摘要
近年来，随着海上威胁与挑战的日益增多，我国对海的战略由“近海防御”转变为“远海防卫”。因此，对海目标进行有效的探测和预警是我国未来海域防备重点发展方向之一。雷达因其具有全天时、全天候、远距离探测目标的能力，在目标探测领域起着不可替代的作用。然而，由于复杂杂波背景的影响，待探测的目标回波信号极易湮没于海杂波中，严重影响雷达的探测性能；因此，杂波抑制是海面目标探测的前提和基础。由于海杂波特性和雷达探测平台波长、入射角、极化方式等因素密切相关，现有杂波抑制方法不能获得满意的性能，且依赖于人工的参与力度。近年来，随着人工智能的兴起，通过挖掘利用目标和背景杂波深层和精细化差异性特征，给提高海杂波抑制性能带来了可能，已经成为当前的研究热点。然而，海杂波特性依赖于探测平台参数和探测海域等因素，导致难以获得充足的杂波样本数据集来训练深度学习模型。因此，需要进一步开展小样本下的杂波智能抑制算法研究，以提高小样本下杂波抑制和目标检测性能。本文围绕上述存在的问题展开一系列研究，主要研究内容和创新点如下： ①针对海杂波特性依赖于雷达参数和探测环境等因素，导致样本数据集有限，本文提出了一种基于改进深度卷积生成对抗网络(DeepConvolutionalGenerativeAdversarialNetwork，DCGAN)的海杂波样本数据增强方法。首先，通过分析海杂波的幅度统计特性，建立了杂波样本数据集；在DCGAN的基础上，同时探索利用杂波浅层和深层的特征，生成了高相似度的样本数据；最后，利用上述生成的样本数据实现对海杂波数据的准确分类，从而获得充足的服从独立同分布的杂波样本数据，提高了小样本下杂波的抑制性能，通过计算机仿真和实测数据处理验证了提出方法的有效性和正确性。 ②针对小样本下深度学习网络模型在杂波抑制中出现过拟合现象以及难以准确调整参数的问题，本文提出了一种基于迁移学习的自适应杂波抑制及目标检测方法。该方法首先建立不同海域杂波数据特征的内在关联表征模型，利用多特征联合的匹配方法，完成了自适应深度迁移学习特征表示。然后，通过迁移预训练模型有效避免了单一海域获得特征表征能力有限的问题。从而实现了小样本下杂波数据准确分类，提高了杂波抑制和目标检测性能，对比现有方法，提出方法挖掘利用了不同海域杂波数据集间的互补特征，因此具有杂波分类精度高、杂波抑制效果更好等优点。最后，仿真与实测数据处理结果验证了提出方法的有效性。
NETL