(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211495735.7 (22)申请日 2022.11.28 (71)申请人 南京航空航天大 学 地址 211100 江苏省南京市江宁区将军路 29号 (72)发明人 皮德常　陈志炜　徐悦　 (74)专利代理 机构 北京高沃 律师事务所 1 1569 专利代理师 万慧华 (51)Int.Cl. G01S 7/41(2006.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于深度学习的雷达回波检测方法、 系统、 设备及介质 (57)摘要 本发明公开了一种基于深度学习的雷达回 波检测方法、 系统、 设备及介质， 涉及雷达回波检 测领域。 该方法包括： 获取待测目标的雷达回波 数据； 利用雷达回波检测模型对待测目标的雷达 回波数据进行检测， 得到待测目标的速度和距离 方位； 其中， 雷达回波检测模型包括串联连接的 特征提取模块和目标检测模块； 特征提取模块包 括卷积神经网络特征提取子模块、 结合软注意力 机制的自编码器杂波抑制子模块和特征融合子 模块。 本发明能够提高对 “低小慢”目标雷达回波 检测的准确性和适用性。 权利要求书3页 说明书10页 附图4页 CN 115542282 A 2022.12.30 CN 115542282 A 1.一种基于深度学习的雷达回波检测方法， 其特 征在于， 所述方法包括： 获取待测目标的雷达回波数据； 利用雷达回波检测模型对所述待测目标的雷达回波数据进行检测， 得到所述待测目标 的速度和距离方位； 其中， 所述雷达回波检测模型包括串联连接的特征提取模块和目标检测模块； 所述特 征提取模块包括卷积神经网络特征提取子模块、 结合软注意力机制的自编 码器杂波抑制子 模块和特征融合子模块； 所述卷积神经网络特征提取子模块和所述自编码器杂波抑制子模 块均与所述特 征融合子模块连接； 所述特 征融合子模块与所述目标检测模块连接； 所述卷积神经网络特征提取子模块用于对输入的待测目标的雷达回波数据进行卷积 处理， 得到第一待测特 征张量； 所述自编码器杂波抑制子模块用于对输入的待测目标的雷达回波数据进行编码压缩 和解码重构处 理， 得到第二待测特 征张量； 所述特征融合子模块用于 融合所述第 一待测特征张量和所述第 二待测特征张量， 得到 融合待测特 征张量； 所述目标检测模块用于根据所述融合待测特征张量确定所述待测目标的速度和距离 方位。 2.根据权利要求1所述的基于深度学习的雷达回波检测方法， 其特征在于， 所述雷达回 波检测模型的确定方法， 具体包括： 获取训练数据集； 所述训练数据集包括雷达回波数据样本和对应的样本目标的真实速 度和真实距离方位； 构建初始神经网络模型； 所述初始神经网络模型包括串联连接的特征提取网络和目标 检测网络； 所述特征提取网络包括第一卷积神经网络、 结合软注意力机制的自编码器网络 和特征融合网络； 所述第一卷积神经网络和所述自编码器网络均与所述特征融合网络连 接； 所述特 征融合网络与所述目标检测网络连接； 将所述雷达回波数据样本输入至所述第 一卷积神经网络中进行卷积处理， 得到第 一样 本特征张量； 将所述雷达回波数据样本输入至所述自编码器网络 中进行编码压缩和解码重构处理， 得到第二样本特 征张量； 将所述第一样本特征张量和所述第二样本特征张量输入至所述特征融合网络中进行 融合， 得到融合样本特 征张量； 将所述融合样本特征张量输入至目标检测网络 中， 得到所述样本目标的预测速度和预 测距离方位； 根据所述预测距离方位和所述真实距离方位确定目标距离方位损失值； 根据所述预测速度和所述真实速度确定目标速度损失值； 以所述目标距离方位损失值和所述目标速度损失值的加权和最小为目标， 对所述初始 神经网络模型 的参数进行优化调整， 得到训练好的初始神经网络模型； 所述 目标距离方位 损失值和所述目标速度损失值的权 重是采用变异系数加权方法确定的； 将训练好的初始神经网络模型中的特征提取网络确定为所述雷达回波检测模型的特 征提取模块；权　利　要　求　书 1/3 页 2 CN 115542282 A 2将训练好的初始神经网络模型中的目标检测网络确定为所述雷达回波检测模型的目 标检测模块。 3.根据权利要求2所述的基于深度学习的雷达回波检测方法， 其特征在于， 所述目标距 离方位损失值的计算公式为： ； 其中，Lossrange为目标距离方位损失值， n为训练数据 集中的雷达回波数据样本总数， xi 为第i个雷达回波数据样本， f1(xi)为第i个雷达回波数据样本对应的预测距离方位， y1,i为 第i个雷达回波数据样本对应的真实距离方位。 4.根据权利要求2所述的基于深度学习的雷达回波检测方法， 其特征在于， 所述目标速 度损失值的计算公式为： ； 其中，Lossvelocity为目标速度损失值， n为训练数据集中的雷达回波数据样本总数， xi为 第i个雷达回波数据样本， f2(xi)为第i个雷达回波数据样本对应的预测速度， y2,i为第i个雷 达回波数据样本对应的真实速度。 5.根据权利要求2所述的基于深度学习的雷达回波检测方法， 其特征在于， 所述目标距 离方位损失值和所述目标速度损失值的权 重的计算公式为： ； 其中， 为第t个训练轮次下， 第 l项任务损失值的权重； 为第t个训练轮次下， 第 l项任务损失值的方差； 为第t个训练轮次下， 第 l项任务损失值的相对标准偏差； 为第t个训练轮次下， 第 l项任务损失值的均值； m为任务总项数， 且 m=2， 其中， 第1项任务为 目标距离方位检测， 第2项任务为目标速度检测； w1,t为第t个训练轮次下的目标距离方位损 失值的权 重，w2,t为第t个训练轮次下的目标速度损失值的权 重。 6.根据权利要求1所述的基于深度学习的雷达回波检测方法， 其特征在于， 所述目标检 测模块包括卷积神经网络目标检测子模块和全连接层目标检测子模块； 所述卷积神经网络 目标检测子模块分别与所述特 征融合子模块和所述全连接层目标检测子模块连接； 所述卷积神经网络目标检测子模块用于对所述融合待测特征张量进行卷积处理， 得到 第三待测特 征张量； 所述全连接层 目标检测子模块用于根据所述第三待测特征张量确定所述待测目标的 速度和距离方位。 7.一种基于深度学习的雷达回波检测系统， 其特 征在于， 所述系统包括：权　利　要　求　书 2/3 页 3 CN 115542282 A 3