雷达是一种通过电磁波探测物体的电子设备。其主要包括:发射机、发射天线、接收机、接收天线以及信号处理部分。发射机通过发射天线,将电磁波向外发射,在某方向上与物体发生碰撞,电磁波发生反射,反射回波则被接收天线和接收设备接收,传至信号处理部分进行分析。该过程能够有效提取物体距雷达的距离、物体径向运动速度等信息。并且这些信息能够满足许多应用场景的需求。例如,在军事方面,其根据雷达所实现的功能不同,可分为预警雷达[1–3]、搜索警戒雷达[4–6]、导航雷达[7–9]以及防撞和敌我识别雷达等等。在社会科学发展方面,雷达可应用于气象预报[10–12]、资源探测[13–15]、环境监测[16–18]等。鉴于雷达的广泛应用场景,对雷达信号处理的研究就显得至关重要。
近些年,深度学习成为各个领域的研究热点,且在雷达领域同样如此。本文主要介绍通过深度学习方法对不同形式雷达数据进行处理的研究情况,整体框架如图1所示。经过调研发现,针对不同雷达成像原理以及信号处理方法,可获得不同形式的雷达数据。例如,合成孔径雷达(Synthetic Aperture Radar, SAR)图像[19–24]、高分辨距离像(High Range Resolution Profiles, HRRP)[25–28]、微多普勒(Micro-Doppler)谱图[29–32]以及距离多普勒(Range-Doppler, R-D)[33–36]谱图等。本文则主要针对上述可获取的雷达数据进行深度学习方法处理。其中,深度学习在SAR图像处理领域已得到广泛应用,典型应用的网络包括卷积神经网络(Convolutional Neural Network, CNN)[37]、稀疏自编码器(Sparse AutoEncoder, SAE)[38]以及深度置信网络(Deep Belief Network, DBN)[39]等等。其中,由于CNN在图像处理中具有明显优势,因此,基于CNN的SAR图像处理应用最为广泛。本文同时介绍了通过上述3类网络以及其他深度学习方法对HRRP, Micro-Doppler特征, R-D谱图等雷达数据进行处理的研究近况。
雷达是一种通过电磁波探测物体的电子设备。 其主要包括:发射机、发射天线、接收机、接收天 线以及信号处理部分。发射机通过发射天线,将电 磁波向外发射,在某方向上与物体发生碰撞,电磁 波发生反射,反射回波则被接收天线和接收设备接 收,传至信号处理部分进行分析。该过程能够有效 提取物体距雷达的距离、物体径向运动速度等信 息。并且这些信息能够满足许多应用场景的需求。 例如,在军事方面,其根据雷达所实现的功能不 同,可分为预警雷达[1–3]、搜索警戒雷达[4–6]、导航 雷达[7–9]以及防撞和敌我识别雷达等等。在社会科 学发展方面,雷达可应用于气象预报[10–12]、资源探 测[13–15]、环境监测[16–18]等。鉴于雷达的广泛应用场 景,对雷达信号处理的研究就显得至关重要。 近些年,深度学习成为各个领域的研究热点, 且在雷达领域同样如此。本文主要介绍通过深度学 习方法对不同形式雷达数据进行处理的研究情况, 整体框架如图1所示。经过调研发现,针对不同雷 达成像原理以及信号处理方法,可获得不同形式的雷达数据。例如,合成孔径雷达(Synthetic Aperture Radar, SAR)图像[ 19 – 24 ]、高分辨距离像(High Range Resolution Profiles, HRRP)[25–28]、微多普勒 (Micro-Doppler)谱图[29–32]以及距离多普勒(RangeDoppler, R-D)[33–36]谱图等。本文则主要针对上述 可获取的雷达数据进行深度学习方法处理。其中, 深度学习在SAR图像处理领域已得到广泛应用,典 型应用的网络包括卷积神经网络(Convolutional Neural Network, CNN)[37]、稀疏自编码器(Sparse AutoEncoder, SAE)[38]以及深度置信网络(Deep Belief Network, DBN)[39]等等。其中,由于CNN在图像处 理中具有明显优势,因此,基于CNN的SAR图像 处理应用最为广泛。本文同时介绍了通过上述3类 网络以及其他深度学习方法对HRRP, Micro-Doppler 特征, R-D谱图等雷达数据进行处理的研究近况。