李發(fā)瑞，紀(jì)永剛,2*，任繼紅，程嘯宇，王心玲

（1. 中國(guó)石油大學(xué)（華東） 海洋與空間信息學(xué)院，山東 青島 266580；2. 自然資源部 海上絲路海洋資源環(huán)境組網(wǎng)觀測(cè)技術(shù)創(chuàng)新中心，山東 青島 266580）

高頻地波雷達(dá)（High-Frequency Surface Wave Radar, HFSWR）利用垂直極化高頻電磁波沿海面繞射的特性，可實(shí)現(xiàn)船只目標(biāo)大范圍、遠(yuǎn)距離、實(shí)時(shí)的探測(cè)（楊強(qiáng)等, 2000; Ji et al, 2022）。目前，用于船只目標(biāo)探測(cè)的高頻地波雷達(dá)大都是大型陣列系統(tǒng)，由于其陣列孔徑巨大，雷達(dá)場(chǎng)地尋址困難，限制了其推廣應(yīng)用。而小陣列的緊湊型高頻地波雷達(dá)由于天線陣列孔徑小、雷達(dá)功率低、系統(tǒng)占地小且電磁輻射低，是用于目標(biāo)檢測(cè)的地波雷達(dá)技術(shù)的重要發(fā)展趨勢(shì)之一。緊湊型高頻地波雷達(dá)不僅可以安裝在岸邊和海島（Anderson, 2013），還可以布設(shè)在船舶（Li et al, 1995）、浮標(biāo)（Gill et al, 1994）等移動(dòng)平臺(tái)上，進(jìn)一步擴(kuò)展了高頻地波雷達(dá)的探測(cè)范圍和應(yīng)用場(chǎng)景。

緊湊型高頻地波雷達(dá)天線陣列孔徑小且雷達(dá)功率低，導(dǎo)致船只目標(biāo)的回波信號(hào)減弱；而弱目標(biāo)的增多，不利于目標(biāo)檢測(cè)及后續(xù)的航跡跟蹤。通常情況下，基于距離-多普勒（Range-Doppler, RD）譜的恒虛警檢測(cè)（Constant False Alarm Rate, CFAR）方法（何友等, 1999; 梁建, 2014）及其改進(jìn)方法（公維春等, 2022）主要適用于大陣列的高頻地波雷達(dá)，當(dāng)其應(yīng)用于存在較多弱目標(biāo)信號(hào)的緊湊型高頻地波雷達(dá)時(shí)，會(huì)出現(xiàn)目標(biāo)檢測(cè)性能降低的情況。近年來(lái)，以同步提取變換（Synchroextracting Transform, SET）方法（Gang et al, 2017）為代表的時(shí)頻分析（Time-frequency Analysis, TFA）（Auger et al, 1995; Daubechies et al, 2011）方法憑借其對(duì)非平穩(wěn)信號(hào)和弱信號(hào)的良好檢測(cè)效果，逐漸成為雷達(dá)目標(biāo)檢測(cè)研究的熱點(diǎn)，并已應(yīng)用于地波雷達(dá)目標(biāo)檢測(cè)（嚴(yán)頌華等, 2006; 胡進(jìn)峰等, 2015; 劉亞春等, 2023）。在基于時(shí)頻分析的目標(biāo)檢測(cè)中，目標(biāo)脊線檢測(cè)是關(guān)鍵步驟，通?？刹捎脠D像處理（Cai et al, 2021）、貪婪算法（Yang et al, 2022）等方法來(lái)實(shí)現(xiàn)；但當(dāng)目標(biāo)時(shí)頻脊線受到雜波或其他強(qiáng)回波影響時(shí)，會(huì)出現(xiàn)脊線形變及斷裂等問(wèn)題，影響了基于時(shí)頻分析的目標(biāo)檢測(cè)效果。目前，如卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network, CNN）等神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)方法憑借其良好的特征提取功能以及泛化能力（Ren et al, 2017），已被成功應(yīng)用于地波雷達(dá)目標(biāo)檢測(cè)（Wu et al, 2021a; 2021b）。而且，深度學(xué)習(xí)方法也適合于就時(shí)頻分析得到的具有不同形狀特征的時(shí)頻脊線分類來(lái)實(shí)現(xiàn)目標(biāo)檢測(cè)，如Wang等（2022）提出了一種基于深度學(xué)習(xí)與時(shí)頻分析相結(jié)合的船載地波雷達(dá)海雜波內(nèi)目標(biāo)檢測(cè)方法，其研究思路是通過(guò)判別海雜波形狀來(lái)檢測(cè)有無(wú)目標(biāo)的存在，重點(diǎn)關(guān)注海雜波內(nèi)目標(biāo)檢測(cè)，沒(méi)有考慮雜波外及雜波附近的目標(biāo)檢測(cè)。

本文針對(duì)由于緊湊型高頻地波雷達(dá)弱目標(biāo)信號(hào)增多導(dǎo)致的目標(biāo)檢測(cè)性能降低的問(wèn)題，綜合時(shí)頻分析方法和深度學(xué)習(xí)方法，提出了一種基于同步提取變換-卷積神經(jīng)網(wǎng)絡(luò)（SET-CNN）的緊湊型地波雷達(dá)弱目標(biāo)檢測(cè)方法。文中第一部分給出了SET-CNN方法的流程和各部分步驟，第二部分通過(guò)仿真數(shù)據(jù)和實(shí)測(cè)數(shù)據(jù)驗(yàn)證了SET-CNN的目標(biāo)檢測(cè)效果。

1 同步提取變換-卷積神經(jīng)網(wǎng)絡(luò)方法

結(jié)合地波雷達(dá)目標(biāo)檢測(cè)的需求，給出了基于SET-CNN的緊湊型地波雷達(dá)弱目標(biāo)檢測(cè)方法的處理流程，如圖1所示。方法共分4個(gè)步驟：第一步，基于地波雷達(dá)時(shí)域數(shù)據(jù)，完成基于SET方法的時(shí)頻分析處理，獲得地波雷達(dá)時(shí)頻譜數(shù)據(jù)，其中各類信號(hào)表現(xiàn)為不同形狀的時(shí)頻脊線；第二步，根據(jù)時(shí)頻譜中脊線的不同形狀特征建立數(shù)據(jù)庫(kù)，主要包含受強(qiáng)回波影響的目標(biāo)、未受強(qiáng)回波影響的目標(biāo)和背景噪聲三類信號(hào)；第三步，搭建脊線提取和分類的CNN網(wǎng)絡(luò)結(jié)構(gòu)，并使用構(gòu)建的數(shù)據(jù)庫(kù)完成訓(xùn)練；第四步，通過(guò)對(duì)分類結(jié)果進(jìn)行后處理，完成船只目標(biāo)檢測(cè)。

圖1 SET-CNN方法流程Fig. 1 Flow diagram of SET-CNN method

1.1 基于SET的時(shí)頻分析處理

時(shí)頻分析處理的主要目的是得到適合于地波雷達(dá)目標(biāo)檢測(cè)的時(shí)頻譜。SET時(shí)頻處理是在短時(shí)傅里葉變換（Short-time Fourier Transform, STFT）的基礎(chǔ)上進(jìn)行后處理得到的，它通過(guò)抑制非中頻區(qū)域的能量分量提高時(shí)頻譜分辨率。SET方法的時(shí)頻Te(t,w)表示可定義為：

式中：t為時(shí)間；w為頻率；Ge(t,w)為STFT方法的時(shí)頻表示；δ(·)為克羅內(nèi)克函數(shù)；δ(w?w0(t,w))表示同步提取算子（Synchronous Extraction Operator, SEO），w0為純諧波信號(hào)模型sh=A·eiw0t的頻率，即中頻區(qū)域。SET方法的時(shí)頻表示通常也可寫(xiě)作：

從式（2）可以看出，SET只從中頻軌跡w=w0中提取時(shí)頻譜分量Ge(t,w)，而將其余的時(shí)頻譜分量去除。

在基于SET的地波雷達(dá)時(shí)頻譜中，雜波時(shí)頻脊線和目標(biāo)時(shí)頻脊線通常具有相似的形狀特征，這往往會(huì)導(dǎo)致出現(xiàn)誤檢現(xiàn)象。因此，為減少雜波信號(hào)對(duì)于目標(biāo)信號(hào)的影響，本文引入了可以有效抑制海雜波的信噪比方法（紀(jì)永剛等, 2015）。在使用信噪比方法過(guò)程中，需要選取合適的信號(hào)窗和噪聲窗，具體過(guò)程為：左右兩側(cè)一階譜區(qū)信號(hào)窗中心位置aL、aR分 別預(yù)設(shè)為和，其中，g為重力加速度，λ為雷達(dá)波長(zhǎng)（單位為MHz），表示海浪朝向雷達(dá)，則表示海浪遠(yuǎn)離雷達(dá)（梅曉東等, 2014），fc代表海流造成的多普勒頻率偏移，此處設(shè)置為0.02 Hz；左側(cè)一階譜區(qū)信號(hào)窗SL選取為右側(cè)一階譜區(qū)信號(hào)窗SR選取為[aR??f,a[R+?f]，?f為一階]譜能量擴(kuò)散影響范圍，為保[證合理性，此處]設(shè)置為0.01 Hz；左側(cè)噪聲窗NL選取為aL?k?f,aL+k?f?SL，右側(cè)噪聲窗NR選取為aR?k?f,aR+k?f?SR，k為噪聲窗與信號(hào)窗的寬度比，k的大小對(duì)一階譜邊界的確定影響較小，因此，本文中k選擇0.5，使噪聲窗與信號(hào)窗大小相同，則信噪比為：

令aL、aR、?f在限定的取值范圍中做循環(huán)，估計(jì)其最大信噪比，最大信噪比情況下的aL、aR分別為左右一階譜區(qū)的中心位置，?f為一階譜寬度。

設(shè)雜波抑制后的背景噪聲區(qū)域?yàn)镹(t,w)，則結(jié)合雜波抑制的SET為：

式（4）也可以寫(xiě)為：

為保證目標(biāo)回波能夠在檢測(cè)時(shí)間內(nèi)持續(xù)存在，截取時(shí)間長(zhǎng)度為3000個(gè)采樣周期的地波雷達(dá)時(shí)域數(shù)據(jù)，其中采樣周期（T）為0.128 s，選擇滑窗大小為469個(gè)采樣周期即t=469T，即t=60 s。同時(shí)，為更好地說(shuō)明海雜波區(qū)域劃分效果，給出其中間過(guò)程STFT的時(shí)頻譜（圖2a），并將海雜波區(qū)域劃分結(jié)果在基于SET的時(shí)頻譜上展示（圖2b），可見(jiàn)海雜波時(shí)頻脊線成功位于雜波區(qū)域劃分結(jié)果中。

圖2 基于信噪比方法的海雜波區(qū)域劃定效果Fig. 2 The extracted sea clutter regions by signal-to-noise ratio method

另外，考慮到在SET處理后的時(shí)頻譜上，大部分目標(biāo)時(shí)頻脊線占據(jù)一個(gè)多普勒單元格，而較弱的目標(biāo)可能占據(jù)多個(gè)多普勒單元格，為后續(xù)數(shù)據(jù)庫(kù)構(gòu)建增加了困難。因此，需要對(duì)時(shí)頻脊線進(jìn)行細(xì)化處理，使每條時(shí)頻脊線在多普勒維度只占據(jù)一個(gè)單元，以確保相同類型的目標(biāo)樣本具有一致的脊線特征。其中，細(xì)化處理采用的方法是抑制中頻區(qū)域w0處的非極值分量。

1.2 時(shí)頻脊線數(shù)據(jù)庫(kù)構(gòu)建

時(shí)頻脊線數(shù)據(jù)庫(kù)是基于上一步驟中的SET處理結(jié)果進(jìn)行構(gòu)建的，樣本分為3類（圖3）：第一類是未受強(qiáng)回波影響的目標(biāo)，其特點(diǎn)是由于該目標(biāo)具有平穩(wěn)的信號(hào)輸入，表現(xiàn)為一條較為平滑的曲線（圖3a）；第二類是受強(qiáng)回波影響的目標(biāo)，具有獨(dú)特的形狀特征，表現(xiàn)為圓弧狀的曲線（圖3b）；第三類是背景噪聲，具有混沌特性，表現(xiàn)為不規(guī)則的曲線（圖3c）。

圖3 不同形狀特征的目標(biāo)時(shí)頻脊線和背景噪聲時(shí)頻脊線Fig. 3 Morphological characteristics of target and noise time-frequency ridges

在本文中，基于包含3類樣本的實(shí)測(cè)數(shù)據(jù)進(jìn)行數(shù)據(jù)庫(kù)構(gòu)建，數(shù)據(jù)庫(kù)包含1000個(gè)未受強(qiáng)回波影響的目標(biāo)實(shí)例，1000個(gè)受強(qiáng)回波影響的目標(biāo)實(shí)例，1000個(gè)背景噪聲實(shí)例。為保證樣本大小的合理性，在樣本窗口大小選取方面應(yīng)保證每個(gè)樣本中只存在一個(gè)目標(biāo)時(shí)頻脊線，因此，樣本的時(shí)間維度窗口大小選擇200個(gè)采樣周期單元，多普勒維度窗口大小選擇20個(gè)單元。

此外，相對(duì)于未受強(qiáng)回波影響的目標(biāo)和背景噪聲，受強(qiáng)回波影響的目標(biāo)的時(shí)頻脊線具有較特殊的形狀特征，且還未有相關(guān)研究。為進(jìn)一步驗(yàn)證這一類信號(hào)的形狀特征，除給出實(shí)測(cè)個(gè)例外，還進(jìn)行了受強(qiáng)回波影響的目標(biāo)的時(shí)頻分析處理（圖4），結(jié)果表明，7 m/s處的時(shí)頻脊線為受強(qiáng)回波影響的目標(biāo)，可以看出仿真結(jié)果與實(shí)測(cè)數(shù)據(jù)基本一致。

圖4 時(shí)頻分析中相鄰目標(biāo)示意圖Fig. 4 Schematic diagram of adjacent targets in time-frequency analysis

1.3 基于CNN的脊線提取和分類

在脊線提取過(guò)程中，由于CNN對(duì)圖像形狀特征較為敏感，能夠提供更好的脊線分類效果。同時(shí)考慮到輸入特征的尺寸較小，且為了減少卷積層和池化層數(shù)目，本文選擇CNN中的AlexNet網(wǎng)絡(luò)（Krizhevsky et al, 2012）結(jié)構(gòu)，對(duì)時(shí)頻譜樣本進(jìn)行分類。搭建的基于CNN的脊線提取網(wǎng)絡(luò)結(jié)構(gòu)圖如圖5所示。

圖5 基于CNN的脊線提取網(wǎng)絡(luò)結(jié)構(gòu)Fig. 5 Network structure of ridge extraction by CNN method

在網(wǎng)絡(luò)的最后一層，使用了常用來(lái)解決樣本多分類問(wèn)題的Softmax函數(shù)：

式中：x為輸出向量；j為當(dāng)前需要計(jì)算的類別；xi為x中第i個(gè)節(jié)點(diǎn)的輸出值；n為神經(jīng)網(wǎng)絡(luò)的輸出類別個(gè)數(shù)。則分類目標(biāo)損失函數(shù)為：

在構(gòu)建好網(wǎng)絡(luò)結(jié)構(gòu)后，使用1.2節(jié)中的數(shù)據(jù)庫(kù)進(jìn)行訓(xùn)練、測(cè)試，其中，訓(xùn)練集和測(cè)試集的劃分比例為7∶3。在訓(xùn)練70輪后，模型的測(cè)試正確率為82.4%，損失函數(shù)值隨著迭代次數(shù)的增加而降低（圖6），可滿足目標(biāo)時(shí)頻脊線分類的需求。

圖6 多次迭代下的損失函數(shù)Fig. 6 Loss function under multiple iterations

為了驗(yàn)證搭建的CNN網(wǎng)絡(luò)的正確性，分別利用CNN、徑向基函數(shù)（Radial Basis Function,RBF）神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network, ANN）提取時(shí)頻脊線。其中，輸入了841個(gè)時(shí)頻脊線樣本，CNN可以正確分類712個(gè)，而RBF、ANN的正確分類數(shù)量分別為629個(gè)和596個(gè)，可以看出，本文選擇的深度學(xué)習(xí)方法對(duì)時(shí)頻脊線分類具有明顯優(yōu)勢(shì)，詳細(xì)的分類正確率對(duì)比如表1所示。

表1 CNN與RBF、ANN的分類正確率對(duì)比Table 1 Comparison of classification accuracy between CNN with RBF and ANN

1.4 基于分類結(jié)果的后處理

基于分類結(jié)果的后處理詳細(xì)過(guò)程為：首先，確定存在目標(biāo)的多普勒速度范圍；然后，精確船只目標(biāo)的唯一速度值。針對(duì)目標(biāo)可能存在的多普勒速度范圍，我們通常認(rèn)為當(dāng)某一多普勒速度范圍處未受強(qiáng)回波影響的目標(biāo)樣本數(shù)量超過(guò)閾值N1，或受強(qiáng)回波影響的目標(biāo)樣本數(shù)量超過(guò)閾值N2時(shí)，便可認(rèn)為該速度處存在目標(biāo)。由于遠(yuǎn)距離的目標(biāo)回波會(huì)受到更多的傳播衰減和散射，回波能量通常較小，容易受背景噪聲影響，因此需要根據(jù)實(shí)際情況來(lái)調(diào)整閾值。閾值N1、N2具體定義如下：

式中：k1、k2∈[?1,1]；R為目標(biāo)所處距離單元；Tinit1為未受強(qiáng)回波影響的目標(biāo)初始閾值；Tinit2為受強(qiáng)回波影響的目標(biāo)初始閾值。

此時(shí)，CNN檢測(cè)出的目標(biāo)速度是樣本對(duì)應(yīng)的面區(qū)域速度，為了更好地定位目標(biāo)位置，需要進(jìn)一步確定船只目標(biāo)的唯一速度。對(duì)于在相同相干積累時(shí)間快速傅里葉變換下的RD譜，樣本對(duì)應(yīng)區(qū)域表現(xiàn)為某一距離處的連續(xù)速度面區(qū)域。當(dāng)某一面區(qū)域?qū)?yīng)的時(shí)頻譜中，目標(biāo)樣本數(shù)量超過(guò)閾值時(shí)，檢測(cè)出此面區(qū)域的極值點(diǎn)，極值點(diǎn)速度便是目標(biāo)的唯一速度。為更好地說(shuō)明本文提出的目標(biāo)檢測(cè)方法流程，本文提供了SET-CNN方法的偽代碼：

輸入

按距離劃分的地波雷達(dá)時(shí)域數(shù)據(jù)集Tri={Tr1,Tr2,...,TrN}，表示第i個(gè)距離單元的時(shí)域數(shù)據(jù)，其中i={1,2,3,...,N}，距離分辨率為2.5 km。

輸出

目標(biāo)距離，速度{Rt,Vt}

2 方法驗(yàn)證

2.1 基于仿真數(shù)據(jù)的方法驗(yàn)證

為了驗(yàn)證本文方法的目標(biāo)檢測(cè)能力，分析了未受強(qiáng)回波影響和受強(qiáng)回波影響的弱目標(biāo)特性，進(jìn)行了仿真與基于本文方法的檢測(cè)，結(jié)果分別如圖7和圖8所示（下文中將保留了CNN脊線樣本框的檢測(cè)結(jié)果和僅保留目標(biāo)信息的結(jié)果分別簡(jiǎn)稱為檢測(cè)結(jié)果和保留結(jié)果）。在仿真過(guò)程中，使用了與實(shí)際緊湊型地波雷達(dá)硬件系統(tǒng)相同的配置參數(shù)：雷達(dá)頻率為4.7 MHz，帶寬為60 kHz，掃頻周期為0.128 s，兩類目標(biāo)的SNR均為8 dB。仿真過(guò)程中選取的SET-CNN方法參數(shù)為：時(shí)域數(shù)據(jù)選取長(zhǎng)度為384 s，時(shí)頻分析滑窗的窗口長(zhǎng)度為60 s，未受強(qiáng)回波影響的目標(biāo)初始閾值Tinit1為14，受強(qiáng)回波影響的目標(biāo)初始閾值Tinit2為12，k1和k2均為?1。

圖7 未受強(qiáng)回波影響的弱目標(biāo)的仿真與檢測(cè)結(jié)果Fig. 7 The simulation and detection results for weak targets unaffected by strong echoes

圖8 受強(qiáng)回波影響的弱目標(biāo)的仿真與檢測(cè)結(jié)果Fig. 8 The simulation and detection results for weak targets affected by strong echoes

由圖7c和圖7d可知，未受強(qiáng)回波影響的弱目標(biāo)由于能量較弱，容易受背景噪聲影響，時(shí)頻脊線表現(xiàn)為一條彎曲的連續(xù)線段。而從圖8中可以看出，受強(qiáng)回波影響的弱目標(biāo)時(shí)頻脊線表現(xiàn)為圓弧狀的非連續(xù)時(shí)頻脊線。此時(shí)，基于本文方法的時(shí)頻脊線檢測(cè)結(jié)果與圖7b、圖8b的仿真弱目標(biāo)位置一致，可知，本文方法可以準(zhǔn)確實(shí)現(xiàn)對(duì)兩類弱目標(biāo)的檢測(cè)。

考慮到目標(biāo)會(huì)處于不同的背景噪聲環(huán)境中，故分析不同信噪比情況下的方法檢測(cè)性能。兩類目標(biāo)在信噪比SNR為?20、?10、0和10 dB的仿真結(jié)果，以及基于本文方法的檢測(cè)結(jié)果如圖9所示，其中，未受強(qiáng)回波影響的目標(biāo)速度為3.5 m/s，而受強(qiáng)回波影響的目標(biāo)速度為5 m/s。從圖9a和圖9e中可以看出，在SNR=?20 dB的情況下，較弱的目標(biāo)被遮蔽，難以形成獨(dú)立的時(shí)頻脊線，此時(shí)本文方法只能檢測(cè)出能量較強(qiáng)的目標(biāo)時(shí)頻脊線；而當(dāng)SNR≥?10 dB時(shí)，兩類目標(biāo)在時(shí)頻譜上均可形成獨(dú)立的時(shí)頻脊線，此時(shí)本文方法可以實(shí)現(xiàn)兩類目標(biāo)時(shí)頻脊線的有效檢測(cè)。

圖9 提出方法對(duì)不同信噪比下仿真目標(biāo)的檢測(cè)效果Fig. 9 The detection effect of the proposed method on simulated targets under different SNR

2.2 基于實(shí)測(cè)數(shù)據(jù)的方法驗(yàn)證

實(shí)測(cè)驗(yàn)證數(shù)據(jù)來(lái)自2021年7月在青島周邊海域開(kāi)展的緊湊型地波雷達(dá)海上實(shí)驗(yàn)，高頻雷達(dá)系統(tǒng)配置參數(shù)和目標(biāo)檢測(cè)方法中所需參數(shù)與仿真參數(shù)一致。為評(píng)價(jià)方法的檢測(cè)性能，采用同步獲取的船舶自動(dòng)識(shí)別系統(tǒng)（Automatic Identification System, AIS）數(shù)據(jù)作為真實(shí)船只目標(biāo)數(shù)據(jù)。

基于本文方法、CA-CFAR方法和貪婪算法在RD譜上的檢測(cè)結(jié)果（圖10），對(duì)3種方法進(jìn)行比較分析。對(duì)于大部分具有較高SNR（≥10 dB）的目標(biāo)，如圖中目標(biāo)1、目標(biāo)2和目標(biāo)3，3種方法均可實(shí)現(xiàn)有效檢測(cè)；對(duì)于SNR＜10 dB的弱目標(biāo)，本文方法漏檢較少，而CA-CFAR方法卻難以實(shí)現(xiàn)有效的檢測(cè)，例如圖中目標(biāo)4，此時(shí)目標(biāo)點(diǎn)能量較弱，且周圍參考單元能量與目標(biāo)點(diǎn)能量接近，導(dǎo)致依賴能量幅值的CA-CFAR方法出現(xiàn)了漏檢現(xiàn)象。另外，貪婪算法雖然可以實(shí)現(xiàn)大部分弱目標(biāo)的有效檢測(cè)，但卻出現(xiàn)了較高的誤檢率，相比于貪婪算法，本文方法可以有效減少誤檢目標(biāo)的個(gè)數(shù)。

圖10 RD譜不同方法的檢測(cè)結(jié)果對(duì)比Fig. 10 Comparison of the detection effect of different methods in RD spectrum

為進(jìn)一步分析本文方法的檢測(cè)效果，給出了實(shí)測(cè)目標(biāo)個(gè)例的脊線檢測(cè)和保留結(jié)果，結(jié)果如圖11所示，其中目標(biāo)2與目標(biāo)3處在同一距離單元處，經(jīng)過(guò)SET時(shí)頻處理后，兩者位于同一張時(shí)頻譜中。同時(shí)，為了說(shuō)明本文方法對(duì)弱目標(biāo)的檢測(cè)能力，給出了本文方法對(duì)目標(biāo)4的時(shí)頻脊線檢測(cè)和保留結(jié)果（圖12）。

圖12 提出方法對(duì)實(shí)測(cè)弱目標(biāo)的檢測(cè)效果Fig. 12 Detection effect of the proposed method on real measured weak targets

從圖12b中可以看出，2 m/s處MMSI為“667001735”的AIS數(shù)據(jù)對(duì)應(yīng)的弱目標(biāo)，由于受到周圍強(qiáng)噪聲影響，其時(shí)頻脊線呈現(xiàn)出形變、斷裂的形狀特征，但本文方法仍可以準(zhǔn)確檢測(cè)其位置，也進(jìn)一步驗(yàn)證了本文方法對(duì)弱目標(biāo)的檢測(cè)能力。此外，從保留結(jié)果中可以發(fā)現(xiàn)10 m/s處總是存在一條時(shí)頻脊線被誤檢為目標(biāo)，結(jié)合RD譜分析可知，這是由射頻干擾影響造成的。

在實(shí)測(cè)數(shù)據(jù)的基礎(chǔ)上，為進(jìn)一步說(shuō)明本文方法適合于緊湊型地波雷達(dá)目標(biāo)檢測(cè)，進(jìn)行了本文方法與其他2種方法的檢測(cè)率（Probability of Detection, PD）和誤檢率（False Alarm Rate, FAR）（Li et al, 2021）對(duì)比（分辨率為1%）。從對(duì)比結(jié)果中（表2）看出，CA-CFAR方法表現(xiàn)出較低的誤檢率，但檢測(cè)率低于其他2種方法；貪婪算法憑借其對(duì)弱目標(biāo)的良好檢測(cè)效果，擁有較高的檢測(cè)率，但這是以犧牲誤檢率為代價(jià)的，會(huì)導(dǎo)致過(guò)多的虛假檢測(cè)；本文方法在擁有幾乎與貪婪算法相同的檢測(cè)率下，誤檢率仍能保持在一個(gè)較低的水平，從而實(shí)現(xiàn)對(duì)大部分目標(biāo)的有效檢測(cè)。

表2 不同目標(biāo)檢測(cè)方法的性能對(duì)比Table 2 Performance comparison of different target detection methods

3 結(jié)語(yǔ)

針對(duì)緊湊型地波雷達(dá)弱目標(biāo)難以檢測(cè)的問(wèn)題，本文提出了一種基于SET-CNN的緊湊型地波雷達(dá)弱目標(biāo)檢測(cè)方法。首先，通過(guò)使用SET方法獲得了地波雷達(dá)回波信號(hào)的時(shí)頻譜，并根據(jù)時(shí)頻脊線形狀特征完成數(shù)據(jù)庫(kù)的構(gòu)建，其中樣本分為三類，分別為：呈平滑直線狀的未受強(qiáng)回波影響的目標(biāo)、呈圓弧狀的受強(qiáng)回波影響的目標(biāo)和呈不規(guī)則曲線狀的背景噪聲。然后，搭建適合于時(shí)頻脊線樣本分類的CNN的網(wǎng)絡(luò)結(jié)構(gòu)并進(jìn)行訓(xùn)練，得到時(shí)頻脊線分類模型。最后，利用該模型得到分類結(jié)果，并經(jīng)過(guò)后處理實(shí)現(xiàn)目標(biāo)檢測(cè)。結(jié)合仿真與實(shí)測(cè)數(shù)據(jù)，證明了本文提出的目標(biāo)檢測(cè)方法可有效提高緊湊型地波雷達(dá)目標(biāo)檢測(cè)的能力，尤其針對(duì)弱目標(biāo)，具有更好的檢測(cè)性能。