迈向数据驱动的 STAP 雷达

结合经典雷达、计算机视觉与深度学习的技术，我们阐述了正在进行的空间-时间自适应处理（STAP）雷达数据驱动方法。我们使用 ISL 公司开发的特定场地射频建模与仿真工具 RFView，通过在预定区域内随机放置强度可变的目标，生成丰富的接收雷达信号示例数据集。对于该区域内的每个数据样本，我们生成最小方差无失真响应（MVDR）波束形成器输出功率在距离、方位和仰角上的热力图张量，其可替换为所需的检验统计量。这些热力图张量可视为堆叠图像，在机载场景中，运动中的雷达会生成这些时间索引图像堆叠的序列，类似于视频。我们的目标是利用这些图像与视频检测目标并估计其位置，这一流程令人联想到计算机视觉中的目标检测算法——即 Faster 基于区域的卷积神经网络（Faster R-CNN）。Faster R-CNN 由用于确定感兴趣区域（ROI）的提议生成网络、用于围绕目标定位锚框的回归网络以及目标分类算法组成；它是为自然图像开发并优化的。我们正在进行的研究将为雷达数据热力图开发类似工具。为此，我们将生成大型且具有代表性的自适应雷达信号处理数据库用于训练与测试，其精神类似于自然图像的 COCO 数据集。作为初步示例，本文给出了一个用于估计目标位置的回归网络，以证明我们数据驱动方法的可行性与显著改进。