基于深度学习的海上目标一维序列信号目标检测方法.pdf

在本篇文章中，苏宁远、陈小龙、关键、黄勇以及刘宁波联合撰写了题为《基于深度学习的海上目标一维序列信号目标检测方法》的论文，发表在《信号处理》杂志2020年第36卷第12期上。该论文针对当前海面目标检测方法的局限性，提出了一种基于深度学习技术的新型目标检测方法。这种方法不再依赖于传统统计理论和对背景统计特性的事先假设，从而提高了方法的泛化能力。 文章摘要介绍了基于信号预测和特征分类两个角度的方法。具体而言，文章采用了长短时记忆网络（LSTM）和卷积神经网络（CNN）来处理信号时间序列的幅度信息，进而应用于海上目标的一维序列雷达信号检测。LSTM网络擅长处理时间序列数据，适合于序列预测任务，而CNN则在图像识别等领域表现出色，特别适合于特征提取和分类任务。 LSTM序列预测的目标检测方法主要是通过用海杂波信号的时间序列对网络进行训练，以捕获信号中的时间依赖关系。训练完成后，网络会使用这些已学习的知识对新的信号序列进行预测，并与实测信号进行比较，从而实现目标检测。而基于CNN序列分类的目标检测方法则利用了截取的海杂波信号和目标信号的幅度序列作为样本数据集，训练一维卷积核的CNN网络，使其能够识别目标与杂波信号的特征差异。 该研究采用的实测数据包括IPIX和CSIR海杂波数据，这些数据用于验证提出的两种基于深度学习的方法。结果显示，两种方法均能有效检测出一维序列信号中的海面目标，但LSTM预测方法在处理长序列数据时实时性有待提升，而CNN分类方法虽然可以实现实时检测，但目前只考虑了信号的幅度信息，检测性能仍有提升空间。 关键词涉及了雷达目标检测、深度学习、卷积神经网络（CNN）、长短时记忆网络（LSTM）和海杂波。这些关键词反映了文章研究的核心领域以及采用的技术手段。 文章的研究具有重要的实践意义和应用价值，它推动了基于深度学习的海上目标检测技术的发展，特别是在不需事先假设背景统计特性的条件下，通过自适应地处理和分析雷达信号，为海面目标检测提供了新的思路和方法。这对于提高海洋监测和防御能力具有重要的指导意义，并且有助于促进深度学习技术在信号处理和目标检测领域的进一步应用和发展。