深度學習在強雜波目標檢測中的應用研究.pdf

1、調頻連續(xù)波（FMCW）是具有通信和探測一體化能力的信號。相對于超寬帶技術，基于調頻連續(xù)波的寬帶無線通信技術更易工程實現，節(jié)省成本，且能夠穿透強雜波背景，如：葉簇覆蓋、地下和建筑群等環(huán)境，對其中隱藏目標進行探測，應用前景廣闊。如何從接收到的寬帶回波信號中提取被強雜波背景所淹沒的目標信號，并對目標進行檢測甚至識別是需要研究的關鍵技術。
　　近年來深度學習以其優(yōu)異的學習能力在圖像識別、語音處理和自然語言理解等方面取得了突破性的進展。深度

2、學習算法通過搭建多層神經網絡架構，可以實現特征的分級表達，進而挖掘數據中的本質特征，能夠準確感知環(huán)境變化。因此我們針對強雜波環(huán)境下的目標信息提取技術及其與深度學習算法的結合展開研究。主要包括以下幾個方面：
　　針對目標信息的提取，我們對強雜波環(huán)境下的回波特性進行了深入分析，具體針對慢速目標檢測中低多普勒頻移、雜波干擾嚴重等突出問題，建立了相應的回波模型。在此基礎上，針對現有的特征提取預處理技術進行分析，并結合仿真實驗選擇合適的預處

3、理方案來解析回波信息，為后續(xù)實驗的展開奠定基礎。
　　接下來在總結現有目標檢測方案經驗的基礎上，對基于傳統(tǒng)機器學習算法的檢測方案進行了介紹和分析，并對其中被廣泛應用和研究的后向傳播神經網絡（BPNN）、超限學習機（ELM）和支持向量機（SVM）進行了重點分析。接著參考前人的方案對它們的檢測性能進行了仿真實驗，分析了這些基于傳統(tǒng)機器學習算法的檢測方案所存在的缺陷：進行人工特征提取，造成了其特征提取的困難，信息利用不充分；這些均為淺層

4、的學習模型，對復雜分類函數的逼近能力有限，魯棒性不足，泛化能力有限。
　　在對三大類常見深度學習模型進行深入分析的基礎上，結合回波特性，針對傳統(tǒng)機器學習算法所存在的不足，構建了一種基于深度自編碼網絡的寬帶信號目標檢測方法。以深度自編碼網絡算法在時頻域提取針對目標的深度抽象信息作為特征，感知環(huán)境變化。仿真結果表明，該方法與后向傳播神經網絡（BPNN）、超限學習機（ELM）和支持向量機（SVM）等傳統(tǒng)機器學習相比，在目標檢測方面具有較