恒虚警性能分析及在DSP芯片上的实现

强杂波背景中的雷达目标恒虚警检测是雷达信号处理的重要组成部分;在机场等特殊环境下的应用成为相关课题的研究对象;为了提供适于机场环境下的恒虚警处理算法,首先讨论了高斯杂波背景中雷达目标恒虚警检测的原理,然后对比分析了四种处理方案,并且介绍了数字信号处理芯片ADSP TS201的主要特点,针对机场环境阐述了基于数字信号处理芯片ADSP-TS201实现高斯杂波背景中雷达目标恒虚警检测的方法,最后采取机场实测信号实验结果验证,结果目标准确显示达到预期目标.     

基于ADSP21160的目标检测算法实现

强杂波背景中的雷达目标恒虚警检测是雷达信号处理的重要组成部分。本文首先介绍了数字信号处理芯片ADSP21160的主要特点，然后讨论了瑞利分布杂波背景中雷达目标恒虚警检测的原理，最后着重阐述了基于数字信号处理芯片ADSP21160实现杂波背景中雷达目标恒虚警检测的方法和仿真实验结果。     

基于残差连接LSTM的雷达目标分类识别方法

近年来随着多种小型智能探测设备的出现（如无人机、小型智能车等）,给传统雷达目标识别方法带来了巨大挑战。在使用雷达对此类小型目标进行探测时得到的信号回波能量通常较低,导致在复杂环境噪声与杂波影响下难以使用传统恒虚警( Constant False Alarm Rate,CFAR)目标检测方法对其进行识别。针对以上问题,结合深度学习的方法提出一种基于残差连接长短期记忆网络（Long Short-Term Memory,LSTM）的多类别雷达目标识别模型,以同一距离门的相邻时间点的回波序列数据作为样本来设计数据集,使用多层的LSTM网络提取雷达回波样本中的时序信息,并在网络中加入残差连接以避免网络层数增多出现网络退化问题,同时将用于多类别分类问题的CCE（Categorical Cross-Entropy）函数作为网络的损失函数来训练网络,实现对包括无人机、智能车、行人以及噪声在内的4类目标的识别和分类。试验结果表明基于残差连接LSTM网络的多类别雷达目标识别模型相比于传统恒虚警检测方法具有更高的识别准确率和F1值。     

基于卷积神经网络的天气雷达回波外推模型

常用天气雷达回波外推方法建立的天气雷达回波外推模型,设置编码器和预测器长度和步长偏小,导致模型外推预测天气精度低,于是提出基于卷积神经网络的天气雷达回波外推模型.转换雷达图像数据集坐标,计算天气变化粒子的经纬度值,修正天气变化粒子距离地面高度,预处理天气雷达图像数据;将卷积神经网络分为正向传播和反向传播两种,分别训练卷积神经网络数据传播过程;采用卷积层和采样层交替布置的方式,设置编码器和预测器长度和步长,建立天气雷达回波外推模型预测天气.实验结果表明:对比三组天气雷达回波外推模型,所设计模型具有较高的外推预测精度.     

基于堆叠双向LSTM的雷达目标识别方法

现阶段雷达目标检测识别主要依赖人工算法提取目标的特征,难点在于环境自适应能力弱,高强度杂波背景下难以有效检测到目标;针对上述问题,结合深度学习在图像识别等领域表现出的强大的学习表示能力,提出基于堆叠双向长短期记忆网络的雷达目标识别方法;网络模型以雷达多普勒维的回波数据构建数据集,采用双向LSTM提取雷达回波数据在时间序列上的正向和逆向信息,通过RMSProp优化算法对神经网络参数迭代训练,实现了对无人机这种低空慢速小目标的有效识别;实验结果表明,基于堆叠双向LSTM的雷达目标识别方法优于传统的SVM分类算法和卷积神经网络分类算法.     

一种参量恒虚警处理的神经网络模型

本文提出一种参量恒虚警处理的神经网络模型,并讨论用于非瑞利杂波的雷达信号恒虚警处理的神经网络模型的实现。     

基于Fast R-CNN的车辆目标检测

目的 在传统车辆目标检测问题中,需要针对不同图像场景选择适合的特征。为此提出一种基于快速区域卷积神经网络（Fast R-CNN）的场景图像车辆目标发现方法,避免传统车辆目标检测问题中需要设计手工特征的问题。方法 该方法基于深度学习卷积神经网络思想。首先使用待检测车辆图像定义视觉任务。利用选择性搜索算法获得样本图像的候选区域,将候选区域坐标与视觉任务示例图像一起输入网络学习。示例图像经过深度卷积神经网络中的卷积层,池化层计算,最终得到深度卷积特征。在输入时没有规定示例图像的规格,此时得到的卷积特征规格不定。然后,基于Fast R-CNN网络结构,通过感兴趣区域池化层规格化特征,最后将特征输入不同的全连接分支,并行回归计算特征分类,以及检测框坐标值。经过多次迭代训练,最后得到与指定视觉任务强相关的目标检测模型,具有训练好的权重参数。在新的场景图像中,可以通过该目标检测模型检测给定类型的车辆目标。结果 首先确定视觉任务包含公交车,小汽车两类,背景场景是城市道路。利用与视觉任务强相关的测试样本集对目标检测模型进行测试,实验表明,当测试样本场景与视觉任务相关度越高,且样本中车辆目标的形变越小,得到的车辆目标检测模型对车辆目标检测具有良好的检测效果。结论 本文提出的车辆目标检测方法,利用卷积神经网络提取卷积特征代替传统手工特征提取过程,通过Fast R-CNN对由示例图像组成定义的视觉任务训练得到了效果良好的车辆目标检测模型。该模型可以对与视觉任务强相关新场景图像进行效果良好的车辆目标检测。本文结合深度学习卷积神经网络思想,利用卷积特征替代传统手工特征,避免了传统检测问题中特征选择问题。深层卷积特征具有更好的表达能力。基于Fast R-CNN网络,最终通过多次迭代训练得到车辆检测模型。该检测模型对本文规定的视觉任务有良好的检测效果。本文为解决车辆目标检测问题提供了更加泛化和简洁的解决思路。     

基于CPU-GPU的有序统计类恒虚警检测优化

雷达信号处理算法的高性能实现是雷达系统设计中的关键技术。而恒虚警检测技术是雷达信号目标检测系统中控制虚警率的重要手段之一,也是最耗费系统资源的地方。传统的恒虚警检测技术主要采用DSP和FPGA等定制化设备,但存在的问题主要有开发周期长、调试难度大、耗费资源。为了满足脉冲多普勒雷达回波数据的实时处理需求以及国产化GPU的生态扩充,文章针对恒虚警检测技术分析了有序统计类恒虚警检测方法(OSCFAR)的可并行性问题,并基于OpenCL平台提出了对OSCFAR进行GPU加速的方法。该方法中提出了OSCFAR在GPU中避免条件分支的并行化技术,优化了适用于GPU的并行化排序方法,减少了系统访问全局内存所花费的时间。最后从性能测试和误差分析角度评估了OSCFAR的实时性和准确性,实验结果表明,在所使用的硬件平台上相比于传统CPU实现达到了60倍以上的加速比,处理精度可以达到与原有方案相同的水平。     

雷达恒虚警检测系统仿真

恒虚警(CFAR)处理技术对常采用机载下视或类似工作条件的PD雷达进行目标检测非常重要,文章首先对恒虚警检测原理进行论述,重点讨论单元平均CA-CFAR,最大选择GO(greatest of)-CFAR和最小选择SO(smallest of)-CFAR这三种均值类恒虚警处理方法,建立其数学模型.接下来对接收机噪声信号进行模拟,同时建立目标信号模型,并将所产生的噪声信号与目标信号相叠加仿真雷达系统的接收信号,注入所建立的恒虚警模型中进行检测仿真,给出仿真结果的分析,试验证明了仿真系统的有效性.     

基于小波包能量特征及LVQ的目标检测方法研究

基于常规雷达的目标检测方法不能很好地适应冲击雷达目标的检测,提出了一种基于小波包能量特征与LVQ神经网络相结合的新颖目标检测方法;首先利用小波包对目标回波信号进行分解,以得到目标的能量特征量,该特征量能明显区分目标和噪声;然后将能量特征量送入学习向量量化(LVQ)神经网络进行训练与仿真,以实现对超宽带目标信号的检测;仿真结果表明,该方法能获得较高的检测概率,较低的虚警概率.     

基于高速定点DSP的雷达信号处理实验系统

本文介绍了一个基于高速定点DSP的雷达信号处理实验系统的设计和研制．其中包括雷达中频信号采集．多种雷达信号的设计和产生。雷达回波的脉冲压缩处理、动目标显示、动目标检测和恒虚警处理。实验系统以ADI公司最新推出的Blackiln系列高速定点DSP芯片BF53x为核心，在多任务管理软件VDK的控制下．各软件模块以独立线程的方式并行工作．每个模块的参数及相互之间的连接方式通过PC上的LabView软件界面进行设置。     

Development of neural network committee machines for automatic forest fire detection using lidar

Lidar has considerable potential as an early forest fire detection technique, presenting considerable advantages when compared to the passive detection methods based on infrared cameras currently in common use, due to its higher sensitivity, ability to accurately locate the fire and the fact that it does not need line of sight to the flames. The method has recently been demonstrated by the authors, but its automation requires the availability of a rapid signal analysis technique, for prompt alarm emission whenever required. In the present paper a novel method of classifying lidar signals using committee machines composed of neural networks is proposed. A new method based on ROC curves and the Neyman-Pearson criterion is used to choose the optimal number of training epochs for each neural network in order to avoid overfitting. The best committee machine, obtained on the basis of these principles and selected to lead to the lowest percentage of false alarms for a true detection percentage of 90% for a test set created by adding random noise to patterns obtained experimentally, was composed of three single-layer perceptrons and presented a true detection efficiency of 94.4% and 0.553% of false alarms in the validation set.     

减少防撞雷达虚假目标的信号处理研究

从信号处理的角度分析了防撞雷达虚报警率、漏报警率偏高的原因,采用AR模型功率谱估计的Burg算法代替传统的FFT算法,并将粗神经网络应用于防撞雷达目标识别。仿真结果表明,此方法提高了雷达信号处理的准确度和目标识别率,能有效地降低漏报警、虚报警率。     

机场场面监视雷达目标检测新方法

机场场面监视 雷达可得到高分辨率实孔径图像,常规的雷达目标检测方法难以检测出其中的目标。本文首 先分析了场面监视雷达目标检测中的问题,然后根据场面监视雷达回波信号的特点,提出了 一种基于数字图像处理思想的目标检测新方法。给出了算法处理的基本流程和主要模块的具 体实现方法。国内机场实测数据的处理结果表明本文算法可靠地检测出目标区域,目标团簇 凝聚处理可有效消除孤立虚警点并填充目标区域内部漏警块。本文提出的方法对于场面监视 雷达系统的研制有一定借鉴意义。     

LADAR target detection using morphological shared-weight neural networks

Morphological shared-weight neural networks (MSNN) combine the feature extraction capability of mathematical morphology with the function-mapping capability of neural networks in a single trainable architecture. The MSNN method has been previously demonstrated using a variety of imaging sensors, including TV, forward-looking infrared (FLIR) and synthetic aperture radar (SAR). In this paper, we provide experimental results with laser radar (LADAR). We present three sets of experiments. In the first set of experiments, we use the MSNN to detect different types of targets simultaneously. In the second set, we use the MSNN to detect only a particular type of target. In the third set, we test a novel scenario, referred to as the Sims scenario: we train the MSNN to recognize a particular type of target using very few examples. A detection rate of 86% with a reasonable number of false alarms was achieved in the first set of experiments and a detection rate of close to 100% with very few false alarms was achieved in the second and third sets of experiments. In all the experiments, a novel pre-processing method is used to create a pseudo-intensity images from the original LADAR range images.     

一种多网络模型融合的烟雾检测方法

为降低云雾等类烟雾目标引起的烟雾检测虚警现象,提出一种多网络模型融合的烟雾检测方法。在采用VGG16网络提取烟雾细节特征的基础上,与ResNet50网络特征提取层进行融合,提取到更多细微特征,采用跳跃连接机制将图像信息传递到神经网络的更深层,避免烟雾图像重要特征的丢失,并解决因梯度消失导致的欠拟合问题。训练过程采用基于同构空间下的特征迁移学习方法,解决小样本训练难题,在新的目标检测领域进行重新训练,更有利于将网络模型融合,重新搭建全连接层输出检测结构,采用随机失活的方法,提高模型泛化能力。实验结果表明,与目前流行的深度卷积网络相比,该方法虚警率低,准确率和召回率高。     

结合孪生网络和像素配对的高光谱图像异常检测

目的 高光谱遥感中,通常利用像素的光谱特征来区分背景地物和异常目标,即通过二者之间的光谱差异来寻找图像中的异常像元。但传统的异常检测算法并未有效挖掘光谱的深层特征,高光谱图像中丰富的光谱信息没有被充分利用。针对这一问题,本文提出结合孪生神经网络和像素配对策略的高光谱图像异常检测方法,利用深度学习技术提取高光谱图像的深层非线性特征,提高异常检测精度。方法 采用像素配对的思想构建训练样本,与原始数据集相比,配对得到的新数据集数量呈指数增长,从而满足深度网络对数据集数量的需求。搭建含有特征提取模块和特征处理模块的孪生网络模型,其中,特征处理模块中的卷积层可以专注于提取像素对之间的差异特征,随后利用新的训练像素对数据集进行训练,并将训练好的分类模型固定参数,迁移至检测过程。用滑动双窗口策略对测试集进行配对处理,将测试像素对数据集送入网络模型,得到每个像素相较于周围背景像素的差异性分数,从而识别测试场景中的异常地物。结果 在异常检测的实验结果中,本文提出的孪生网络模型在San Diego数据集的两幅场景和ABU-Airport数据集的一幅场景上,得到的AUC （area under the curve）值分别为0.993 51、0.981 21和0.984 38,在3个测试集上的表现较传统方法和基于卷积神经网络的异常检测算法具有明显优势。结论 本文方法可以提取输入像素对的深层光谱特征,并根据其特征的差异性,让网络学习到二者的区分度,从而更好地赋予待测像素相对于周围背景的异常分数。本文方法相对于卷积神经网络的异常检测方法可以有效地降低虚警,与传统方法相比能够更加明显地突出异常目标,提高了检测率,同时也具有较强的鲁棒性。     

基于卷积神经网络的电网工控系统入侵检测算法

传统的电网工控系统主要通过防火墙等工具, 与外部网络进行隔离, 但是随着云计算、物联网等新技术的应用, 网络之间互联程度不断深入, 安全防护难度大大提高, 如何有效检测出网络入侵行为变得至关重要. 与传统入侵检测技术相比, 卷积神经网络具有更好的提取入侵特征的能力. 本文提出一种基于卷积神经网络的电网工控系统入侵检测算法, 使用经过处理的KDD99数据集进行模型训练, 并添加级联卷积层优化网络结构. 在参数规模不大的前提下, 保证了模型运行的实时性要求. 本文算法相对于传统SVM算法和K-means算法, 提高了入侵检测的准确率, 降低了误检率, 可以有效检测出对于电网工控系统的入侵行为.