深度學(xué)習(xí)在強(qiáng)雜波目標(biāo)檢測(cè)中的應(yīng)用研究.pdf

1、調(diào)頻連續(xù)波（FMCW）是具有通信和探測(cè)一體化能力的信號(hào)。相對(duì)于超寬帶技術(shù)，基于調(diào)頻連續(xù)波的寬帶無線通信技術(shù)更易工程實(shí)現(xiàn)，節(jié)省成本，且能夠穿透強(qiáng)雜波背景，如：葉簇覆蓋、地下和建筑群等環(huán)境，對(duì)其中隱藏目標(biāo)進(jìn)行探測(cè)，應(yīng)用前景廣闊。如何從接收到的寬帶回波信號(hào)中提取被強(qiáng)雜波背景所淹沒的目標(biāo)信號(hào)，并對(duì)目標(biāo)進(jìn)行檢測(cè)甚至識(shí)別是需要研究的關(guān)鍵技術(shù)。
　　近年來深度學(xué)習(xí)以其優(yōu)異的學(xué)習(xí)能力在圖像識(shí)別、語音處理和自然語言理解等方面取得了突破性的進(jìn)展。深度

2、學(xué)習(xí)算法通過搭建多層神經(jīng)網(wǎng)絡(luò)架構(gòu)，可以實(shí)現(xiàn)特征的分級(jí)表達(dá)，進(jìn)而挖掘數(shù)據(jù)中的本質(zhì)特征，能夠準(zhǔn)確感知環(huán)境變化。因此我們針對(duì)強(qiáng)雜波環(huán)境下的目標(biāo)信息提取技術(shù)及其與深度學(xué)習(xí)算法的結(jié)合展開研究。主要包括以下幾個(gè)方面：
　　針對(duì)目標(biāo)信息的提取，我們對(duì)強(qiáng)雜波環(huán)境下的回波特性進(jìn)行了深入分析，具體針對(duì)慢速目標(biāo)檢測(cè)中低多普勒頻移、雜波干擾嚴(yán)重等突出問題，建立了相應(yīng)的回波模型。在此基礎(chǔ)上，針對(duì)現(xiàn)有的特征提取預(yù)處理技術(shù)進(jìn)行分析，并結(jié)合仿真實(shí)驗(yàn)選擇合適的預(yù)處

3、理方案來解析回波信息，為后續(xù)實(shí)驗(yàn)的展開奠定基礎(chǔ)。
　　接下來在總結(jié)現(xiàn)有目標(biāo)檢測(cè)方案經(jīng)驗(yàn)的基礎(chǔ)上，對(duì)基于傳統(tǒng)機(jī)器學(xué)習(xí)算法的檢測(cè)方案進(jìn)行了介紹和分析，并對(duì)其中被廣泛應(yīng)用和研究的后向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）、超限學(xué)習(xí)機(jī)（ELM）和支持向量機(jī)（SVM）進(jìn)行了重點(diǎn)分析。接著參考前人的方案對(duì)它們的檢測(cè)性能進(jìn)行了仿真實(shí)驗(yàn)，分析了這些基于傳統(tǒng)機(jī)器學(xué)習(xí)算法的檢測(cè)方案所存在的缺陷：進(jìn)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(xué)習(xí)模型，對(duì)復(fù)雜分類函數(shù)的逼近能力有限，魯棒性不足，泛化能力有限。
　　在對(duì)三大類常見深度學(xué)習(xí)模型進(jìn)行深入分析的基礎(chǔ)上，結(jié)合回波特性，針對(duì)傳統(tǒng)機(jī)器學(xué)習(xí)算法所存在的不足，構(gòu)建了一種基于深度自編碼網(wǎng)絡(luò)的寬帶信號(hào)目標(biāo)檢測(cè)方法。以深度自編碼網(wǎng)絡(luò)算法在時(shí)頻域提取針對(duì)目標(biāo)的深度抽象信息作為特征，感知環(huán)境變化。仿真結(jié)果表明，該方法與后向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）、超限學(xué)習(xí)機(jī)（ELM）和支持向量機(jī)（SVM）等傳統(tǒng)機(jī)器學(xué)習(xí)相比，在目標(biāo)檢測(cè)方面具有較