn)動(dòng)目標(biāo)檢測(cè)的目的即從式(2)中檢測(cè)到目標(biāo)回波信號(hào)xT,0的存在，可基于STAP方法實(shí)現(xiàn)。STAP通過計(jì)算回波信號(hào)向量x0的線性組合使輸出信號(hào)的信雜噪比(signal to clutter plus noise ratio，SCNR)最大，而最佳加權(quán)系數(shù)w0，即空時(shí)權(quán)值矢量，可以通過最小化CNCM同時(shí)保持目標(biāo)響應(yīng)不變的方式進(jìn)行優(yōu)化求解，表示為：

(5)

式(5)的解為：

(6)

2 所提算法

2.1 算法原理

在實(shí)際應(yīng)用中，待測(cè)距離單元的CNCM和目標(biāo)空時(shí)導(dǎo)向矢量往往是未知的。對(duì)于CNCM未知的問題，若存在與待測(cè)距離單元雜波獨(dú)立同分布且不包含目標(biāo)的訓(xùn)練距離單元，則待測(cè)距離單元的CNCM可通過采樣矩陣求逆(sample matrix inversion，SMI)方法估計(jì)得到，表示為：

(7)

式中：l=1,2,…,L，xl為第l個(gè)訓(xùn)練距離單元的回波信號(hào)向量。然而，若要求輸出SCNR的損失不大于3 dB，則SMI方法至少需要L=2MN-3個(gè)獨(dú)立同分布的訓(xùn)練距離單元來估計(jì)CNCM，這在實(shí)際非均勻雜波環(huán)境中是不現(xiàn)實(shí)的。

通過上述分析可知，基于STAP的運(yùn)動(dòng)目標(biāo)檢測(cè)方法可以視為一種多次二分類方法。構(gòu)造二類分類器，STAP方法需要大量的獨(dú)立同分布訓(xùn)練距離單元估計(jì)CNCM和較高的復(fù)雜度計(jì)算CNCM的逆矩陣得到空時(shí)權(quán)值矢量。針對(duì)上述問題，可直接將運(yùn)動(dòng)目標(biāo)檢測(cè)問題轉(zhuǎn)化為一種多分類問題：首先，對(duì)于給定的待測(cè)距離單元回波信號(hào)向量，基于訓(xùn)練距離單元構(gòu)建數(shù)據(jù)集，利用相應(yīng)方法提取目標(biāo)的特征，構(gòu)造多類分類器，得到目標(biāo)的多普勒頻率和空間頻率類別；然后，遍歷所有感興趣距離單元，得到目標(biāo)的距離類別。

從另一角度看，對(duì)于具有不同多普勒頻率和空間頻率的目標(biāo)，雷達(dá)接收到的空時(shí)回波數(shù)據(jù)本身將具有不同的特征。通過構(gòu)建合適的多類分類器，可以直接提取空時(shí)回波數(shù)據(jù)的特征，并對(duì)其進(jìn)行分類，輸出每一類對(duì)應(yīng)的概率，根據(jù)概率最大值所對(duì)應(yīng)的類即可判斷目標(biāo)的有無及其對(duì)應(yīng)的多普勒頻率和空間頻率。上述過程可以表示為：

p=γ(X0)

(8)

式中：X0為輸入多類分類器的待測(cè)距離單元空時(shí)回波數(shù)據(jù)；γ(·)為代表多類分類器的非線性函數(shù)；p為分類器輸出的概率矢量，其最大值位置對(duì)應(yīng)目標(biāo)所在的類。

基于上述原理和DenseNet在特征提取方面的優(yōu)異性能，本文提出了基于DenseNet構(gòu)造多類分類器對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)的方法，如圖2所示。

圖2 基于DenseNet的運(yùn)動(dòng)目標(biāo)檢測(cè)方法

2.2 數(shù)據(jù)集構(gòu)建

對(duì)分類器進(jìn)行訓(xùn)練以獲得期望的性能需要充足的數(shù)據(jù)，本文通過使用少量訓(xùn)練距離單元與具有不同多普勒頻率/空間頻率且幅度/相位隨機(jī)變化的運(yùn)動(dòng)目標(biāo)相加的方式來構(gòu)建訓(xùn)練數(shù)據(jù)集，具體實(shí)現(xiàn)方式描述如下。

對(duì)于任意待測(cè)距離單元，在其兩側(cè)各選取僅含雜波和噪聲的L/2個(gè)距離單元作為訓(xùn)練距離單元。其中，為避免目標(biāo)距離向擴(kuò)展帶來的不利影響，設(shè)置保護(hù)距離單元，兩側(cè)保護(hù)距離單元的個(gè)數(shù)均為Q/2。訓(xùn)練數(shù)據(jù)集共分為K+1類，其中，第0類表示無目標(biāo)，第1～K類表示具有不同多普勒頻率和空間頻率的目標(biāo)。當(dāng)k=0時(shí)，訓(xùn)練數(shù)據(jù)由訓(xùn)練距離單元空時(shí)回波數(shù)據(jù)加上微小擾動(dòng)得到；當(dāng)k=1,2,…,K時(shí)，訓(xùn)練數(shù)據(jù)由訓(xùn)練距離單元空時(shí)回波數(shù)據(jù)加上建模得到的運(yùn)動(dòng)目標(biāo)空時(shí)回波數(shù)據(jù)得到。因此，由第l個(gè)訓(xùn)練距離單元和第k類目標(biāo)所構(gòu)造的訓(xùn)練數(shù)據(jù)可表示為：

(9)

由式(9)可知，訓(xùn)練數(shù)據(jù)集的總樣本數(shù)為lkp，每一類訓(xùn)練數(shù)據(jù)的樣本數(shù)為lp。對(duì)于M×N大小的矩陣Xl,k,p，將該矩陣的實(shí)部和虛部分2個(gè)通道進(jìn)行存放，得到大小為M×N×2的三維矩陣，作為分類器的輸入；對(duì)于不同類別的訓(xùn)練數(shù)據(jù)，分別設(shè)置長(zhǎng)度為K的標(biāo)簽向量y，其中，第k類訓(xùn)練數(shù)據(jù)所對(duì)應(yīng)的標(biāo)簽向量yl,k,p的第k個(gè)元素值為1，其余均為0。

2.3 分類器構(gòu)建

在數(shù)據(jù)集構(gòu)建完成后，需要構(gòu)建分類器來提取數(shù)據(jù)特征完成分類任務(wù)。DenseNet作為近年來新提出的一種卷積神經(jīng)網(wǎng)絡(luò)，能夠充分利用各層提取到的特征，相比AlexNet具有更優(yōu)的性能，其結(jié)構(gòu)如圖3所示，包括初始化層、密集連接層、過渡層和分類層等。

圖3 Densenet結(jié)構(gòu)圖

初始化層對(duì)輸入圖片進(jìn)行數(shù)據(jù)初始化，由一次卷積操作和一次池化操作組成，使輸入圖片的特征圖大小減半、數(shù)量增多。需要注意的是，對(duì)運(yùn)動(dòng)目標(biāo)信號(hào)進(jìn)行檢測(cè)時(shí)，如果空時(shí)回波數(shù)據(jù)尺寸較小，就可以選擇舍棄初始化層中的池化層，避免特征圖過早變小導(dǎo)致無法充分挖掘利用特征。

密集連接層使用多個(gè)特征圖大小相同的卷積模塊對(duì)輸入的特征圖進(jìn)行深層次的特征提取。其中，卷積模塊是批量歸一化(batch normalization，BN)、線性整流函數(shù)(rectified linear unit，ReLU)和卷積3種操作的組合，可以看成是一個(gè)非線性轉(zhuǎn)換函數(shù)κ。BN對(duì)數(shù)據(jù)進(jìn)行規(guī)范化使其滿足標(biāo)準(zhǔn)正態(tài)分布，同時(shí)也減少了整個(gè)訓(xùn)練集梯度的計(jì)算時(shí)間；ReLU取代之前的Sigmoid、Tanh等激活函數(shù)，使梯度下降和誤差反向傳播更加高效，也避免了梯度消失的問題；卷積操作用于對(duì)經(jīng)過BN和ReLU處理過的數(shù)據(jù)進(jìn)行特征提取。密集連接層將前面所有卷積模塊與后面的卷積模塊建立連接，保留不同層次的特征一起向后傳播。第j+1個(gè)卷積模塊的輸入是前面j個(gè)卷積模塊的輸出層的并集，可以表示為cj+1=κ([c1,c2,…,cj])。值得注意的是，使用DenseNet構(gòu)建分類器時(shí)要根據(jù)輸入特征圖的大小選擇合適數(shù)量的密集連接層及每個(gè)密集連接層中的卷積模塊，確保高分類精度的同時(shí)做到高效率，沒有冗余。

過渡層位于2個(gè)密集連接層之間，對(duì)前面密集連接層得到的特征圖進(jìn)行降維處理，包括卷積操作和平均池化操作。卷積操作用于減少特征圖的數(shù)量：若前一個(gè)密集連接層輸出ζd個(gè)特征圖，經(jīng)過渡層中的卷積操作之后會(huì)生成εζd個(gè)輸出特征圖，其中ε表示壓縮系數(shù)；平均池化操作可用于減小特征圖大小。

分類層對(duì)前面學(xué)到的特征進(jìn)行分類，映射到標(biāo)簽所在空間。首先，分類層對(duì)最后一個(gè)密集連接層得到的特征圖進(jìn)行全局平均池化操作，對(duì)數(shù)據(jù)進(jìn)行降維來融合前面學(xué)到的特征。然后，使用Softmax函數(shù)對(duì)全局平均池化得到的結(jié)果進(jìn)行歸一化，得到輸入數(shù)據(jù)屬于每一類的概率向量。

3 仿真試驗(yàn)

3.1 仿真條件

本節(jié)用仿真試驗(yàn)來驗(yàn)證本文方法在機(jī)載雷達(dá)運(yùn)動(dòng)目標(biāo)檢測(cè)中的有效性，仿真參數(shù)為：載機(jī)高度H=3 km，速度V=250 m/s，ULA陣元間距d=0.25 m，相干脈沖數(shù)M=16，陣元個(gè)數(shù)N=14，脈沖重復(fù)頻率fr=2 000 Hz，載波波長(zhǎng)0.5 m。假設(shè)噪聲為均值為0、方差為1的復(fù)高斯信號(hào)，NC=181個(gè)雜波單元在方位[0，π]之間均勻分布，且幅度服從復(fù)高斯分布，雜噪比設(shè)為40 dB。本文共仿真501個(gè)距離單元的空時(shí)回波數(shù)據(jù)，距離為6～31 km，其中，目標(biāo)所在距離單元的距離為18.5 km，目標(biāo)的歸一化多普勒頻率為-0.25，方位角為45°，信噪比為30 dB。

表1 訓(xùn)練數(shù)據(jù)集參數(shù)

本文基于DenseNet構(gòu)建的多類分類器由1個(gè)初始化層、3個(gè)密集連接層、2個(gè)過渡層、1個(gè)全局平均池化層、1個(gè)全連接層和1個(gè)最終分類層組成，網(wǎng)絡(luò)模型如圖4所示，各層參數(shù)如表2所示?？芍?，本文所構(gòu)建的多類分類器的網(wǎng)絡(luò)參數(shù)共為55 199個(gè)，相比文獻(xiàn)[14]基于AlexNet構(gòu)建的多類分類器，參數(shù)量減少了約88%。

圖4 所提分類器網(wǎng)絡(luò)結(jié)構(gòu)

表2 本文構(gòu)建的多類分類器各層參數(shù)

3.2 分類器訓(xùn)練與測(cè)試

在訓(xùn)練分類器時(shí)，批尺寸和訓(xùn)練次數(shù)會(huì)影響到分類器最終的內(nèi)部權(quán)重，進(jìn)而使預(yù)測(cè)結(jié)果產(chǎn)生差異。因而，本文設(shè)置101和16兩種尺寸和不同的訓(xùn)練次數(shù)，來對(duì)不同的分類器進(jìn)行訓(xùn)練并對(duì)比最終的效果。

自適應(yīng)時(shí)刻估計(jì)(adaptive moment estimation，Adam)優(yōu)化器是一種有效的隨機(jī)優(yōu)化方法，可通過對(duì)第一和第二梯度的估計(jì)來計(jì)算不同參數(shù)的自適應(yīng)性學(xué)習(xí)率，并且只需要很小的內(nèi)存[19]，因而能夠快速收斂并找到參數(shù)更新中正確的目標(biāo)方向。因此，本文選用Adam優(yōu)化器對(duì)所提出的分類器進(jìn)行訓(xùn)練。

從圖5可見，本文所提出的基于DenseNet的分類器在兩種不同批尺寸條件下的分類準(zhǔn)確率均高于文獻(xiàn)[14]所提出的基于AlexNet的分類器。

圖5 不同批尺寸時(shí)分類準(zhǔn)確率隨訓(xùn)練次數(shù)的變化曲線

本文按照構(gòu)建訓(xùn)練數(shù)據(jù)集的方式生成測(cè)試數(shù)據(jù)集，對(duì)分類器進(jìn)行測(cè)試，各類目標(biāo)數(shù)量均為100個(gè)，所得分類混淆矩陣如圖6～7所示。其中，對(duì)角線上的數(shù)字表示預(yù)測(cè)值與真實(shí)值相符，即測(cè)試數(shù)據(jù)集中每類目標(biāo)正確分類的數(shù)量；對(duì)角線以外的數(shù)字表示預(yù)測(cè)值與真實(shí)值不相符，即測(cè)試數(shù)據(jù)集中每類目標(biāo)錯(cuò)誤分類的數(shù)量。由圖可知，在不同批尺寸的條件下，文獻(xiàn)[14]基于AlexNet提出的分類器測(cè)試結(jié)果相差較大，隨著批尺寸的下降，錯(cuò)誤分類的數(shù)量從24降為13；而本文基于DenseNet的分類器測(cè)試結(jié)果相差較小，錯(cuò)誤分類的數(shù)量穩(wěn)定在5左右。由此可得，本文分類器錯(cuò)誤率低，識(shí)別精度高，更加穩(wěn)定。

圖6 批尺寸為101時(shí)得到的分類混淆矩陣

圖7 批尺寸為16時(shí)得到的分類混淆矩陣

接著，為了驗(yàn)證分類器的穩(wěn)健性，即分類器在測(cè)試環(huán)境改變時(shí)的性能，使用不同于訓(xùn)練集的信雜比(signal to clutter ratio，SCR)來構(gòu)建測(cè)試數(shù)據(jù)集，并根據(jù)實(shí)際對(duì)運(yùn)動(dòng)目標(biāo)的時(shí)域?qū)蚴噶窟M(jìn)行修改。

考慮到實(shí)際情況中天線接收到的回波在各個(gè)脈沖間的幅相變化，構(gòu)建測(cè)試集時(shí)將運(yùn)動(dòng)目標(biāo)的時(shí)域?qū)蚴噶啃薷臑椋?/p>

(10)

式中：⊙表示哈達(dá)瑪積，aT=[a0,a1,…,aM-1]T，bT=[ejb0,ejb1,…,ejbM-1]T，aM在[0.9,1.1]之間均勻分布，bM在[-5°,5°]之間均勻分布。

對(duì)于批尺寸為16時(shí)訓(xùn)練得到的分類器，設(shè)置以5的步長(zhǎng)逐步減小SCR構(gòu)建測(cè)試集，進(jìn)行30次實(shí)驗(yàn)得到的分類準(zhǔn)確率如圖8所示。

圖8 不同信雜比時(shí)本文分類器的預(yù)測(cè)準(zhǔn)確率曲線

由圖8可以看出，在SCR由-10 dB降為-25 dB的過程中，分類器的預(yù)測(cè)準(zhǔn)確率緩慢下降；當(dāng)SCR繼續(xù)降低時(shí)，分類器預(yù)測(cè)準(zhǔn)確率快速衰減。當(dāng)SCR為-30 dB時(shí)的預(yù)測(cè)準(zhǔn)確率為92.59%，此時(shí)預(yù)測(cè)混淆矩陣如圖9所示，各個(gè)類別均有誤判現(xiàn)象產(chǎn)生，其中對(duì)應(yīng)k=12，fd=0.187 5的目標(biāo)準(zhǔn)確率僅為37%。這是由于目標(biāo)的空域歸一化頻率為0.191 0，與雜波較為接近，在SCR較小時(shí)，目標(biāo)和雜波時(shí)難以區(qū)分，此時(shí)分類器失效。

圖9 SCR=-30 dB時(shí)預(yù)測(cè)混淆矩陣

3.3 動(dòng)目標(biāo)檢測(cè)

圖10 訓(xùn)練距離單元數(shù)量對(duì)STAP檢測(cè)結(jié)果的影響

對(duì)于基于分類的運(yùn)動(dòng)目標(biāo)檢測(cè)方法(即本文方法和文獻(xiàn)[14]方法)，基于L=8個(gè)訓(xùn)練距離單元，采用不同的批尺寸參數(shù)對(duì)所構(gòu)建的多類分類器進(jìn)行訓(xùn)練，并將33個(gè)距離單元空時(shí)回波數(shù)據(jù)輸入到訓(xùn)練后的分類器中，檢測(cè)目標(biāo)，估計(jì)其參數(shù)，所得結(jié)果如圖11和圖12所示。

圖11 批尺寸為101時(shí)兩種方法的目標(biāo)檢測(cè)結(jié)果

圖12 批尺寸為16時(shí)兩種方法的目標(biāo)檢測(cè)結(jié)果

從圖中可以看出，在批尺寸為101時(shí)，文獻(xiàn)[14]方法無法有效檢測(cè)運(yùn)動(dòng)目標(biāo)；當(dāng)批尺寸為16時(shí)，文獻(xiàn)[14]方法能夠檢測(cè)運(yùn)動(dòng)目標(biāo)，但性能有待進(jìn)一步提高。相比之下，本文方法在這兩種批尺寸時(shí)均能有效檢測(cè)運(yùn)動(dòng)目標(biāo)，目標(biāo)所在距離單元為第17個(gè)距離單元，目標(biāo)類別為5(即多普勒頻率等于-0.25)，性能較文獻(xiàn)[14]方法有較大提升，這驗(yàn)證了本文方法的有效性和優(yōu)越性。

4 結(jié)語(yǔ)

為了減少機(jī)載雷達(dá)運(yùn)動(dòng)目標(biāo)檢測(cè)所需訓(xùn)練距離單元的數(shù)量，提高現(xiàn)有基于分類的運(yùn)動(dòng)目標(biāo)檢測(cè)方法的性能，本文基于DenseNet構(gòu)建了分類器，對(duì)雷達(dá)接收到的空時(shí)回波數(shù)據(jù)進(jìn)行處理，提取特征進(jìn)行分類來實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的檢測(cè)和參數(shù)估計(jì)。仿真結(jié)果表明該方法與傳統(tǒng)STAP方法相比，可以減少所需訓(xùn)練距離單元的數(shù)量；與現(xiàn)有基于AlexNet的目標(biāo)檢測(cè)方法相比，能獲得更加可靠、準(zhǔn)確的目標(biāo)檢測(cè)結(jié)果。