李敏璐 陆秋迪

桂林电子科技大学

摘要(Abstract)：

随着雷达技术的发展，频控阵雷达在目标定位和跟踪方面得到越来越广泛的应用，但这也意味着所需处理的数据样本越来越多。目前的算法还很难满足当下技术发展对精度和效率的要求。故本文提出一种基于深度学习的频控阵雷达目标定位方法，该方法通过设计适合的CNN模型，来处理频控阵雷达信号，有效地提高了目标定位精度，也减少了计算复杂度。基于卷积神经网络的定位方法能够从大量雷达信号中自动学习到有用的特征，减少了人工干预。卷积神经网络还能够通过端到端的训练过程，自动优化网 络参数，从原始雷达信号中直接学习到有用的时空特征，从而能够高效地解耦目标的距离和角度信息，提升了定位的准确性。

关键词(KeyWords)：

卷积神经网络；目标定位；频控阵雷达

参考文献(References)：

［1］ Antonik P ， Wicks M C ， Griffiths H D ， et al.Frequency diverse array radars［J］.IEEE，2006. 

［2］ Antonik P， Wicks M C， Griffiths H D， et al.Multi- mission multi-mode waveform diversity［C］//IEEE Conference on Radar.IEEE，2006. 

［3］王文钦，邵怀宗，陈慧.频控阵雷达:概念、原理与应用［J］.电子与信息学报，2016，38（04）：1000-1011. 

［4］王文钦，陈慧，郑植，等.频控阵雷达技术及其应用研究进展［J］.雷达学报，2018，7（02）：153-166.

［5］王文钦，张顺生.频控阵雷达技术研究进展综述［J］.雷达学报，2022，11（05）：830-849. 

［6］ Lecun Y， Bottou L. Gradient-based learning applied to document recognition ［J］.Proceedings of the IEEE ， 1998 ， 86 （11）:2278-2324. 

［7］任青阳，王彦丁，施俭.卷积神经网络目标检测算法研究进展［J］.科学技术与工程，2024，24（32）：13665-13677. 

［8］ Gao L， Chen P Y， Yu S. Demonstration of Convolution Kernel Operation on Resistive Cross-Point Array［J］.IEEE Electron Device Letters， 2016，37（7）:870-873. 

［9］ Boureau Y L ， Ponce J ， Lecun Y. A Theoretical Analysis of Feature Pooling in Visual Recognition［J］.DBLP，2010. 

［10］ Sainath T N ， Kingsbury B， Mohamed A R ， et al.Improvements to deep convolutional neural networks for LVCSR ［C］//Automatic Speech Recognition & Understanding.IEEE，2013. 

［11］ Bengio Y. Learning Deep Architectures for AI ［J］.Foundations & Trends in Machine Learning，2009，2（1）:1- 127.