基于特征学习的外辐射源雷达低可观测目标检测方法研究

With the opening of low altitude, the explosive growth of the typical low-observable target, consumer grade UAV, poses a serious threat to aviation safety, social security and public safety. Passive radar (PR) is a bistatic (multistatic) radar system which makes use of third party illuminators. It can detect low-observable targets efficiently. Meanwhile, the clutter in passive radar is complicated and usually shows the non-Gaussian feature. In this project, deep learning is utilized to fully explore essential features of clutter and target, such as high-order statistics of clutter and micro-Doppler of target. We will reveal the essence of the underlying mathematical structure of deep learning and establish robust and efficient detection algorithms based on feature learning tailed for the low-observable target. The key problems are as follows: (1) the PR target detection method based on feature learning in the background of non-Gaussian clutter with the presence of reference channel; (2) the PR target detection method based on feature learning in the background of non-Gaussian clutter without the presence of reference channel; (3) theory and method of deep learning geometry invariance for PR small target detection. The proposed project is highly innovative and incorporates many fields such as signal processing and image processing. It has important scientific significance in small target detection algorithms based on feature learning and also speeds up the engineering application of passive radar.

随着低空开放不断推进，典型低可观测目标——消费级无人机呈现爆发式增长，给航空安全、社会安全和公众安全带来严重威胁。外辐射源雷达是一种利用第三方发射电磁信号的双/多基地雷达系统，可有效探测该类低可观测目标。同时，外辐射源雷达杂波更复杂，通常呈现非高斯特性。本项目拟利用深度学习充分挖掘杂波高阶统计特性及目标微多普勒等精细特征，探索杂波和目标的本质特征差异，揭示深度学习底层结构的数学实质，创建基于特征学习的低可观测目标鲁棒高效检测算法。重点研究：（1）存在参考通道时非高斯杂波区外辐射源雷达目标检测的特征学习方法；（2）不存在参考通道时非高斯杂波区外辐射源雷达目标检测的特征学习方法；（3）面向外辐射源雷达小尺寸目标检测的深度学习几何不变性理论与方法。拟研究的问题创新性强，融合了信号处理、图像处理等领域，在基于特征学习的小尺寸目标检测算法方面有重要的科学意义，同时也利于加速外辐射源雷达的工程化应用。

随着低空开放不断推进，典型低可观测目标——消费级无人机呈现爆发式增长，给航空安全、社会安全和公众安全带来严重威胁。外辐射源雷达是一种利用第三方发射电磁信号的双/多基地雷达系统，可有效探测该类低可观测目标。同时，外辐射源雷达杂波更复杂，通常呈现非高斯特性。本项目拟利用深度学习技术研究外辐射源雷达低可观测目标检测问题。由于未能获取有效的外辐射源雷达实验数据，我们目前仅针对杂波中目标检测问题进行了理论层面的研究。为了深入探索深度学习技术的应用前景，我们充分利用可获取的数据资源设计不同的深度学习框架，包括工业疏浚数据和人脸表情识别数据。我们取得的主要成果如下：.1）针对杂波中低可观测目标检测问题，建立更具一般性的二元检验模型，提出扩展模型下的广义似然比检测器，扩展检测器性能优于常规广义似然比检测器，并给出使所提检测器性能最优的实现算法，有利于外辐射源雷达走向应用；.2）具体针对耙吸式挖泥船的疏浚过程进行建模，提出了两步建模方法，给出结合专家知识的具有可解释性的学习结果，提出可提升疏浚效率的操作建议；.3）针对宏观表情中非实验室数据集识别性能不理想问题、微观表情识别性能有待提高以及表情数据集类别不平衡问题等问题，建立基于图卷积网络的深度学习分类框架，分别设计提高宏观和微观表情识别性能的网络结构，该项工作可应用于当今热门的人机交互领域。.我们在本项目的支持下，发表SCI论文3篇，EI论文3篇，申请发明专利2项。