姜春磊，陳寶欣，黃 勇

（1.煙臺(tái)黃金職業(yè)學(xué)院，山東 招遠(yuǎn) 265401；2.解放軍92337 部隊(duì)，遼寧 大連 116085；3.海軍航空大學(xué)，山東 煙臺(tái) 264000）

0 引言

相干雷達(dá)系統(tǒng)中一般采用波束形成、脈沖壓縮、相參積累（雜波抑制）、目標(biāo)檢測(cè)和目標(biāo)跟蹤識(shí)別的級(jí)聯(lián)信號(hào)處理方式。相互級(jí)聯(lián)的各個(gè)處理流程之間會(huì)相互影響，即前面處理結(jié)果的好壞會(huì)直接影響后面的處理結(jié)果。然而，一般在雷達(dá)信號(hào)處理研究中都作了簡(jiǎn)化處理，默認(rèn)假設(shè)前面的信號(hào)處理結(jié)果是完美的。并且，各個(gè)處理流程對(duì)應(yīng)的各種方法都有相應(yīng)的模型假設(shè)。這種傳統(tǒng)的處理方式可以概括為基于模型驅(qū)動(dòng)的級(jí)聯(lián)處理，且一般需要兩類(lèi)假設(shè)。第1 類(lèi)是信號(hào)模型假設(shè)，即需要確知的信號(hào)波形和特定的目標(biāo)（運(yùn)動(dòng)）類(lèi)型。比如，脈沖壓縮技術(shù)利用大時(shí)寬- 帶寬積信號(hào)可以同時(shí)提高檢測(cè)性能和距離分辨率。匹配濾波是最常用的脈沖壓縮方法，在點(diǎn)目標(biāo)和白噪聲假設(shè)條件下可以獲得最大輸出信噪比。然而，當(dāng)采樣失配、目標(biāo)距離擴(kuò)展時(shí)，常規(guī)的匹配濾波的性能將下降，且距離旁瓣會(huì)增強(qiáng)。因此，在實(shí)際中，多采用加窗處理以抑制旁瓣水平。此外，基于失配濾波的方法被提出以解決距離旁瓣和由目標(biāo)多普勒造成的失配問(wèn)題。第2 類(lèi)是環(huán)境模型假設(shè)，即需要假設(shè)背景的分布類(lèi)型、分布特性以及干擾目標(biāo)數(shù)量等信息。比如，在基于模型驅(qū)動(dòng)的級(jí)聯(lián)處理流程中，目標(biāo)檢測(cè)一般位于脈沖壓縮之后。如果干擾目標(biāo)旁瓣未得到有效解決，勢(shì)必會(huì)影響后續(xù)的檢測(cè)效果。一個(gè)較為常見(jiàn)的情況是，由于受大目標(biāo)旁瓣的影響，大目標(biāo)附近的小目標(biāo)難以被檢測(cè)。另一方面，雷達(dá)目標(biāo)檢測(cè)最常用的方法是基于奈曼—皮爾遜（neyman-pearson，NP）準(zhǔn)則的恒虛警（constant false alarm ratio，CFAR）檢測(cè)器。在過(guò)去的幾十年里，CFAR 技術(shù)得到了長(zhǎng)足的發(fā)展。然而，各種CFAR 檢測(cè)器存在的一個(gè)缺陷是：在使用這些方法時(shí)必須滿(mǎn)足對(duì)應(yīng)的背景模型假設(shè)，如CA-CFAR 假設(shè)參考窗內(nèi)的和檢測(cè)單元的所有干擾數(shù)據(jù)樣本是獨(dú)立同分布的；OS-CFAR 需要滿(mǎn)足參考單元的干擾目標(biāo)數(shù)小于2n-k 的條件，且其余單元數(shù)據(jù)獨(dú)立同分布。CFAR 技術(shù)也難以綜合考慮目標(biāo)旁瓣、多普勒失配和多目標(biāo)等情況同時(shí)存在時(shí)的檢測(cè)問(wèn)題。因此，在實(shí)際應(yīng)用過(guò)程中，虛警概率與檢測(cè)概率的平衡需要在整個(gè)系統(tǒng)級(jí)層面考慮，即在檢測(cè)前通過(guò)脈沖壓縮、MTI、STAP 等提高信雜（噪）比和在檢測(cè)后通過(guò)多次的掃描判斷降低虛警。對(duì)于MIMO 雷達(dá)而言，非理想正交波形會(huì)導(dǎo)致上述問(wèn)題更加嚴(yán)重。

近年來(lái)，以深度學(xué)習(xí)為代表的人工智能方法在圖像識(shí)別等計(jì)算機(jī)視覺(jué)領(lǐng)域的巨大成功，極大地促進(jìn)了其在各個(gè)領(lǐng)域的應(yīng)用。深度學(xué)習(xí)通過(guò)構(gòu)建深度神經(jīng)網(wǎng)絡(luò)（neural network，NN）在海量數(shù)據(jù)樣本中逐層抽象挖掘有用信息，極大減輕了對(duì)模型假設(shè)的依賴(lài)。在雷達(dá)領(lǐng)域，深度學(xué)習(xí)的一個(gè)直接應(yīng)用是檢測(cè)SAR 或其他雷達(dá)圖像中的目標(biāo)［1-3］。由于目標(biāo)檢測(cè)的本質(zhì)是一個(gè)二分類(lèi)或多分類(lèi)問(wèn)題，因此，對(duì)于序列形式的雷達(dá)信號(hào)而言，神經(jīng)網(wǎng)絡(luò)也可以用來(lái)近似雷達(dá)目標(biāo)檢測(cè)器。文獻(xiàn)［4-8］分別利用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了雜波中的雷達(dá)目標(biāo)檢測(cè)。PRASHANT 等實(shí)現(xiàn)了神經(jīng)網(wǎng)絡(luò)在非高斯噪聲中的信號(hào)檢測(cè)［9］。CAI 和ZHANG 等采用時(shí)頻分布作為神經(jīng)網(wǎng)絡(luò)的輸入實(shí)現(xiàn)了檢測(cè)的過(guò)程［10-11］。WANG 等將距離-多普勒譜看作圖像輸入，采用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了目標(biāo)檢測(cè)［12］。早期的研究證明了采用均方誤差的神經(jīng)網(wǎng)絡(luò)可以用來(lái)近似貝葉斯最優(yōu)判別函數(shù)和奈曼- 皮爾遜檢測(cè)器［13］。MARíA-PILAR 等對(duì)此做了大量研究［7-8］。在使用神經(jīng)網(wǎng)絡(luò)近似NP 檢測(cè)器時(shí)，訓(xùn)練時(shí)的誤差函數(shù)是確定神經(jīng)網(wǎng)絡(luò)檢測(cè)器逼近性能的關(guān)鍵參數(shù)。文獻(xiàn)［14］證明了使用MSE 或交叉熵作為損失函數(shù)的神經(jīng)網(wǎng)絡(luò)檢測(cè)器對(duì)所有可能的Pfa 是最優(yōu)的。此外，還有通過(guò)神經(jīng)網(wǎng)絡(luò)判斷背景類(lèi)型以選擇采用CACFAR 還是OS-CFAR［15］，或者通過(guò)CA-CFAR 或GO-CFAR 來(lái)監(jiān)督神經(jīng)網(wǎng)路的訓(xùn)練，以保證在達(dá)到相應(yīng)CFAR 檢測(cè)概率的前提下降低虛警率［16］。然而，上述神經(jīng)網(wǎng)絡(luò)在雷達(dá)中的研究前提一般是基于理想的脈壓后信號(hào)，沒(méi)有綜合考慮多普勒頻移、脈壓旁瓣以及多目標(biāo)對(duì)檢測(cè)結(jié)果的影響，而這些因素在實(shí)際中是難以避免的。根據(jù)神經(jīng)網(wǎng)絡(luò)的萬(wàn)能近似定理，一個(gè)具有線(xiàn)性輸出層和至少一個(gè)具有擠壓式激活函數(shù)作為隱層的前饋神經(jīng)網(wǎng)絡(luò)，可以以任意非零誤差逼近從一個(gè)有限維空間到另一個(gè)有限維空間的連續(xù)波萊爾（borel）可測(cè)函數(shù)［17］。因此，理論上講，可以實(shí)現(xiàn)脈沖壓縮、相參積累（雜波抑制）和目標(biāo)檢測(cè)的一體化處理，從而降低對(duì)各種模型假設(shè)的要求，也即信號(hào)處理的方式由模型驅(qū)動(dòng)轉(zhuǎn)換到數(shù)據(jù)驅(qū)動(dòng)。

當(dāng)前深度學(xué)習(xí)在MIMO 雷達(dá)領(lǐng)域的主要應(yīng)用包括：人體運(yùn)動(dòng)特征分析、人體姿態(tài)識(shí)別、跌倒檢測(cè)與保健檢測(cè)、自動(dòng)駕駛等［18-21］，當(dāng)前的研究多是采用將預(yù)處理的頻譜圖像作為深度神經(jīng)網(wǎng)絡(luò)的輸入，本文提出基于深度學(xué)習(xí)的MIMO 雷達(dá)多維目標(biāo)檢測(cè)框架，通過(guò)構(gòu)建三維卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）檢測(cè)模型，直接在接收端檢測(cè)發(fā)射波形，實(shí)現(xiàn)空域、時(shí)域和距離維的聯(lián)合處理。

1 離散信號(hào)模型與問(wèn)題描述

考慮一MIMO 雷達(dá)系統(tǒng)，包含NT個(gè)發(fā)射陣元和NR個(gè)接收陣元，令

表示從第n 個(gè)陣元發(fā)射的長(zhǎng)度為NW的信號(hào)。則

為全部發(fā)射信號(hào)。進(jìn)一步，令

其中，L 表示感興趣的距離單元數(shù)。對(duì)于發(fā)射N(xiāo)P個(gè)相干脈沖的MIMO 雷達(dá)，接收的第p 個(gè)脈沖可表示為：

其中，α（l，θ）為第l 個(gè)距離單元、角度θ 處目標(biāo)的復(fù)散射系數(shù)，fd為目標(biāo)歸一化數(shù)字多普勒頻率，a（θ）和b（θ）分別為發(fā)射和接收導(dǎo)向矢量，定義為

將來(lái)自NP個(gè)脈沖的所有信號(hào)表示成三階張量的形式

式（8）所示的三階張量模型也是一般陣列雷達(dá)的推廣形式，傳統(tǒng)的信號(hào)處理流程包括波束形成、脈沖壓縮、雜波抑制和目標(biāo)檢測(cè)。前三者的本質(zhì)都是基于相關(guān)原理實(shí)現(xiàn)對(duì)期望信號(hào)的相參積累，并抑制非相干信號(hào)，或者可以看作是一種變換的過(guò)程，即將信號(hào)從一種域變換到另一種緊湊或抽象的表征域中，如傅里葉變換、分?jǐn)?shù)階傅里葉變換等，這些變換的最終目的是為了更容易地實(shí)現(xiàn)分類(lèi)（檢測(cè)），而任何分類(lèi)器（檢測(cè)器）的性能必然會(huì)受到之前變換方法的影響。深度學(xué)習(xí)為這個(gè)問(wèn)題帶來(lái)不同的解決方案，不僅可以學(xué)習(xí)分類(lèi)器（檢測(cè)器），還可以直接從數(shù)據(jù)中學(xué)習(xí)所需要的變換。

2 基于三維卷積神經(jīng)網(wǎng)絡(luò)的MIMO 雷達(dá)一體化處理

本章構(gòu)建基于深度學(xué)習(xí)的多維目標(biāo)檢測(cè)框架，利用相關(guān)原理與卷積神經(jīng)網(wǎng)絡(luò)的相似性，搭建了基于深度三維卷積神經(jīng)網(wǎng)絡(luò)的多維一體化處理模型。

2.1 基于三維卷積神經(jīng)網(wǎng)絡(luò)的MIMO 雷達(dá)多維目標(biāo)檢測(cè)模型構(gòu)建

卷積神經(jīng)網(wǎng)絡(luò)是一種特殊的神經(jīng)網(wǎng)絡(luò)，由于其局部分層抽象表示的能力，在計(jì)算機(jī)視覺(jué)等領(lǐng)域取得了巨大的成功。卷積神經(jīng)網(wǎng)絡(luò)成功的關(guān)鍵設(shè)計(jì)思想有兩點(diǎn)：1）卷積神經(jīng)網(wǎng)絡(luò)充分利用了圖像的二維結(jié)構(gòu)，而圖像上相鄰像素之間一般都是高度相關(guān)的。此外卷積結(jié)構(gòu)依賴(lài)于特征共享，因此，每個(gè)通道是由相同的卷積核卷積得到的，這個(gè)結(jié)構(gòu)使得卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)量大大降低。2）卷積神經(jīng)網(wǎng)絡(luò)通過(guò)引入池化的步驟，使得網(wǎng)絡(luò)結(jié)構(gòu)對(duì)位置偏移具有穩(wěn)健性。同時(shí)，池化還允許網(wǎng)絡(luò)隨著深度的增加上獲得更大的視野。例如，在圖像目標(biāo)識(shí)別的過(guò)程中，卷積層逐層聚焦物體的邊緣、部分和整體。這兩點(diǎn)與基于相關(guān)原理雷達(dá)信號(hào)處理有很多相似性，如不同陣元、不同脈沖、不同快時(shí)間采樣的目標(biāo)信號(hào)之間一般也是高度相關(guān)的，卷積核與輸入互相卷積的本質(zhì)仍是相關(guān)操作，池化層的作用類(lèi)似于穩(wěn)健波束形成的作用。此外，深度神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線(xiàn)性映射能力為檢測(cè)具有更復(fù)雜特性的目標(biāo)提供了可能性，因此，可以利用深度三維卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)多維聯(lián)合目標(biāo)檢測(cè)。

基于深度三維卷積神經(jīng)網(wǎng)絡(luò)的MIMO 雷達(dá)多維目標(biāo)檢測(cè)模型如下頁(yè)圖1 所示，輸入為接收的三階張量。由于雷達(dá)接收的信號(hào)一般是經(jīng)過(guò)IQ 正交采樣的復(fù)信號(hào)，而一般神經(jīng)網(wǎng)絡(luò)只能處理實(shí)數(shù)，所以需要將輸入拆分為實(shí)部和虛部?jī)刹糠?，即輸入層的維度為。

圖1 基于深度三維卷積神經(jīng)網(wǎng)絡(luò)的MIMO 雷達(dá)多維目標(biāo)檢測(cè)模型Fig.1 MIMO radar multi-dimensional target detection model based on deep 3D convolutional neural network

隱含層包含多個(gè)卷積層、一個(gè)全連接層和一個(gè)Dropout 層，下面分別介紹各層的具體配置：

1）卷積層

每個(gè)卷積層由3 種運(yùn)算構(gòu)成，即卷積、池化和批歸一化運(yùn)算。三維卷積神經(jīng)網(wǎng)絡(luò)相對(duì)于二維卷積神經(jīng)網(wǎng)絡(luò)增加了一維深度信息，其卷積核是一個(gè)三階張量。三維卷積的過(guò)程如圖2 所示，圖中卷積核維度為2×2×2×1（第四維為通道），與輸入張量?jī)?nèi)積得到卷積輸出，卷積的計(jì)算如式（9）所示。

圖2 三維卷積Fig.2 Three dimensional convolution

其中，ol，m，n為在l，m，n 處的特征映射，f 為激活函數(shù)，wi，j，k為卷積核權(quán)重，為前一層的輸入值。卷積層1 與輸入層采用硬連接（hardwired）的方式，卷積核大小為NP×NR×NW×N1，其中，N1表示第1 層卷積核的數(shù)量。其余卷積層的卷積核都為3×3×3，以降低計(jì)算量和參數(shù)量。

每個(gè)卷積運(yùn)算后是池化運(yùn)算，池化運(yùn)算本質(zhì)是一個(gè)降采樣的操作，仿照的是人類(lèi)視覺(jué)對(duì)輸入降維和抽象的過(guò)程。池化的主要功能是保證特征不變形，降低特征維度，并具有防止過(guò)擬合的功能。常用的池化運(yùn)算有最大池化和平均池化兩種。

每個(gè)卷積層的最后一個(gè)運(yùn)算是批標(biāo)準(zhǔn)化（batch normalization，BN）運(yùn)算，批標(biāo)準(zhǔn)化是近年來(lái)深度學(xué)習(xí)領(lǐng)域的重要成果，很多成熟的網(wǎng)絡(luò)結(jié)構(gòu)中都有應(yīng)用。批標(biāo)準(zhǔn)化來(lái)源于圖像白化操作，早期的計(jì)算機(jī)視覺(jué)領(lǐng)域研究表明對(duì)輸入圖像進(jìn)行白化操作可以加快收斂速度。在深度神經(jīng)網(wǎng)絡(luò)中，隨著網(wǎng)絡(luò)的加深，每一層輸入的分布在發(fā)生偏移，激活函數(shù)常常工作在取值區(qū)間的極限飽和區(qū)，導(dǎo)致梯度消失，收斂變慢。因此，如果在神經(jīng)網(wǎng)絡(luò)的每一層都做歸一化處理，那么也可以加快訓(xùn)練收斂過(guò)程。批標(biāo)準(zhǔn)化運(yùn)算一般伴隨小批量隨機(jī)梯度下降方法（mini-batch SGD），計(jì)算過(guò)程如下

其中，NB為每個(gè)小批次的數(shù)據(jù)量，參數(shù)γ 和β 分別為尺度變換和平移變換參數(shù)，在訓(xùn)練的過(guò)程中更新，用于將變換后的數(shù)據(jù)再反變換回激活函數(shù)的非線(xiàn)性區(qū)間，其作用是平衡輸入到輸出的線(xiàn)性與非線(xiàn)性程度。xi是批標(biāo)準(zhǔn)化的輸入，其既可以是激活函數(shù)后的輸出，也可以是激活函數(shù)之前的線(xiàn)性變換結(jié)果。

2）全連接層與Dropout

將最后一個(gè)卷積層的輸出平鋪成NFC×1 的一維向量后連接至全連接層，全連接層再與同維度的Dropout 層連接。Dropout 層的作用同樣是為了防止過(guò)擬合，其基本原理是通過(guò)一定的概率p 隨機(jī)抑制一部分神經(jīng)元的輸出，使每次訓(xùn)練的網(wǎng)絡(luò)結(jié)構(gòu)不同，這相當(dāng)于對(duì)多個(gè)不同的神經(jīng)網(wǎng)絡(luò)取平均。由于不同的網(wǎng)絡(luò)會(huì)產(chǎn)生不同程度的過(guò)擬合，這樣多個(gè)網(wǎng)絡(luò)的平均會(huì)在整體上減少過(guò)擬合。

輸出層大小為L(zhǎng)NS×1 的向量，即對(duì)應(yīng)感興趣的L 個(gè)距離單元和NS 個(gè)空域單元。此時(shí)的問(wèn)題就轉(zhuǎn)化為機(jī)器學(xué)習(xí)里的多標(biāo)簽分類(lèi)問(wèn)題，由于輸出單元較多不便于分析模型的檢測(cè)概率和虛警概率，本文假設(shè)每個(gè)角度-距離單元只有一個(gè)目標(biāo)，輸出層僅考慮一個(gè)待檢測(cè)的角度—距離單元，即取L=NW，待檢測(cè)單元為第NW個(gè)距離單元。

2.2 深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練策略和檢驗(yàn)輸出

本文采用交叉熵作為損失函數(shù)，由于目標(biāo)在觀(guān)測(cè)空間中一般是非常稀疏的，有目標(biāo)的數(shù)據(jù)相對(duì)于無(wú)目標(biāo)的數(shù)據(jù)要少得多，即訓(xùn)練數(shù)據(jù)不平衡。數(shù)據(jù)不平衡會(huì)導(dǎo)致訓(xùn)練結(jié)果雖然準(zhǔn)確率很高，但是精確率很低，甚至可能會(huì)發(fā)生神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)全部趨向于0。為此，采用加權(quán)交叉熵?fù)p失函數(shù)，如下

其中，α 為加權(quán)系數(shù)。有目標(biāo)的數(shù)據(jù)少，則取α＞1。根據(jù)文獻(xiàn)［14］中關(guān)于神經(jīng)網(wǎng)絡(luò)滿(mǎn)足奈曼皮爾遜準(zhǔn)則的充分條件可得

3 仿真與分析

本章通過(guò)仿真構(gòu)建MIMO 雷達(dá)數(shù)據(jù)集用于模型訓(xùn)練和評(píng)估，MIMO 雷達(dá)仿真參數(shù)如表1 所示。最多30 個(gè)干擾目標(biāo)均勻分布于-30°～30°和0～39 號(hào)距離單元內(nèi)，目標(biāo)信噪比變化范圍為-40～40 dB，待檢測(cè)單元為第20 號(hào)距離單元和第31 號(hào)角度單元。

表1 MIMO 雷達(dá)系統(tǒng)參數(shù)Table 1 MIMO radar system parameters

3.1 超參數(shù)對(duì)模型訓(xùn)練的影響

基于三維卷積神經(jīng)網(wǎng)絡(luò)的MIMO 雷達(dá)檢測(cè)器含有較多超參數(shù)，如網(wǎng)絡(luò)層數(shù)、卷積核數(shù)量、卷積層輸出維度、Droupout 概率值和損失函數(shù)加權(quán)系數(shù)等，其中比較重要的是交叉熵?fù)p失函數(shù)的加權(quán)系數(shù)α，這里僅給出不同α 時(shí)的網(wǎng)絡(luò)訓(xùn)練和驗(yàn)證損失函數(shù)曲線(xiàn)，如圖3 所示。由圖可知，α 過(guò)小時(shí)，模型可以很快收斂，但此時(shí)的訓(xùn)練和驗(yàn)證損失都比較大，這是由于嚴(yán)重的數(shù)據(jù)不平衡問(wèn)題導(dǎo)致網(wǎng)絡(luò)輸出結(jié)果傾向于樣本數(shù)量較多的類(lèi)別，合理的加權(quán)值通過(guò)放大小樣本類(lèi)別的損失，可以緩解不平衡樣本的訓(xùn)練問(wèn)題。

圖3 不同α 值的訓(xùn)練與驗(yàn)證損失Fig.3 Training and validation losses for different values of α

3.2 檢測(cè)性能分析

通過(guò)ROC 曲線(xiàn)對(duì)比分析基于常規(guī)脈沖壓縮、波束形成、相參積累和目標(biāo)檢測(cè)級(jí)聯(lián)處理的方案與基于三維卷積神經(jīng)網(wǎng)絡(luò)的MIMO 雷達(dá)一體化處理的方案，其中，級(jí)聯(lián)方案的檢測(cè)器采用單元平均恒虛警檢測(cè)器，參考單元和保護(hù)單元數(shù)分別為16 和2。待檢測(cè)目標(biāo)位于第20 個(gè)距離單元，歸一化空間頻率和多普勒頻率都為0，信號(hào)信噪比定義為相對(duì)于全相參積累的信噪比增益。

3.2.1 單目標(biāo)環(huán)境

首先考慮單目標(biāo)時(shí)的性能差異，兩種處理方案ROC 曲線(xiàn)結(jié)果如圖4 所示。在單目標(biāo)環(huán)境下，常規(guī)級(jí)聯(lián)處理的單元平均恒虛警檢測(cè)器仍可看作是最優(yōu)檢測(cè)器，此時(shí)基于深度學(xué)習(xí)的檢測(cè)器與級(jí)聯(lián)處理的檢測(cè)結(jié)果相差不大。

圖4 單目標(biāo)時(shí)兩種處理方案的ROC 曲線(xiàn)Fig.4 ROC curves of two processing schemes for one single target

3.2.2 鄰近角度單元干擾目標(biāo)

考慮鄰近角度單元有一干擾目標(biāo)，干擾目標(biāo)的距離與待檢測(cè)目標(biāo)相同，角度為5°，多普勒頻率為0。兩種處理方案的性能曲線(xiàn)如圖5 所示，由于干擾目標(biāo)角度和距離旁瓣的影響，兩種處理方案的檢測(cè)性能都開(kāi)始下降，但是深度學(xué)習(xí)檢測(cè)器要明顯優(yōu)于常規(guī)級(jí)聯(lián)處理。

圖5 鄰近角度單元目標(biāo)干擾時(shí)的ROC 曲線(xiàn)Fig.5 ROC curves when adjacent angle cells exist interference targets

3.2.3 鄰近角度單元隨機(jī)干擾目標(biāo)

考慮鄰近干擾目標(biāo)的角度在-30°～30°隨機(jī)變化，且不等于0°，干擾目標(biāo)的距離與待檢測(cè)目標(biāo)相同，多普勒頻率為0。兩種處理方案的性能曲線(xiàn)如圖6 所示，常規(guī)級(jí)聯(lián)處理的性能?chē)?yán)重下降，深度學(xué)習(xí)檢測(cè)器雖也有下降，但是要顯著優(yōu)于前者。

圖6 干擾目標(biāo)角度隨機(jī)時(shí)的ROC 曲線(xiàn)Fig.6 ROC curves when interference targets angles are random

如果干擾目標(biāo)角度、距離、多普勒、數(shù)量、強(qiáng)度和雜波等因素都隨機(jī)變化時(shí)，常規(guī)基于模型驅(qū)動(dòng)的級(jí)聯(lián)處理方案的性能將進(jìn)一步下降，基于深度學(xué)習(xí)的多維數(shù)據(jù)驅(qū)動(dòng)方案，為應(yīng)對(duì)這種復(fù)雜情況提供了新的解決思路，可以在一定程度上降低對(duì)各種模型假設(shè)的要求。在實(shí)時(shí)性方面，盡管深度學(xué)習(xí)方法提供了一種革命性的數(shù)據(jù)驅(qū)動(dòng)方法，但這些方法具有顯著的計(jì)算復(fù)雜性。為便于統(tǒng)計(jì)分析深度學(xué)習(xí)方法與傳統(tǒng)方法的性能，本文在仿真中作了適當(dāng)?shù)南薅?，如陣元?shù)量、脈沖數(shù)量、目標(biāo)范圍等。近年來(lái)，由于功能強(qiáng)大的圖形處理單元（GPU）和張量處理器（TPU）的可用性，這些方法的實(shí)現(xiàn)成為可能，神經(jīng)網(wǎng)絡(luò)可利用其內(nèi)部的計(jì)算提高訓(xùn)練和預(yù)測(cè)的實(shí)時(shí)性。由于涉及的影響因素眾多，難以全面比較分析，本文僅是從仿真的角度，驗(yàn)證了深度學(xué)習(xí)對(duì)MIMO 雷達(dá)多維一體化處理的可行性和有效性，后續(xù)研究應(yīng)該從更高效的網(wǎng)絡(luò)結(jié)構(gòu)和與傳統(tǒng)方法相結(jié)合等角度考慮。

4 結(jié)論

傳統(tǒng)基于模型驅(qū)動(dòng)的級(jí)聯(lián)處理方法對(duì)模型假設(shè)依賴(lài)嚴(yán)重，如果數(shù)據(jù)與假設(shè)模型不符，則處理性將下降，為此，本文引入了基于深度學(xué)習(xí)的數(shù)據(jù)驅(qū)動(dòng)的方法，實(shí)現(xiàn)了MIMO 雷達(dá)多維一體化處理。構(gòu)建了基于三維卷積神經(jīng)網(wǎng)絡(luò)的MIMO 雷達(dá)多維一體化處理架構(gòu)，并評(píng)估了一體化處理相對(duì)于級(jí)聯(lián)處理的性能。實(shí)驗(yàn)結(jié)果表明基于深度學(xué)習(xí)的多維一體化處理的有效性。