图1 LSTM网络结构
Fig.1 Network structure of LSTM
Reference format: Su Ningyuan, Chen Xiaolong, Guan Jian, et al. One-dimensional Sequence Signal Detection Method for Marine Target Based on Deep Learning[J]. Journal of Signal Processing, 2020, 36(12): 1987-1997. DOI: 10.16798/j.issn.1003- 0530.2020.12.004.
海面目标检测在国防海上监视、交通运输和资源环境保护等诸多领域都有重要价值[1]。由于海洋环境复杂、海杂波和目标信号模型多样化等原因,可靠和稳健的海上目标检测和分类技术一直是关键技术[2- 4]。目前海面目标的检测与识别的难点主要在于海杂波抑制、目标高分辨特征提取、复杂特征分类等[5]。现有检测方法多以统计理论为基础,即将海杂波视为随机过程[6],假设其服从特定的分布模型,例如:K分布[7]、瑞利分布、对数正态分布等,对于服从不同的统计模型的杂波信号采用不同检测算法。然而,在实际应用场景中,目标和杂波模型类别日益增多,在复杂环境中现有的杂波分布模型常常难以与实际信号匹配,导致经典目标检测方法性能受环境影响严重,难以实现高性能检测[8]。此外,由于复杂环境下海杂波的非均匀性、非平稳特性[9-10],海杂波无法完全被抑制,检测性能不稳定。Haykin等人[11]采用基于混沌和分形方法,将关联维数和盒维数等特征量用于海杂波背景下弱目标的检测,该方法仍存在低SCR下检测性能较弱的问题,且对运动目标检测的能力较低。
近年来深度学习技术发展迅速[12],并在信号处理领域得到广泛运用[13-14]。深度学习方法不仅具有特征提取功能,还有很强的泛化能力,为信号处理提供了新的途径。循环神经网络(Recurrent Neural Networks, RNN)作为一种典型的一维序列处理工具,是一种时间上进行线性递归的神经网络,在序列的时间变化方向进行递归,所有节点,即循环单元,以链式连接。RNN于上世纪80年代被提出,近年已成为深度学习重要算法之一[15],在语音识别、语言建模、时间序列预测等领域应用广泛。然而,RNN在前向过程中,开始时刻的输入对后面时刻的影响越来越小,出现“长距离依赖问题”,无法将现有时序与过去时序紧密联系。长短时记忆网络(Long Short-Term Memory networks,LSTM)可以视为多个转换门的合并,可以绕过某些单元从而记忆更长时间步的信息,在学习序列的非线性特征时具有一定优势。文献[16]采用随机搜索与LSTM的方法识别滚动轴承故障,达到了超过99.8%的诊断准确率。此外,LSTM在时间序列预测方面具有一定优势。文献[17]将LSTM用于预测航空发动机排气温度,分析了发动机排气温度与飞行时间的关系,相比于RNN和SVM,LSTM对时间序列预测精度更高。文献[18]采用LSTM对舰船运动姿态进行预测,相比于时间序列分析法,该方法有效提升了预测精度。文献[19]提出了使用LSTM进行预测,以实现矿山滑坡检测的方法。近年来,LSTM在雷达信号处理中开始得到应用。文献[20]提出了基于LSTM的HRRP信号分类方法,实现了对三类不同飞行器目标HRRP仿真信号的分类。卷积神经网络(Convolutional Neural Network, CNN)常用于数据特征提取及分类,可提取样本中像素点之间的结构特征,当采用一维卷积核时可用于序列样本的分类。文献[21]利用一维CNN学习并自动提取暂态过程的时序特征,实现了端到端的暂态稳定评估。文献[22]将一维卷积神经网络模型应用于拉曼光谱分析,实现雌激素粉末拉曼光谱定性分类。文献[23]采用一维卷积核的CNN进行异常声音识别,分析了卷积神经网络抗噪识别性能和异常声音识别的适用性问题。一维CNN也在雷达信号处理中得到应用,文献[24]将一维CNN用于雷达高分辨率距离相信号的识别,表明一维CNN对一维序列信号具有很好的识别性能。
雷达信号可视为时间序列,反映了目标或者散射点回波信息随时间的变化。通常情况下与海杂波信号相比,目标散射点回波信号较强,表现为信号幅值的升高,可用作目标检测依据。因此,RNN和CNN均可用于一维雷达信号序列检测。本文基于深度学习理论,从信号预测和特征分类两个角度,分别采用两种方式对信号时间序列幅度信息进行处理。一方面用LSTM对雷达信号时间序列进行预测和异常值检测[25], 将雷达回波信号幅度序列中的每个采样点作为一个样本,用杂波信号对LSTM进行训练,再用训练后的模型对训练数据后续序列进行预测,通过后续每个采样点预测值与实际值误差的变化,可判断在每个采样时刻是否有目标出现,实现目标检测。另一方法采用CNN对目标和杂波信号样本进行二元分类,将一定长度的雷达信号幅度序列作为样本,根据信号中是否含有目标回波信号将样本分为目标样本和杂波样本,对CNN模型进行训练,使其具有区别目标和杂波信号的能力,将待测信号样本输入训练后的模型,对其进行特征提取和二元分类,判断该待测信号序列中是否含有目标回波信息,区分目标与杂波信号,实现海面目标检测功能。此外,为了深入分析和比较两种途径的检测性能,本文分别采用含有海面漂浮小目标的IPIX(Intelligent Pixel-processing)雷达数据和含有海上运动小目标的CSIR(Council for Scientific and Industrial Research)雷达数据进行验证分析。
长短期记忆神经网络(LSTM)解决了一般RNN存在的梯度爆炸问题,使得网络的学习更加的稳定。LSTM网络用LSTM单元取代了一般RNN的隐藏单元,通过输入门、遗忘门和输出门控制LSTM单元的状态更新。图1给出了本文采用的LSTM网络结构。
图1 LSTM网络结构
Fig.1 Network structure of LSTM
LSTM网络同样遵循循环神经网络的参数共享机制,在前后时刻的LSTM单元之间存在循环连接。LSTM主要思想是通过三个门控节点控制隐藏状态的信息的记忆、输入信息的获取和输出信息的传输。每一门控节点的实现是通过σ函数计算一个0～1之间的门控系数,通过系数控制决定信息的获取。各门控系数的计算式为:
f(t)=σ(Wf·[h(t-1),x(t)]+bf)
(1)
i(t)=σ(Wi·[h(t-1),x(t)]+bi)
(2)
o(t)=σ(Wo·[h(t-1),x(t)]+bo)
(3)
其中,Wf、Wi、Wo为各门控节点的权值矩阵,bf、bi、bo为各门控节点的偏置。LSTM网络的传播模型与RNN的不同点在于隐藏状态的计算,LSTM隐藏状态的计算式为:
(4)
h(t)=o(t)*tanh(C(t))
(5)
其中,C(t)表示t 时刻LSTM单元的状态,
表示输入经过tanh激活后的单元状态的更新向量。
采用LeNet网络对目标和杂波信号序列进行二元分类实现目标检测。LeNet是最早的卷积神经网络之一,该网络共有7层,结构如图2(a)所示,其卷积层的卷积核大小为5×5,在处理一维信号数据时,将卷积核改为一维向量,卷积核大小为5×1。其结构如图2(b)所示。
图2 LeNet网络结构
Fig.2 Network structure of LeNet
卷积层1通过卷积核k1对输入的特征图x1进行卷积操作,并使用偏置系数b1,自动提取特征图中信号的特征,然后经过ReLU激活函数:
(6)
引入非线性因素,鲁棒性增强并且能缓解梯度消失。卷积层1输出N1个特征图,其中第j个特征图为:
(7)
其中,
表示卷积层1对输入数据进行卷积操作的第j个卷积核,
表示卷积层1中与第j个卷积核相对应的偏置系数,⊗表示卷积操作,x为输入数据,
表示卷积层1输出的第j个特征图。
池化层1通过平均池化函数对卷积层1输出的特征图进行下采样,降低数据维度和减少运算量,池化层1输出的第n个特征图
(8)
其中,
函数为平均池化函数,
表示在每个大小为c的池化核窗口内取特征图矩阵
的平均值,c为设定的池化核大小,此处设置为2。
卷积层2通过卷积核k2对池化层1输出的N1个特征图进行卷积操作, Mj为输入的特征图集合,则输出N2个特征图,其中第n个特征图
(9)
其中,
表示卷积层2对第i个特征图进行卷积操作的第j个卷积核,
表示卷积层2中与第j个卷积核相对应的偏置系数。
池化层2通过平均池化函数对卷积层2输出的每个特征图进行下采样,输出的第n个特征图
(10)
卷积层3通过卷积核k5对第四层输出的每个特征图进行卷积操作,使用偏置系数b5扩充卷积区域,Lj为输入的特征图集合,则输出第n个特征图
(11)
由于该层卷积核尺寸为1×1,因此该层也可看作全连接层(全连接层1)。
全连接层2输出节点数为84,通过权值矩阵w6对卷积层3(全连接层1)输出的特征向量进行矩阵乘法运算,并加偏置系数b6。Lc2为输出特征向量:
Lc2=f(w6L5+b6)
(12)
第七层全连接层输出节点数为2(二元分类),通过权值矩阵w7对第6层输出的特征向量进行矩阵乘法运算,并加偏置系数b7,激活函数选用Softmax函数。Lc3为网络输出结果:
Lc3=S(w7L6+b7)
(13)
通过LSTM模型对海杂波雷达信号时间序列进行预测,将预测值与实际值进行比较,即异常值检测,实现海面目标检测功能。如图3所示,该方法主要包括训练部分和检测部分。训练部分通过构建数据集和网络模型,网络参数优化实现检测模型的选取和参数优化,得到可用于海面目标检测的网络。检测部分通过已训练好的模型进行目标检测,最后用测试集测试网络性能。
图3 基于LSTM预测的海面目标检测流程图
Fig.3 Flow diagram of maritime target detection based on LSTM prediction
1)数据集构建
本文采用含有海面漂浮小目标的IPIX数据和含有机动目标信号的CSIR数据进行验证分析。
其中IPIX数据是海杂波相关研究中常用的标准实测数据,于1989年在Haykin.S领导下由加拿大Mcmaster大学使用IPIX(Itelligent pixel-processing)雷达在Dartmouth地区通过测量和采集实验获得。IPIX雷达参数如下:雷达峰值功率为8 kW,天线直径为2.4 m,笔形波速宽度为0.9°,44 dB天线增益,旁瓣<-30 dB,瞬时动态范围>50 dB。雷达带宽是5 MHz,对应的分辨率是30 m,PRF为1000 Hz。雷达工作在驻留模式,每组数据采样时间是131 s,对应131072点。数据文件命名格式:19931108_213827(年/月/日/小时/分钟);极化方式:HH/VV/HV/VH(可调)。其他雷达参数及信息见http:∥soma.ece.mcmaster.ca/ipix/。
本节选取IPIX数据中19931108_220902_starea数据进行分析。该雷达信号数据为131072(采样点)×14(距离单元)复数矩阵,选用除目标单元和保护单元以外的一个距离单元作为杂波序列。假设仿真目标为静止目标,SCR为8 dB,通过SCR公式计算目标回波信号幅度,得到目标信号。数据集样本示例如图4所示,图中左侧点状线部分为训练序列,右侧部分为测试序列。
图4 数据集样本示例
Fig.4 Examples of dataset samples
由于模型用于处理实信号,上述信号取模,得到回波信号幅值信息。信号序列体现了散射点位置、特性随时间变化情况。该信号采样频率为1000 Hz,即两个相邻采样点之间的时间间隔仅为10-3 s,由于海浪周期通常为秒级,在预测过程中,为使较短的输入信号包含更长时间内海面状态变化信息,故将幅度信号序列压缩,相邻的500个采样点通过取平均转换为一个点,得到262点长度的信号序列,用于模型训练和测试。
2)模型构建
构建LSTM模型需选取输入维数、时间步和隐藏层节点数。本节采用两个相邻距离单元内的信号作为输入,故输入维数为2。时间步是时间序列预测的重要参数,决定了积累目标历史信息的量。时间步的选择影响着网络的预测准确度,时间步过小会导致网络不能充分的学习轨迹特征,时间步过大会导致梯度消失(爆炸)。本节设置时间步为15,即输入序列包含预测点之前7.5 s内的回波信号幅度信息。
隐藏层节点数一般由输入数据维度决定,一般取输入数据维度的两倍。隐藏层节点数决定网络的训练特性,节点数过少导致特征提取不足,需要增加训练次数,预测准确度低。节点数过多,会导致网络出现过拟合。本节选取输入维数为4。
3)模型训练
将时间序列前120点设为训练集,对模型进行训练。训练过程在TensorFlow1.13环境下进行,计算机配置包括:CPU: i7- 8700K,GPU:Nvidia 1080Ti,计算机内存16GB。训练过程中学习率为0.001,batch size为32,迭代次数为2000,参数优化算法选用Adam,损失函数采用Square loss:
(14)
同时观察训练过程中损失函数数值,观察参数收敛情况。
4)模型测试
模型训练完成后,将时间序列后142点作为测试集输入到训练好的模型中进行逐点预测,得到时间序列预测值。将预测值与实际值逐点做差,得到误差值。观察目标出现时刻与其他时刻误差值变化情况,判断是否出现异常值。
图5 基于CNN序列分类的海面目标检测流程图
Fig.5 Flow diagram of maritime target detection based on CNN classification
如图5所示,该方法通过对目标、杂波回波信号短序列进行二元分类,区分目标和杂波样本,实现海面目标检测。该流程主要包括数据集构建、模型训练、模型测试三个步骤。用实测海杂波数据和仿真目标信号构建目标和杂波序列样本,构建数据集,然后选取CNN网络,用训练数据集对构建的模型进行训练,优化网络参数,最后用测试集测试网络性能。
1)数据集构建
与3.1节类似,取出雷达回波信号中杂波单元的时间序列,并分割成500采样点长度的序列(对应0.5 s时长的信号),作为杂波信号样本。按照3.1节方法,在杂波序列样本中随机位置插入50采样点长度、以不同SCR生成的仿真目标信号,生成目标序列样本。对所有复信号样本取模,加标签后得到数据集样本。用于构建训练集和测试集的信号应完全分离,以IPIX为例,选取前5 s数据用于构建训练集样本,后8.1 s数据构建测试集样本。每个数据集样本为1×500序列。
2)模型训练
选用一维卷积核LeNet网络,如图6所示,对网络参数进行初始化,用训练集对网络进行迭代训练,优化网络参数。计算机配置和环境架构与2.3节相同,训练过程中学习率为0.01,batch size为32,迭代次数为10000,参数优化算法选用随机梯度下降(SGD),损失函数采用交叉熵函数,同时观察训练过程中损失函数数值,观察参数收敛情况。当训练迭代次数达到10000时停止训练。
图6 CNN模型结构
Fig.6 Network structure of CNN
3)模型测试
模型训练完成后,测试集样本输入到训练好的模型中进行二元分类,分别得到目标样本和杂波样本的分类准确率(或错误率)。杂波样本的分类错误率对应雷达目标检测中的虚警概率,目标样本的分类准确率对应检测概率。
首先用IPIX数据第1和第2两个相邻距离单元时间序列后142采样点作为测试集,对训练后的模型进行测试,得到序列各点预测值,并求各点预测值与实际值的绝对误差和相对误差。结果如图7、图8和表1所示。
图7 IPIX距离单元1检测结果
Fig.7 Test result of IPIX range cell 1
图8 IPIX距离单元2检测结果
Fig.8 Test result of IPIX range cell 2
表1 IPIX距离单元1、2预测相对误差
Tab.1 Prediction error of IPIX cell 1 and cell 2
数据目标出现前最大误差海尖峰最大误差目标信号最大误差目标出现后最大误差IPIX距离单元15.772.1114.361.37IPIX距离单元28.411.3215.442.36
图中绿色方框位置有目标,红色方框存在海尖峰。可以看出在有目标和海尖峰的采样点处,预测值和实际值的绝对误差较大,但在海尖峰处相对误差值较小,在目标处相对误差较大。因此通过序列预测可减弱海尖峰对检测造成的影响。进一步从IPIX其他数据文件中选取40个距离单元的时间序列信号添加仿真目标进行测试,以相对误差10为判决标准,在40个包含目标的信号序列中共有37个样本检测出目标,在40个原始杂波信号序列中共有5个样本出现虚警。
为进一步研究所提方法对实测杂波和海上运动小目标信号检测性能,采用南非科学与工业研究理事会(Council for Scientific and Industrial Research, CSIR)[26-27]采集的对海雷达数据验证。本文选取CSIR数据中00_017_TTrFA数据文件进行分析。除信号数据外,CSIR数据文件中还包含试验过程中目标运动状态、风向和海浪方向等信息,其中CSIR中目标运动方式为近似匀速运动,其目标运动状态、风向、海浪方向等环境信息及信号时间-距离图如表2和图9所示。
图9 CSIR数据信息
Fig.9 CSIR data information
表2 CSIR雷达数据说明
Tab.2 Settings of CSIR Radar Signal Data
实验信息雷达设定时间2007.11.04发送频率8.8 GHz起始时间11:44:45.855脉冲重复频率1 kHz观测时长49170采样点(19.17 s)轨迹距离4672.76 m目标类别硬质充气艇观测范围1499 m(101距离单元)环境信息地理信息瞬时风速11.3节观测角2.84°～3.76°8小时平均风速3.65节天线方位角289～289.6N浪高2.62 m天线俯仰角-3.252°～3.159°
选用第59、60距离单元对该方法进行测试,目标在两个距离单元出现时间分别为第30 s和第37 s,结果如图10和图11所示。从图中看出基于LSTM预测的目标检测模型对海杂波回波信号幅度变化趋势预测较准确,对纯海杂波信号序列的预测值与实际值绝对误差很小,在目标出现时二者绝对误差较大。但由于CSIR数据海况较高,海面环境复杂,在海杂波信号序列上预测值与实际值相对误差较大,且由于目标处信号幅度实际值较大,导致此处相对误差减小,与目标处相近,因此难以通过实际值与预测值的相对误差对目标进行检测。
图10 CSIR距离单元59检测结果
Fig.10 Test result of CSIR range cell 59
图11 CSIR距离单元60检测结果
Fig.11 Test result of CSIR range cell 60
选用IPIX数据中的杂波信号单元数据,以不同SCR仿真目标信号,得到不同SCR下目标样本,对模型进行测试,其检测性能如图12所示。仿真数据中的SCR为时域回波SCR,因此,在较低SCR条件下,仍有较高的检测概率。在SCR为大于20dB时,检测性能趋于稳定,受SCR影响变化不大,通过CNN对目标和杂波信号幅度序列进行二元分类可实现87%的目标样本分类准确率。SCR低于20dB时,目标样本分类准确率随SCR下降而下降明显,在SCR等于0dB时检测概率约为55%。同时由于杂波背景不变,不同信杂比下杂波信号特征相似,故杂波样本分类错误率受SCR影响不大,始终低于5%。由于雷达目标检测对虚警率要求较高,通常低于10- 4,因此需进一步提升模型性能。
图12 不同SCR下目标检测结果
Fig.12 Target detection results under different SCRs
基于LSTM序列预测的海面目标检测方法,后续预测值是根据前序相邻时间内采集的信号数据获得的,因此在长时间观测,环境发生变化时仍可以进行检测,但是在实际应用中,由于高海况条件下海尖峰较多,采用LSTM对雷达信号序列进行预测性能受到影响,且LSTM进行预测时,若网络参数固定不变,预测性能会随时间降低,该方法需不断将新获得的信号加入训练,此外判断为异常值的点无法直接确定是否加入训练集,因此对算法的实时处理提出了较高的要求。
基于CNN序列预测的检测方法,模型经参数优化后不需继续训练,可持续进行目标和杂波信号序列样本的分类,因此可更好地实现实时检测。但随观测时间增长,若气候环境发生变化,待检测信号与训练数据中信号杂波特性存在明显差异时,该方法检测性能也会随之受到影响。此外由于实际目标在一个距离单元内出现时间较长,通常大于信号样本所表示的时长,信号样本幅度经归一化后特征与杂波类似。并且低SCR条件下目标回波幅度会淹没在杂波中,因此检测性能在一定程度上受限。表3给出了两种检测方法的优缺点比较。
表3 两种检测方法性能比较
Tab.3 Comparison of Performances Between Two Detection Methods
LSTM序列预测CNN序列分类优点自适应能力强,性能受气候环境变化影响小。1)检测实时性强,不需后续模型训练;2)检测性能评估明确,可通过测试得到模型检测概率和虚警概率。缺点模型需不断进行训练,且后续训练困难,难以实现实时检测。1)模型检测性能受环境变化影响明显,在新环境下性能不稳定;2)低SCR条件下检测性能下降。适用条件运算设备运算能力强,雷达可位于移动载体上,如大型船只等。雷达检测区域或环境较为固定,便于采集可能出现的气候条件下海杂波数据。
本文基于雷达信号回波序列的幅度信息,采用深度学习方法进行海面目标检测,提出了两种海面目标检测方法。基于LSTM预测的海面目标检测方法采用海杂波信号时间序列对LSTM进行训练,用训练好的模型对后续时刻信号进行预测,通过比较预测值与实际值的相对误差,将相对误差较大的点视为异常值,可实现海面目标检测,并可减少海尖峰影响。然而在实际应用中,由于高海况条件下海尖峰较多,采用LSTM对雷达信号序列进行预测性能受到影响,且LSTM进行预测时,若网络参数固定不变,预测性能会随时间降低,该方法需不断将新获得的信号加入训练,此外判断为异常值的点无法直接确定是否加入训练集,因此对算法的实时处理提出了较高的要求。
基于CNN二元分类的海面目标检测方法采用目标和杂波信号样本对CNN模型进行训练,然后用训练好的模型对待检测样本进行测试,根据分类结果判断样本为杂波或者目标,可实现海面目标实时检测,在SCR大于0 dB时可实现87%的检测概率。但由于实际目标在一个距离单元内出现时间较长,通常大于信号样本所表示的时长,信号样本幅度经归一化后特征与杂波类似。并且低SCR条件下目标回波幅度会淹没在杂波中,因此检测性能在一定程度上受限。因此在后续研究中,考虑从信号预处理、改进模型结构和采用其他信号特征等方面对该方法进行进一步研究,通过时频分析等预处理方法可以通过积累改善信杂比,提升检测性能。对CNN结构进行合理的改进可提升模型自身性能,从而提高目标和杂波样本分类准确率。同时可以考虑采用多通道CNN,对同一信号在信号幅值、时间-多普勒、距离-多普勒等多种特征同时进行处理,进一步提升目标检测性能。
[1] 陈建春, 丁鹭飞, 耿富录. 雷达原理[M]. 电子工业出版社, 2014.
Chen Jianchun, Ding Lufei, Geng Fulu. Radar Principles[M]. Publishing House of Electronics Industry, 2014.
[2] Darzikolaei M A, Ebrahimzade A, Gholami E. Classification of radar clutters with Artificial Neural Network[C]∥IEEE, 2015.
[3] 陈小龙, 于仕财, 关键, 等. 海杂波背景下基于FRFT的自适应动目标检测方法[J]. 信号处理, 2010, 26(11): 1613-1620.
Chen Xiaolong, Yu Shicai, Guan Jian, et al. An Adaptive Detection Algorithm for Moving Target at Sea in FRFT Domain[J]. Signal Processing, 2010, 26(11): 1614-1620.(in Chinese)
[4] 关键, 陈小龙, 于晓涵. 雷达高速高机动目标长时间相参积累检测方法[J]. 信号处理, 2017, 33(3A): 1- 8.
Guan Jian, Chen Xiaolong, Yu Xiaohan. Long-time Coherent Integration-based Detection Method for High-speed and Highly Maneuvering Radar Target[J]. Journal of Signal Processing, 2017, 33(3A): 1- 8.(in Chinese)
[5] 陈小龙, 关键, 黄勇, 等. 雷达低可观测动目标精细化处理及应用[J]. 科技导报, 2017, 35(20): 19-27.
Chen Xiaolong, Guan Jian, Huang yong, et al. Radar Refined Processing and Its Applications for Low-observable Moving Target[J]. Science & Technology Review, 2017, 35(20): 19-27.(in Chinese)
[6] Ward K D, Watts S. Use of sea clutter models in radar design and development[J]. Iet Radar Sonar & Navigation, 2010, 4(2): 146-157.
[7] Ward K D, Watts S, Tough R. Sea clutter: Scattering, the K distribution and radar performance[J]. Waves in Random & Complex Media, 2013, 17(2): 233-234.
[8] 陈小龙, 关键, 何友. 微多普勒理论在海面目标检测中的应用及展望[J]. 雷达学报, 2013, 2(1): 123-134.
Chen Xiaolong, Guan Jian, He You. Applications and Prospect of Micro-motion Theory in the Detection of Sea Surface Target[J]. Journal of Radars, 2013, 2(1): 123-134.(in Chinese)
[9] Haykin S. Radar clutter attractor: implications for physics, signal processing and control[J]. IEE Proceedings-Radar, Sonar and Navigation, 1999, 146(4): 177-188.
[10] Leung H, Haykin S. Is there a radar clutter attractor?[J]. Applied Physics Letters, 1990, 56(6): 593-595.
[11] Haykin S, Bakker R, Currie B W. Uncovering nonlinear dynamics-The case study of sea clutter[J]. Proceedings of the IEEE, 2002, 90(5): 860- 881.
[12] 付文博, 孙涛, 梁藉, 等. 深度学习原理及应用综述[J]. 计算机科学, 2018, 45(S1): 11-15.
Fu Wenbo, Sun Tao, Liang Ji, et al. Review of Principle and Application of Deep Learning[J]. Computer Science, 2018, 45(S1): 11-15.(in Chinese)
[13] Yu D, Deng L. Deep Learning and Its Applications to Signal and Information Processing[Exploratory DSP][J]. IEEE Signal Processing Magazine, 2010, 28(1): 145-154.
[14] 苏宁远, 陈小龙, 陈宝欣, 等. 雷达海上目标双通道卷积神经网络特征融合智能检测方法[J]. 现代雷达, 2019, 41(10): 47-52.
Su Ningyuan, Chen Xiaolong, Chen Baoxin, et al. Dual-channel Convolutional Neural Networks Feature Fusion Method for Radar Maritime Target Intelligent Detection[J]. Modern Radar, 2019, 41(10): 47-52.(in Chinese)
[15] Schmidhuber J. Deep learning in neural networks: An overview[J]. Neural Networks, 2015, 61: 85-117.
[16] 陈伟, 陈锦雄, 江永全, 等. 基于RS-LSTM的滚动轴承故障识别[J]. 中国科技论文, 2018, 13(10): 1134-1141.
Chen Wei, Chen Jinxiong, Jiang Yongquan, et al. Fault Identification of Rolling Bearing Based on RS-LSTM[J]. China Sciencepaper, 2018, 13(10): 1134-1141.(in Chinese)
[17] 杨洪富, 贾晓亮. 基于LSTM的航空发动机排气温度预测[J]. 航空计算技术, 2018, 48(4): 61- 65.
Yang Hongfu, Jia Xiaoliang. Aero Engine Exhaust Gas Temperature Prediction Based on LSTM[J]. Aeronautical Computing Technique, 2018, 48(4): 61- 65.(in Chinese)
[18] 王国栋, 韩斌, 孙文赟. 基于LSTM的舰船运动姿态短期预测[J]. 舰船科学技术, 2017, 39(13): 69-72.
Wang Guodong, Han Bin, Sun Wenyun. Short-term prediction of ship motion based on LSTM[J]. Ship Science and Technology, 2017, 39(13): 69-72.(in Chinese)
[19] 曹国清, 张晓明, 陈亚峰. 基于PCA-LSTM的多变量矿山排土场滑坡预警研究[J]. 计算机系统应用, 2018, 27(11): 252-258.
Cao Guoqing, Zhang Xiaoming, Chen Yafeng. Early Warning of Landslide in Mined Mine Dumping Site Based on PCA-LSTM[J]. Computer Systems & Applications, 2018, 27(11): 252-258.(in Chinese)
[20] Jithesh V, Sagayaraj M J, Srinivasa K G. LSTM recurrent neural networks for high resolution range profile based radar target classification[C]∥2017 3rd International Conference on Computational Intelligence & Communication Technology (CICT). IEEE, 2017.
[21] 高昆仑, 杨帅, 刘思言, 等. 基于一维卷积神经网络的电力系统暂态稳定评估[J]. 电力系统自动化, 2019, 43(12): 18-26.
Gao Kunlun, Yang Shuai, Liu Siyan, et al. Transient Stability Assessment for Power System Based on One-dimension Convolutional Neural Network[J]. Automatic of Electric Power System, 2019, 43(12): 18-26.(in Chinese)
[22] 赵勇, 荣康, 谈爱玲. 基于一维卷积神经网络的雌激素粉末拉曼光谱定性分类[J]. 光谱学与光谱分析, 2019, 39(12): 3755-3760.
Zhao Yong, Rong Kang, Tan Ailing. Qualitative Analysis Method for Raman Spectroscopy of Estrogen Based on One-Dimensional Convolutional Neural Networks[J]. Spectroscope and Spectral Analysis, 2019, 39(12): 3755-3760.(in Chinese)
[23] 胡涛, 张超, 程炳, 等. 卷积神经网络在异常声音识别中的研究[J]. 信号处理, 2018, 34(3): 357-367.
Hu Tao, Zhang Chao, Cheng Bing, et al. Research on Abnormal Audio Event Detection Based on Convolutional Neural Networks[J]. Journal of Signal Processing, 2018, 34(3): 357-367.(in Chinese)
[24] 殷和义, 郭尊华. 一维卷积神经网络用于雷达高分辨率距离像识别[J]. 电讯技术, 2018, 58(10): 1121-1126.
Yin Heyi, Guo Zunhua. Radar HRRP Target Recognition with One-dimensional CNN[J]. Telecommunication Engineering, 2018, 58(10): 1121-1126.(in Chinese)
[25] 韩昭蓉, 黄廷磊, 任文娟, 等. 基于Bi-LSTM模型的轨迹异常点检测算法[J]. 雷达学报, 2019, 8(1): 36- 43.
Han Zhaorong, Huang Tinglei, Ren Wenjuan, et al. Trajectory Outlier Detection Algorithm Based on Bi-LSTM Model[J]. Journal of Radars, 2019, 8(1): 36- 43.(in Chinese)
[26] Herselman P L, Baker C J, de Wind H J. An Analysis of X-Band Calibrated Sea Clutter and Small Boat Reflectivity at Medium-to-Low Grazing Angles[J]. International Journal of Navigation and Observation, 2008, 2008: 1-14.
[27] Wind H J D, Cilliers J E, Herselman P L. DataWare: Sea Clutter and Small Boat Radar Reflectivity Databases[Best of the Web][J]. IEEE Signal Processing Magazine, 2010, 27(2): 145-148.
苏宁远 男, 1995年生, 山东烟台人。海军航空大学硕士在读。主要研究方向包括智能雷达信号处理、目标检测。
E-mail: 965291799@qq.com
陈小龙(通信作者) 男, 1985年生, 山东烟台人。海军航空大学副教授， 博士。研究领域包括雷达动目标检测、海杂波抑制、雷达信号精细化处理等。
E-mail: cxlcxl1209@163.com
关 键 男, 1968年生, 辽宁锦州人。海军航空大学教授, 博士生导师。主要研究方向包括雷达目标检测与跟踪、侦察图像处理和信息融合。
E-mail: guanjian_68@163.com
黄 勇 男, 1978年生, 湖南汨罗人。海军航空大学讲师, 博士, 研究方向为雷达信号处理、杂波特性分析与抑制。
刘宁波 男, 1983年生, 山东烟台人。海军航空大学讲师, 博士, 研究方向为雷达信号处理、海杂波抑制与目标智能检测。