15、基于深度学习的雷达检测效能估计新方法及微多普勒参数估计

基于深度学习的雷达检测效能估计新方法及微多普勒参数估计

雷达在军事和其他领域的作用日益重要，其检测效能评估一直是关键问题。传统的分析方法在处理具有非线性特征的雷达检测效能评估时存在困难，因此引入深度学习成为新的研究方向。同时，微多普勒参数估计对于雷达目标识别和分析也具有重要意义。

微多普勒参数估计

在微多普勒参数估计方面，提出了一种新方法。该方法考虑了包含微多普勒分量和 translational 分量的接收信号，这些信号对于传统的基于稀疏恢复的方法无效。具体步骤如下：
1. 信号分解与重构 ：通过 k - FB 级数展开，在信号分解和重构过程中首先提取微多普勒分量。
2. 精细估计 ：采用 SFMFT 为参数稀疏恢复提供离散化的调制频率范围。

通过这些步骤，消除了传统基于稀疏恢复方法中存在的干扰尖峰，同时获得了准确的估计结果。例如，两组估计参数的结果分别为 ${d_1, h_1} = {4 \text{ mm}, 2.094 \text{ rad}}$ 和 ${d_2, h_2} = {44 \text{ mm}, 4.189 \text{ rad}}$，估计的散射系数为 ${a_1, a_2} = {0.7049, 1.006}$，估计的 m - D 角频率为 $38.96 \text{ rad/s}$，这些估计结果与真实值吻合良好。

基于深度学习的雷达检测效能估计

传统的雷达检测效能评估方法在处理复杂情况时存在局限性，因此引入深度学习中的卷积神经网络（CNN）来解决这一问题。具体步骤如下：
1. 设计评估样本