楼奇哲 刘 乐 姚 元

(南京电子技术研究所，江苏南京 210039)

1 引言

海杂波环境下的多目标检测是舰载雷达的核心功能之一，在现代战争中具有十分重要的意义。目前常用的海面多目标检测方法主要有恒虚警检测和背景拟合等技术。单元平均恒虚警检测技术[1-3]根据海杂波先验分布信息进行参数估计从而计算检测门限，存在因分布模型与实际杂波的非高斯特性不符而导致检测效果下降的问题，同时容易因临近目标进入参考单元而造成检测困难。背景拟合技术[4]将数据映射到拟合空间，根据拟合空间的海杂波幅度产生门限曲线并根据海况进行适应性调整，能够消除临近目标的影响，但门限的局部值与复杂环境较难符合，且在多变的海况环境下适应能力有限。因此，迫切需要一种更加有效的海面多目标检测方法。

近年来，深度学习理论在模式识别领域掀起了一股研究热潮，相关的理论和研究成果不断涌现。卷积神经网络[5](CNN，Convolutional Neural Network)是深度学习的常用网络之一，最早由加拿大多伦多大学LeCun教授提出，较好地解决了网络训练过程中的梯度不稳定问题，并且具备由浅入深的层次性特征自适应学习能力，在模式识别领域取得了较多成功的应用[6]。卷积神经网络在雷达领域的应用主要集中在雷达图像识别[7- 8]，即用于二维图像分类，目前针对雷达一维数据的多目标检测方面未见公开报道。

基于卷积神经网络的特点，本文尝试将其应用于海杂波环境下的多目标检测。……