SALA-LSTM:一种基于深度学习的新型高精度海上雷达目标检测方法

科学领域:

• 海上监视海上监视海上监视
• 雷达工程 雷达工程
• 人工智能的人工智能是人工智能.

背景情况:

• 脉冲压缩雷达对于低成本的民用海上检测至关重要.
• 复杂的海上混乱严重降低了雷达回声质量和目标检测.
• 现有的数学方法难以区分海洋杂乱与海上目标.

研究的目的:

• 开发一种基于深度学习的先进方法,用于海上雷达在海上混乱中检测目标.
• 提高在环境噪音中检测海上目标的准确性和可靠性.

主要方法:

• 提出了一种新的自我适应局部增强长期短期记忆 (SALA-LSTM) 结构.
• 集成自适应卷积到LSTM细胞中,以增强局部相关性感知.
• 开发了一个集 SALA-LSTM 的深度神经网络,用于雷达目标检测.

主要成果:

• 拟议的网络展示了卓越的检测性能.
• 使用测量数据集与各种海上场景进行评估.
• 与现有方法相比,实现了更好的检测概率和更低的虚假报警率.

结论:

• 基于深度学习的SALA-LSTM网络在海上雷达目标检测方面取得了重大进展.
• 该方法有效处理复杂的海洋杂乱,改善海洋环境监测.
• 这种方法为确定海上目标提供了更强大的解决方案.