使用蒙特卡罗树搜索寻找高效的深度架构用于雷达目标检测-计算机科学-深度神经网络-雷达目标检测.pdf

使用蒙特卡罗树搜索寻找高效的深度架构用

于雷达目标检测

NoéLallouetTristanCazenave

LAMSADE,UniversitéParis-DauphineLAMSADE,UniversitéParis-Dauphine

ThalesDMSParis,France

Paris,Francetristan.cazenave@lamsade.dauphine.fr

noe.lallouet@

CyrilleEnderliStéphanieGourdin

ThalesDMSThalesDMS

本Elancourt,FranceElancourt,France

译cyrille-jean.enderli@stephanie.gourdin@

中

1

v

2摘要—最近的研究工作建立了深度神经网络作为雷达目标本文重点研究空中雷达目标检测问题。安装在空基

7检测的高性能工具，特别是在具有挑战性的环境中（存在杂波或平台上的雷达会受到不需要的信号，如地面杂波的影

7干扰、多目标场景等）。然而，这些网络通常计算复杂度高是阻响。感兴趣的目標通常是具有较小雷达截面积（RCS）的

1

2.碍它们在嵌入式雷达系统中广泛实施的因素之一。我们建议研究空基平台。雷达目标检测的问题归结为以下决策问题：

6基于蒙特卡洛树搜索（MCTS）的新神经架构搜索（NAS）方

0法，以寻找能够实现所需检测性能并努力降低计算复杂度的神经

5:absenceoftarget

2网络。我们在内杂波雷达信号上评估了搜索到的架构，以便比较(1)

:

它们各自的性能指标和泛化特性。提出了一种满足所需的检测概:presenceoftarget

v

i率且明显比专家设计的基线更轻量级的新网络。

x

rIndexTerms—雷达，深度学习，卷积神经网络，神经架其中：

a

构搜索，蒙特卡洛树搜索

是接收到的信号

是目标信号

I.介绍是噪声（热噪声、地面杂波等）

近年来，人工神经网络（ANN）在雷达目标检测问匹配滤波器是在假设目标唯一且对应仅热噪

题上的应用引起了研究社区的极大兴趣。神经网络的表声的情况下的一种最优解。空时自适应处理通过相关噪

现能力和泛化特性使其成为一种可行的选择，与传统的声模型进一步考虑地面杂波，然而当目标的径向速度较

恒虚警率（CFAR）检测器等经典检测工具相比，在内低时其性能受限，并且仍需单目标假设。另一种不使用

聚杂波环境中能够实现更优越的性能。较为严格的信号模型来解决此问题的方法是遵循基于

可用于雷达系统的计算资源通常是有限的（例如，数据的方法。这里采用一个含有许多参数的事先统计模

仅有CPU），并且实时处理的需求是一个重要的限制因型（以神经网络的形式）进行训练，以检测各种情况下