雷达目标检测仿真元模型构建方法、装置和电子设备

1.本公开涉及人工智能技术领域，尤其涉及雷达目标检测仿真元模型构建方法、装置、电子设备和计算机可读存储介质。


背景技术：

2.当前的雷达目标检测仿真元模型主要包括统计元模型和简化的因果关系元模型，借助于领域知识和统计学知识对元模型进行建模，基于对象模型的i/o序列拟合获取数学模型以描述元模型等等。利用这些方法构造的雷达目标检测仿真元模型至少存在以下不足：(1)元模型的描述能力不足，由于模型的容量和复杂度不够，难以对复杂的输入输出关系建立映射，且模型性能随着样本量增加而难以有效提升，导致模型性能和推理能力不足；(2)需采用分段学习模式，将问题分为多个阶段，每个阶段逐一解决，而每个阶段存在多种方法，巨大的组合搜索空间无疑给仿真元模型的构建增加了极大复杂度和不确定性；(3)需要特征工程，从大量的输入变量中人工提取和组合关键变量特征，从而实现降维，此过程工作量较大，并且特征提取效果取决于建模人员对问题的认识理解深度。
3.在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。


技术实现要素：

4.本公开提供了雷达目标检测仿真元模型构建方法、装置、电子设备和计算机可读存储介质。
5.根据本公开的一方面，提供了一种雷达目标检测仿真元模型构建方法，包括：基于要在雷达目标检测仿真实验系统下仿真的雷达目标检测实验方案来确定第一数据集，第一数据集用于馈送至雷达目标检测仿真实验系统，以得到雷达目标检测仿真实验系统提供的第二数据集，其中，第一数据集包括雷达部署参数和目标部署参数，并且第二数据集包括雷达目标检测仿真实验系统中的雷达目标检测仿真模型根据接收到的第一数据集而输出的雷达目标检测仿真实验结果；基于第一数据集和第二数据集构建第三数据集，第三数据集用于对代替雷达目标检测仿真模型的候选雷达目标检测仿真元模型进行训练和评估，并且第三数据集包括候选元模型训练子集和候选元模型评估子集，其中，候选元模型训练子集用于对候选雷达目标检测仿真元模型进行训练，并且候选元模型评估子集用于对经训练的候选雷达目标检测仿真元模型进行评估；利用候选元模型训练子集对候选雷达目标检测仿真元模型进行训练，得到经训练的候选雷达目标检测仿真元模型；利用候选元模型评估子集对经训练的候选雷达目标检测仿真元模型进行评估，得到经训练的候选雷达目标检测仿真元模型的评估结果；以及响应于评估结果符合预设准则，将经训练的候选雷达目标检测仿真元模型作为最终雷达目标检测仿真元模型，以代替雷达目标检测仿真模型进行雷达目标检测仿真实验。
6.根据本公开的另一方面，提供了一种雷达目标检测仿真元模型构建装置，包括：第一数据获取单元，用于基于要在雷达目标检测仿真实验系统下仿真的雷达目标检测实验方案来确定第一数据集，第一数据集用于馈送至雷达目标检测仿真实验系统，以得到雷达目标检测仿真实验系统提供的第二数据集，其中，第一数据集包括雷达部署参数和目标部署参数，并且第二数据集包括雷达目标检测仿真实验系统中的雷达目标检测仿真模型根据接收到的第一数据集而输出的雷达目标检测仿真实验结果；第二数据获取单元，用于基于第一数据集和第二数据集构建第三数据集，第三数据集用于对代替雷达目标检测仿真模型的候选雷达目标检测仿真元模型进行训练和评估，并且第三数据集包括候选元模型训练子集和候选元模型评估子集，其中，候选元模型训练子集用于对候选雷达目标检测仿真元模型进行训练，并且候选元模型评估子集用于对经训练的候选雷达目标检测仿真元模型进行评估；训练单元，用于利用候选元模型训练子集对候选雷达目标检测仿真元模型进行训练，得到经训练的候选雷达目标检测仿真元模型；评估单元，用于利用候选元模型评估子集对经训练的候选雷达目标检测仿真元模型进行评估，得到经训练的候选雷达目标检测仿真元模型的评估结果；以及确定单元，用于响应于评估结果符合预设准则，将经训练的候选雷达目标检测仿真元模型作为最终雷达目标检测仿真元模型，以代替雷达目标检测仿真模型进行雷达目标检测仿真实验。
7.根据本公开的又一方面，提供了一种电子设备，包括：至少一个处理器；以及与该至少一个处理器通信连接的存储器；其中该存储器存储有计算机程序，该计算机程序在被该至少一个处理器执行时实现上述方法。
8.根据本公开的又一方面，提供了一种存储有计算机程序的非瞬时计算机可读存储介质，其中，该计算机程序在被处理器执行时实现上述方法。
9.根据本公开的再一方面，提供了一种计算机程序产品，包括计算机程序，其中，该计算机程序在被处理器执行时实现上述方法。
10.根据本公开的一个或多个实施例，基于雷达目标检测实验方案来确定表征仿真对象部署的第一数据集并利用仿真实验系统对其进行仿真以得到表征仿真结果的第二数据集，进而从第一和第二数据集确定要用于候选雷达目标检测仿真元模型的训练和评估的第三数据集，藉此得到经训练的符合评估准则的雷达目标检测仿真元模型。由于候选雷达目标检测仿真元模型可采取具有复杂网络结构的深度学习网络，因而有效提升了所得到的仿真元模型的模型性能和推理能力；与此同时，既避免了传统的元模型构建方法可能涉及到的巨大组合搜索空间问题，采用端到端的训练方法，降低了模型构建过程的复杂度和不确定性，又避免了依赖人工的特征工程，实现了元模型构建的自动化。
11.根据在下文中所描述的实施例，本公开的这些和其它方面将是清楚明白的，并且将参考在下文中所描述的实施例而被阐明。
附图说明
12.在下面结合附图对于示例性实施例的描述中，本公开的更多细节、特征和优点被公开，在附图中：
13.图1是图示出根据示例性实施例的可以在其中实施本文描述的各种方法的示例系统的示意图；
14.图2是图示出根据示例性实施例的雷达目标检测仿真元模型构建方法的流程图；
15.图3是图示出根据示例性实施例的对经训练的候选雷达目标检测仿真元模型进行评估的方法的流程图；
16.图4是图示出根据示例性实施例的雷达目标检测仿真元模型构建方法的流程图；
17.图5是图示出根据示例性实施例的雷达目标检测仿真元模型构建装置的示意性框图；
18.图6是图示出能够应用于示例性实施例的示例性计算机设备的框图。
具体实施方式
19.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
20.在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
21.在本公开中对各种示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
22.当前的雷达目标检测仿真元模型主要包括统计元模型和简化的因果关系元模型，借助于领域知识和统计学知识对元模型进行建模，基于对象模型的i/o序列拟合获取数学模型以描述元模型等等。利用这些方法构造的雷达目标检测仿真元模型至少存在以下不足：(1)元模型的描述能力不足，由于模型的容量和复杂度不够，难以对复杂的输入输出关系建立映射，且模型性能随着样本量增加而难以有效提升，导致模型性能和推理能力不足；(2)需采用分段学习模式，将问题分为多个阶段，每个阶段逐一解决，而每个阶段存在多种方法，巨大的组合搜索空间无疑给仿真元模型的构建增加了极大复杂度和不确定性；(3)需要特征工程，从大量的输入变量中人工提取和组合关键变量特征，从而实现降维，此过程工作量较大，并且特征提取效果取决于建模人员对问题的认识理解深度。
23.发明人认识到，基于深度学习的雷达目标检测仿真元模型构建方法可采取基于大量数据样本的端到端模型训练方式，这既能够避免上面提到的分段学习模式，又能够避免特征工程，并且随着数据样本的增加还可预期模型性能和泛化能力也将得到稳步提升。深度学习方法一般采用深度神经网络构建模型，通过设计建立适量的神经元计算节点和多层运算层次结构，可实现不同的模型容量和复杂度。通过深度神经网络的学习和调优，能够建立从输入到输出的复杂函数关系，在大数据样本的基础上开展学习和训练，可以尽可能地逼近原仿真模型的输入输出关系。
24.基于此，本公开提出一种雷达目标检测仿真元模型构建方法，基于雷达目标检测实验方案来确定表征仿真对象部署的第一数据集并利用仿真实验系统对其进行仿真以得
到表征仿真结果的第二数据集，进而从第一和第二数据集确定要用于候选雷达目标检测仿真元模型的训练和评估的第三数据集，藉此得到经训练的符合评估准则的雷达目标检测仿真元模型。由于候选雷达目标检测仿真元模型可采取具有复杂网络结构的深度学习网络，因而有效提升了所得到的仿真元模型的模型性能和推理能力；与此同时，既避免了传统的元模型构建方法可能涉及到的巨大组合搜索空间问题，采用端到端的训练方法，降低了模型构建过程的复杂度和不确定性，又避免了依赖人工的特征工程，实现了元模型构建的自动化。
25.下面结合附图详细描述本公开的示例性实施例。
26.图1是图示出根据示例性实施例的可以在其中实施本文描述的各种方法的示例系统100的示意图。
27.参考图1，该系统100包括客户端设备110、服务器120、以及将客户端设备110与服务器120通信地耦合的网络130。
28.客户端设备110包括显示器114和可经由显示器114显示的客户端应用(app)112。客户端应用112可以为运行前需要下载和安装的应用程序或者作为轻量化应用程序的小程序(liteapp)。在客户端应用112为运行前需要下载和安装的应用程序的情况下，客户端应用112可以被预先安装在客户端设备110上并被激活。在客户端应用112为小程序的情况下，用户102可以通过在宿主应用中搜索客户端应用112(例如，通过客户端应用112的名称等)或扫描客户端应用112的图形码(例如，条形码、二维码等)等方式，在客户端设备110上直接运行客户端应用112，而无需安装客户端应用112。在一些实施例中，客户端设备110可以是任何类型的移动计算机设备，包括移动计算机、移动电话、可穿戴式计算机设备(例如智能手表、头戴式设备，包括智能眼镜，等)或其他类型的移动设备。在一些实施例中，客户端设备110可以替换地是固定式计算机设备，例如台式机、服务器计算机或其他类型的固定式计算机设备。
29.服务器120典型地为由互联网服务提供商(isp)或互联网内容提供商(icp)部署的服务器。服务器120可以代表单台服务器、多台服务器的集群、分布式系统、或者提供基础云服务(诸如云数据库、云计算、云存储、云通信)的云服务器。将理解的是，虽然图1中示出服务器120与仅一个客户端设备110通信，但是服务器120可以同时为多个客户端设备提供后台服务。
30.网络130的示例包括局域网(lan)、广域网(wan)、个域网(pan)、和/或诸如互联网之类的通信网络的组合。网络130可以是有线或无线网络。在一些实施例中，使用包括超文本标记语言(html)、可扩展标记语言(xml)等的技术和/或格式来处理通过网络130交换的数据。此外，还可以使用诸如安全套接字层(ssl)、传输层安全(tls)、虚拟专用网络(vpn)、网际协议安全(ipsec)等加密技术来加密所有或者一些链路。在一些实施例中，还可以使用定制和/或专用数据通信技术来取代或者补充上述数据通信技术。
31.为了本公开实施例的目的，在图1的示例中，客户端应用112可以为雷达目标检测仿真实验系统的客户端，该雷达目标检测仿真实验系统可以提供用于雷达目标检测仿真目的的各种功能，例如，实验方案设计、仿真环境构建、仿真雷达部署、仿真目标部署、仿真过程可视化等等。与此相应，服务器120可以是用于雷达目标检测仿真实验系统的服务器。该服务器120可以向客户端设备110中运行的客户端应用112提供与雷达目标检测仿真实验的
各个阶段相关的服务。替换地，也可以由客户端设备110中运行的客户端应用112提供本地化服务。作为非限制性的示例，下文描述的方法可以由图1的系统100执行。本公开对此不进行任何限制。
32.图2是图示出根据示例性实施例的雷达目标检测仿真元模型构建方法200的流程图。方法200可以在客户端设备(例如，图1中所示的客户端设备110)处执行，也即，方法200的各个步骤的执行主体可以是图1中所示的客户端设备110。在一些实施例中，方法200可以在服务器(例如，图1中所示的服务器120)处执行。在一些实施例中，方法200可以由客户端设备(例如，客户端设备110)和服务器(例如，服务器120)相组合地执行。
33.参考图2，雷达目标检测仿真元模型构建方法200包括如下步骤。
34.步骤s210，基于要在雷达目标检测仿真实验系统下仿真的雷达目标检测实验方案来确定第一数据集，第一数据集用于馈送至雷达目标检测仿真实验系统，以得到雷达目标检测仿真实验系统提供的第二数据集，其中，第一数据集包括雷达部署参数和目标部署参数，并且第二数据集包括雷达目标检测仿真实验系统中的雷达目标检测仿真模型根据接收到的第一数据集而输出的雷达目标检测仿真实验结果。
35.在示例中，雷达目标检测仿真实验系统可提供用于雷达目标检测仿真目的的各种功能，例如，实验方案设计、仿真环境构建、仿真雷达部署、仿真目标部署、仿真过程可视化等等。
36.在示例中，雷达目标检测实验方案可以是由仿真人员基于对雷达目标检测仿真实验目的和雷达目标检测仿真实验系统的配置的综合考虑而得到的用于对雷达目标检测过程(例如场景)进行仿真的试验方案。
37.在示例中，雷达部署参数可以包括仿真雷达位置、仿真雷达性能参数、仿真雷达工作模式、仿真雷达散射截面积rcs等等。在示例中，目标部署参数可以包括仿真目标初始位置、仿真目标运动轨迹、仿真目标动力学方程等等。可以理解，本领域技术人员可根据期望的雷达目标检测仿真实验目的和实际的雷达目标检测仿真实验系统对雷达部署参数和/或目标部署参数进行设置，本公开对此不进行任何限制。
38.在示例中，雷达目标检测仿真实验系统可包括(例如，以软件、固件等形式集成的)雷达目标检测仿真模型。在另一示例中，雷达目标检测仿真模型可以是与雷达目标检测仿真实验系统非共处一地部署的模型，例如部署在公有云或私密云上的模型。
39.在示例中，雷达目标检测仿真实验结果(例如由雷达目标检测仿真模型输出)可以包括雷达目标检测仿真实验系统所模拟的仿真环境下的仿真雷达对仿真目标在不同时点的空间位置探测结果。在另一示例中，雷达目标检测仿真实验结果也可以包括对仿真雷达在不同时点是否探测到仿真目标的指示。可以理解，雷达目标检测仿真实验结果的类型和所包括的具体内容可取决于实际需要而有所变化，本公开对此不进行任何限制。
40.步骤s220，基于第一数据集和第二数据集构建第三数据集，第三数据集用于对代替雷达目标检测仿真模型的候选雷达目标检测仿真元模型进行训练和评估，并且第三数据集包括候选元模型训练子集和候选元模型评估子集，其中，候选元模型训练子集用于对候选雷达目标检测仿真元模型进行训练，并且候选元模型评估子集用于对经训练的候选雷达目标检测仿真元模型进行评估。
41.如本公开所使用的，术语雷达目标检测仿真模型可以指借助于所耦接的雷达目标
检测仿真实验系统(例如，系统环境、系统配置等)针对所提供的雷达目标检测仿真实验配置文件(例如，如上所述的雷达部署参数和目标部署参数)进行雷达目标检测仿真实验并进而输出仿真实验结果的计算机实施的模型。
42.在示例中，雷达目标检测仿真模型可以是利用模式识别技术、机器学习技术、深度学习技术、强化学习技术、迁移学习技术、联邦学习技术、人工智能技术或其组合等的计算机实施的模型，本公开对此不进行任何限制。
43.在系统仿真领域中，术语仿真元模型可以指仿真模型的二次模型，即低阶简化模型。例如，可通过对仿真模型的输入-输出序列进行拟合而得到逼近原仿真模型性能和推理能力的、经简化的模型(例如，计算机实施的模型)。仿真元模型能够在很大程度上降低原仿真模型实施仿真的复杂度。用仿真元模型来代替或部分代替仿真模型进行仿真实验可以在满足精度要求的条件下很大幅度减少计算开销，从而提高仿真效率，同时也支持高层仿真。
44.如本公开所使用的，术语雷达目标检测仿真元模型可以指用于代替雷达目标检测仿真模型以在确保不使模型性能和推理能力显著降级的情况下减少计算开销和其他冗余工作量的二次简化模型。
45.在示例中，候选雷达目标检测仿真元模型可包括不止一个候选元模型。尽管下文是以一个候选雷达目标检测仿真元模型为例阐述本公开实施例的，但是本领域技术人员容易理解，也可以预先确定不止一个候选雷达目标检测仿真元模型(例如，模型各自的初始网络参数有所不同等等)并向它们馈送相同的数据集并对其执行相同处理步骤以比较这些候选雷达目标检测仿真元模型的评估结果，从而确定性能较优的一者来代替雷达目标检测仿真模型。由此，本公开所要保护的范围也涵盖这些合理变体，这对于本领域技术人员而言是显见的，本公开对此不进行任何限制。
46.在示例中，第三数据样本可至少包括彼此对应的输入特征和标签，其中，标签可例如是对仿真雷达在不同时点是否探测到仿真目标的指示。
47.在示例中，可按照预定的样本数量比来将第三数据集划分成候选元模型训练子集和候选元模型评估子集。在另一示例中，可从第三数据集中随机挑选样本以组成候选元模型训练子集和候选元模型评估子集。本公开对此不进行任何限制。
48.步骤s230，利用候选元模型训练子集对候选雷达目标检测仿真元模型进行训练，得到经训练的候选雷达目标检测仿真元模型。
49.可以理解，对候选雷达目标检测仿真元模型进行训练的方式取决于模型所用到的不同技术和模型具体结构而有所变化。以神经网络为例，对候选雷达目标检测仿真元模型进行训练的方式可包括，对于网络结构简单(例如，层数较少、神经元数量较少)的模型，可将所有候选元模型训练子集馈送到候选雷达目标检测仿真元模型中进行模型训练，或者对于网络结构复杂(例如，隐藏层层数较多、每层神经元数量多)的模型，可将候选元模型训练子集按小批次先后馈送到模型中以供训练等等。本公开对此不进行任何限制。
50.步骤s240，利用候选元模型评估子集对经训练的候选雷达目标检测仿真元模型进行评估，得到经训练的候选雷达目标检测仿真元模型的评估结果。
51.在示例中，可利用经训练的候选雷达目标检测仿真元模型对候选元模型评估子集进行模型推理，得到经训练的候选雷达目标检测仿真元模型关于候选元模型评估子集中的模型输入数据样本的实际模型输出，并将其与候选元模型评估子集中的模型输出数据样本
进行比较，从而评估模型的性能和推理能力。
52.步骤s250，响应于评估结果符合预设准则，将经训练的候选雷达目标检测仿真元模型作为最终雷达目标检测仿真元模型，以代替雷达目标检测仿真模型进行雷达目标检测仿真实验。
53.在示例中，预设准则可被选择为使得能够确保经训练的候选雷达目标检测仿真元模型与要被取代的雷达目标检测仿真模型相比在模型性能和推理能力方面不会显著降级。
54.根据本公开的实施例，基于雷达目标检测实验方案来确定表征仿真对象部署的第一数据集并利用仿真实验系统对其进行仿真以得到表征仿真结果的第二数据集，进而从第一和第二数据集确定要用于候选雷达目标检测仿真元模型的训练和评估的第三数据集，藉此得到经训练的符合评估准则的雷达目标检测仿真元模型。由于候选雷达目标检测仿真元模型可采取具有复杂网络结构的深度学习网络，因而有效提升了所得到的仿真元模型的模型性能和推理能力；与此同时，既避免了传统的元模型构建方法可能涉及到的巨大组合搜索空间问题，采用端到端的训练方法，降低了模型构建过程的复杂度和不确定性，又避免了依赖人工的特征工程，实现了元模型构建的自动化。
55.在一些实施例中，关于上面描述的方法200，在利用候选元模型训练子集对候选雷达目标检测仿真元模型进行训练的步骤之前，可以附加地包括以下步骤：基于第一数据集中的数据样本的样本特性确定用于候选雷达目标检测仿真元模型的神经网络的类型；以及确定神经网络的层数、每层神经元数量、激活函数和/或神经元链接关系。
56.在示例中，可以针对雷达目标检测数据样本特性来选择多层前馈网络作为候选雷达目标检测仿真元模型的神经网络架构。当然，本领域技术人员可根据实际需要来为候选雷达目标检测仿真元模型选择任何其他合适的神经网络结构或甚至其他类型的网络，本公开对此不进行任何限制。
57.在一些实施例中，关于上面描述的方法200，在利用候选元模型训练子集对候选雷达目标检测仿真元模型进行训练的步骤之前，可以附加地包括以下步骤：设置神经网络的网络训练超参数。在示例中，网络训练超参数可以包括神经网络的优化算法、学习率、最大训练批次和/或批次大小。
58.作为示例而非限制，可以基于误差反向传播来对网络(即候选雷达目标检测仿真元模型)进行训练。训练过程包括使训练数据集(即候选元模型训练子集)经过网络从而获得网络的输出，再将输出与训练数据集的标签代入损失函数进行计算以得到误差，然后通过反向传播将误差从输出层依次反向传递至之前的每一层，利用参数优化法对每层的参数进行优化。可任选的，可以再选择其他批次的样本(例如训练数据集)进行训练，直至损失函数如预期那样收敛或收敛至期望值。
59.在一些实施例中，关于上面描述的方法200，在利用候选元模型训练子集对候选雷达目标检测仿真元模型进行训练的步骤之前，可以附加地包括以下步骤：构建神经网络的损失函数，损失函数由各批次训练的二值交叉熵损失得到，并且任一批次训练的二值交叉熵损失loss由下式定义：
[0060][0061]
其中，b表示候选元模型训练子集中用于该批次训练的样本数量，yi表示样本i的
真实标签，并且pi表示候选雷达目标检测仿真元模型关于接收到的样本i的输出。由此能够准确地量化正在训练的候选雷达目标检测仿真元模型的模型性能，即其与雷达目标检测仿真模型针对相同试验方案的输入所提供的仿真结果方面的差异性。在示例中，各批次训练的二值交叉熵损失可以按候选元模型训练子集中用于各批次训练的样本数量进行加权，得到整个模型训练过程的总体损失，从而更全面地衡量候选雷达目标检测仿真元模型在整个模型训练过程的收敛趋势和模型性能。
[0062]
在一些实施例中，关于上面描述地方法200，可以附加地包括以下步骤：响应于神经网络的损失函数的函数值达到预设阈值或神经网络的训练已达到最大训练批次，停止神经网络的训练并将得到的神经网络作为经训练的候选雷达目标检测仿真元模型。由此，能够有效避免损失函数陷入局部极值或因长时间的无效迭代所致的计算开销浪费。
[0063]
图3是图示出根据示例性实施例的对经训练的候选雷达目标检测仿真元模型进行评估的方法300的流程图。同样，方法300可以在客户端设备(例如，图1中所示的客户端设备110)处执行，也即，方法300的各个步骤的执行主体可以是图1中所示的客户端设备110。在一些实施例中，方法300可以在服务器(例如，图1中所示的服务器120)处执行。在一些实施例中，方法300可以由客户端设备(例如，客户端设备110)和服务器(例如，服务器120)相组合地执行。
[0064]
在一些实施例中，预设准则可以是经训练的候选雷达目标检测仿真元模型关于候选元模型评估子集的预设分类准确率。在示例中，该预设分类准确率可根据先前实验所获得的经验值来设置。如图3所示，方法300包括：
[0065]
步骤s310，设置与候选元模型评估子集中的总计n
总数
个数据样本的不同真实标签相对应的基线区间，基线区间彼此互不重叠；
[0066]
步骤s320，对于候选元模型评估子集中的每个数据样本，执行以下子步骤：
[0067]
子步骤s321，基于经训练的候选雷达目标检测仿真元模型关于该数据样本的输出所处的基线区间，确定该数据样本在经训练的候选雷达目标检测仿真元模型下的推理标签；
[0068]
子步骤s322，确定该数据样本的真实标签是否与该数据样本的推理标签相同；
[0069]
和
[0070]
子步骤s323，响应于确定该数据样本的真实标签与该数据样本的推理标签相同，
[0071]
递增正确推理样本数n
正确
，其中，正确推理样本数n
正确
的初始值为零；
[0072]
步骤s330，按下式计算经训练的候选雷达目标检测仿真元模型关于候选元模型评估子集的真实分类准确率acc：
[0073]
步骤s340，将真实分类准确率acc与预设分类准确率进行比较，以评估经训练的候选雷达目标检测仿真元模型的推理性能。
[0074]
关于步骤s310，候选元模型评估子集中的数据样本的真实标签指的是雷达目标检测仿真实验系统所模拟的仿真环境下的仿真雷达对仿真目标在不同时点的空间位置探测结果。作为示例而非限制，探测结果可以指示某个时点处仿真雷达是否探测到仿真目标，若探测到，则真实标签为1，若未探测到，则真实标签为0。作为另一示例，真实标签可包括分别与精确探测、模糊探测和未探测到三者对应的标签值。进而，可以基于真实标签对基线区间
进行划分，其中，基线区间指的是由候选雷达目标检测仿真元模型的输出值的上限和下限界定的区间，例如0到1的闭区间。
[0075]
关于子步骤s321，推理标签指的是基于经训练的候选雷达目标检测仿真元模型关于输入数据样本的输出结果而得到的离散值。归因于传递函数的连续性，模型输出结果往往区别于离散的真实标签，因而需要将模型输出结果映射至对应区间以得到模型关于输入数据样本的推理标签。
[0076]
关于步骤s330，借助于简单的分类准确率统计，能够显著简化对经训练的候选雷达目标检测仿真元模型的评估涉及到的各种考虑因素，将关注点聚焦于逼近原仿真模型的输入输出关系的端到端映射，有效实现降维并简化冗余工作量。
[0077]
图4是图示出根据示例性实施例的雷达目标检测仿真元模型构建方法400的流程图。同样，方法400可以在客户端设备(例如，图1中所示的客户端设备110)处执行，也即，方法400的各个步骤的执行主体可以是图1中所示的客户端设备110。在一些实施例中，方法400可以在服务器(例如，图1中所示的服务器120)处执行。在一些实施例中，方法400可以由客户端设备(例如，客户端设备110)和服务器(例如，服务器120)相组合地执行。如图所示，方法400包括步骤s410至s460，其中，关于步骤s410至s450，参见上文关于方法200的步骤s210至s250的描述，在此不再赘述。
[0078]
步骤s460，响应于评估结果不符合预设准则，重新设计雷达目标检测实验方案和/或调整用于候选雷达目标检测仿真元模型的神经网络的网络参数。
[0079]
在示例中，如果评估结果不符合预设准则，可以继续重新设计或调整雷达目标检测实验方案，以获得更多仿真实验数据样本，并基于这些仿真实验数据样本构建新的第三数据集，进而重新进行候选雷达目标检测仿真元模型的训练和评估，即重新执行上述方法200的步骤s210至s250。
[0080]
在示例中，可以对第一数据集、第二数据集和/或第三数据集进行数据预处理，以便于对模型的训练和推理过程增效。
[0081]
下面描述其中实施本公开的实施例的示例性场景。需要注意的是，示例性场景旨在便于读者理解本公开实施例，而不旨在对本公开进行任何限制。
[0082]
(1)设计要在雷达目标检测仿真实验系统下实施的实验方案
[0083]
雷达仿真场景主要面向功能级雷达模型对某空间运动目标进行探测过程的仿真，模拟雷达对运动目标的周期扫描、波束几何交汇、信号发射、回波功率计算以及目标检测的过程。对于遵循空间匀速直线运动的目标，示例性雷达最大可扫描10-250度方位范围，0-80度俯仰范围，天线波束宽度方位6度，俯仰6度。
[0084]
(2)样本数据集构建
[0085]
通过雷达目标检测仿真实验运行得到1000条数据组成样本数据集，其中，每个样本包括4个输入和1个输出。将数据打乱，按照4:1的比例划分训练集和测试集，其中训练集为800条，测试集为200条数据。训练集用于训练深度神经网络模型，即为候选元模型训练子集，而测试集用于评估模型性能，即为候选元模型评估子集。数据集部分样本样例如表1所示。
[0086][0087][0088]
表1
[0089]
(3)深度神经网络设计
[0090]
将候选雷达目标检测仿真元模型设计为多层前馈神经网络结构。由于数据量较小，网络复杂度较低，为防止过拟合，设计的网络结构包含1个输入层、4个隐藏层、1个输出层，每一层的神经元数量如表2所示。选择relu函数做为隐藏层神经元激活函数，层之间的神经元采用全连接方式。设计网络输出与真实输出的损失函数为二值交叉熵损失，如上文所描述。
[0091]
神经网络层神经元数输入层4第1隐藏层32第2隐藏层32第3隐藏层16第4隐藏层16输出层2
[0092]
表2
[0093]
(4)网络训练超参数设置
[0094]
采用adam优化方法，设置学习率为0.001、最大训练批次为1000、批大小为32。
[0095]
(5)基于误差反向传播的网络训练
[0096]
对输入特征进行规范化处理，将每一维数据压缩至均值为0，方差为1的正态分布，数据集的每一维特征的元素减去该维特征的均值再除以标准差，其中均值和标准差在数据集上进行统计。采用adam优化方法进行网络训练优化神经网络参数，模型的损失函数一直下降直到稳定水平，直至训练收敛。
[0097]
(6)模型评估
[0098]
深度学习模型在测试集上进行性能评估，以确定是否满足建模要求(例如预设评估准则)，若满足，则输出雷达目标检测仿真元模型，结束建模过程。
[0099]
图5是图示出根据示例性实施例的雷达目标检测仿真元模型构建装置500的示意性框图。如图5所示，装置500包括：第一数据获取单元510，用于基于要在雷达目标检测仿真实验系统下仿真的雷达目标检测实验方案来确定第一数据集，第一数据集用于馈送至雷达目标检测仿真实验系统，以得到雷达目标检测仿真实验系统提供的第二数据集，其中，第一数据集包括雷达部署参数和目标部署参数，并且第二数据集包括雷达目标检测仿真实验系统中的雷达目标检测仿真模型根据接收到的第一数据集而输出的雷达目标检测仿真实验结果；第二数据获取单元520，用于基于第一数据集和第二数据集构建第三数据集，第三数据集用于对代替雷达目标检测仿真模型的候选雷达目标检测仿真元模型进行训练和评估，并且第三数据集包括候选元模型训练子集和候选元模型评估子集，其中，候选元模型训练子集用于对候选雷达目标检测仿真元模型进行训练，并且候选元模型评估子集用于对经训练的候选雷达目标检测仿真元模型进行评估；训练单元530，用于利用候选元模型训练子集对候选雷达目标检测仿真元模型进行训练，得到经训练的候选雷达目标检测仿真元模型；评估单元540，用于利用候选元模型评估子集对经训练的候选雷达目标检测仿真元模型进行评估，得到经训练的候选雷达目标检测仿真元模型的评估结果；以及确定单元550，用于响应于评估结果符合预设准则，将经训练的候选雷达目标检测仿真元模型作为最终雷达目标检测仿真元模型，以代替雷达目标检测仿真模型进行雷达目标检测仿真实验。
[0100]
应当理解，图5中所示装置500的各个模块可以与参考图2描述的方法200中的各个步骤相对应。由此，上面针对方法200描述的操作、特征和优点同样适用于装置500及其包括的模块。为了简洁起见，某些操作、特征和优点在此不再赘述。
[0101]
虽然上面参考特定模块讨论了特定功能，但是应当注意，本文讨论的各个模块的功能可以分为多个模块，和/或多个模块的至少一些功能可以组合成单个模块。本文讨论的特定模块执行动作包括该特定模块本身执行该动作，或者替换地该特定模块调用或以其他方式访问执行该动作(或结合该特定模块一起执行该动作)的另一个组件或模块。因此，执行动作的特定模块可以包括执行动作的该特定模块本身和/或该特定模块调用或以其他方式访问的、执行动作的另一模块。
[0102]
还应当理解，本文可以在软件硬件元件或程序模块的一般上下文中描述各种技术。上面关于图5描述的各个模块和/或单元可以在硬件中或在结合软件和/或固件的硬件中实现。例如，这些模块和/或单元可以被实现为计算机程序代码/指令，该计算机程序代码/指令被配置为在一个或多个处理器中执行并存储在计算机可读存储介质中。可替换地，这些模块和/或单元可以被实现为硬件逻辑/电路。模块和/或单元中的一个或多个可以一起被实现在片上系统(system on chip,soc)中。soc可以包括集成电路芯片(其包括处理器
(例如，中央处理单元(central processing unit,cpu)、微控制器、微处理器、数字信号处理器(digital signal processor,dsp)等)、存储器、一个或多个通信接口、和/或其他电路中的一个或多个部件)，并且可以可选地执行所接收的程序代码和/或包括嵌入式固件以执行功能。
[0103]
与现有技术相比，本发明具有如下有益效果：
[0104]
(1)克服了传统仿真元模型设计方法在模型描述能力和复杂度方面不够的问题，深度学习模型采用不同的网络设计可以适配不同规模和复杂度的仿真模型，增强了模型性能和推理能力；
[0105]
(2)解决了传统构建方法进行阶段划分带来的巨大组合搜索空间问题，采用端到端的训练方法，降低了模型构建的复杂性、不确定性和难度；
[0106]
(3)解决了需要人工手动进行特征工程的问题，无需特征工程，网络架构支持逐层特征提取和变换，输入特征的权重和模型参数通过网络训练自动调整。
[0107]
根据本公开的一方面，提供了一种计算机设备，其包括存储器、处理器以及存储在存储器上的计算机程序。该处理器被配置为执行计算机程序以实现上文描述的任一方法实施例的步骤。
[0108]
根据本公开的一方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上文描述的任一方法实施例的步骤。
[0109]
根据本公开的一方面，提供了一种计算机程序产品，其包括计算机程序，该计算机程序被处理器执行时实现上文描述的任一方法实施例的步骤。
[0110]
在下文中，结合图6描述这样的计算机设备、非暂态计算机可读存储介质和计算机程序产品的说明性示例。
[0111]
图6示出了可以被用来实施本文所描述的方法的计算机设备600的示例配置。举例来说，图1中所示的服务器120和/或客户端设备110可以包括类似于计算机设备600的架构。上述装置500也可以全部或至少部分地由计算机设备600或类似设备或系统实现。
[0112]
计算机设备600可以是各种不同类型的设备。计算机设备600的示例包括但不限于：台式计算机、服务器计算机、笔记本电脑或上网本计算机、移动设备(例如，平板电脑、蜂窝或其他无线电话(例如，智能电话)、记事本计算机、移动台)、可穿戴设备(例如，眼镜、手表)、娱乐设备(例如，娱乐器具、通信地耦合到显示设备的机顶盒、游戏机)、电视或其他显示设备、汽车计算机等等。
[0113]
计算机设备600可以包括能够诸如通过系统总线614或其他适当的连接彼此通信的至少一个处理器602、存储器604、(多个)通信接口606、显示设备608、其他输入/输出(i/o)设备610以及一个或更多大容量存储设备612。
[0114]
处理器602可以是单个处理单元或多个处理单元，所有处理单元可以包括单个或多个计算单元或者多个核心。处理器602可以被实施成一个或更多微处理器、微型计算机、微控制器、数字信号处理器、中央处理单元、状态机、逻辑电路和/或基于操作指令来操纵信号的任何设备。除了其他能力之外，处理器602可以被配置成获取并且执行存储在存储器604、大容量存储设备612或者其他计算机可读介质中的计算机可读指令，诸如操作系统616的程序代码、应用程序618的程序代码、其他程序620的程序代码等。
[0115]
存储器604和大容量存储设备612是用于存储指令的计算机可读存储介质的示例，
指令由处理器602执行来实施前面所描述的各种功能。举例来说，存储器604一般可以包括易失性存储器和非易失性存储器二者(例如ram、rom等等)。此外，大容量存储设备612一般可以包括硬盘驱动器、固态驱动器、可移除介质、包括外部和可移除驱动器、存储器卡、闪存、软盘、光盘(例如cd、dvd)、存储阵列、网络附属存储、存储区域网等等。存储器604和大容量存储设备612在本文中都可以被统称为存储器或计算机可读存储介质，并且可以是能够把计算机可读、处理器可执行程序指令存储为计算机程序代码的非暂态介质，计算机程序代码可以由处理器602作为被配置成实施在本文的示例中所描述的操作和功能的特定机器来执行。多个程序可以存储在大容量存储设备612上。这些程序包括操作系统616、一个或多个应用程序618、其他程序620和程序数据622，并且它们可以被加载到存储器604以供执行。
[0116]
虽然在图6中被图示成存储在计算机设备600的存储器604中，但是框616、618、620和622或者其部分可以使用可由计算机设备600访问的任何形式的计算机可读介质来实施。如本文所使用的，“计算机可读介质”至少包括两种类型的计算机可读介质，也就是计算机可读存储介质和通信介质。
[0117]
计算机可读存储介质包括通过用于存储信息的任何方法或技术实施的易失性和非易失性、可移除和不可移除介质，信息诸如是计算机可读指令、数据结构、程序模块或者其他数据。计算机可读存储介质包括而不限于ram、rom、eeprom、闪存或其他存储器技术，cd-rom、数字通用盘(dvd)、或其他光学存储装置，磁盒、磁带、磁盘存储装置或其他磁性存储设备，或者可以被用来存储信息以供计算机设备访问的任何其他非传送介质。与此相对，通信介质可以在诸如载波或其他传送机制之类的已调制数据信号中具体实现计算机可读指令、数据结构、程序模块或其他数据。本文所定义的计算机可读存储介质不包括通信介质。
[0118]
一个或更多通信接口606用于诸如通过网络、直接连接等等与其他设备交换数据。这样的通信接口可以是以下各项中的一个或多个：任何类型的网络接口(例如，网络接口卡(nic))、有线或无线(诸如ieee 802.11无线lan(wlan))无线接口、全球微波接入互操作(wi-max)接口、以太网接口、通用串行总线(usb)接口、蜂窝网络接口、bluetooth
tm
接口、近场通信(nfc)接口等。通信接口606可以促进在多种网络和协议类型内的通信，其中包括有线网络(例如lan、电缆等等)和无线网络(例如wlan、蜂窝、卫星等等)、因特网等等。通信接口606还可以提供与诸如存储阵列、网络附属存储、存储区域网等等中的外部存储装置(未示出)的通信。
[0119]
在一些示例中，可以包括诸如监视器之类的显示设备608，以用于向用户显示信息和图像。其他i/o设备610可以是接收来自用户的各种输入并且向用户提供各种输出的设备，并且可以包括触摸输入设备、手势输入设备、摄影机、键盘、遥控器、鼠标、打印机、音频输入/输出设备等等。
[0120]
本文描述的技术可以由计算机设备600的这些各种配置来支持，并且不限于本文所描述的技术的具体示例。例如，该功能还可以通过使用分布式系统在“云”上全部或部分地实现。云包括和/或代表用于资源的平台。平台抽象云的硬件(例如，服务器)和软件资源的底层功能。资源可以包括在远离计算机设备600的服务器上执行计算处理时可以使用的应用和/或数据。资源还可以包括通过因特网和/或通过诸如蜂窝或wi-fi网络的订户网络提供的服务。平台可以抽象资源和功能以将计算机设备600与其他计算机设备连接。因此，
本文描述的功能的实现可以分布在整个云内。例如，功能可以部分地在计算机设备600上以及部分地通过抽象云的功能的平台来实现。
[0121]
虽然在附图和前面的描述中已经详细地说明和描述了本公开，但是这样的说明和描述应当被认为是说明性的和示意性的，而非限制性的；本公开不限于所公开的实施例。通过研究附图、公开内容和所附的权利要求书，本领域技术人员在实践所要求保护的主题时，能够理解和实现对于所公开的实施例的变型。在权利要求书中，词语“包括”不排除未列出的其他元件或步骤，不定冠词“一”或“一个”不排除多个，术语“多个”是指两个或两个以上，并且术语“基于”应解释为“至少部分地基于”。在相互不同的从属权利要求中记载了某些措施的仅有事实并不表明这些措施的组合不能用来获益。

技术特征：
1.一种雷达目标检测仿真元模型构建方法，包括：基于要在雷达目标检测仿真实验系统下仿真的雷达目标检测实验方案来确定第一数据集，所述第一数据集用于馈送至所述雷达目标检测仿真实验系统，以得到所述雷达目标检测仿真实验系统提供的第二数据集，其中，所述第一数据集包括雷达部署参数和目标部署参数，并且所述第二数据集包括所述雷达目标检测仿真实验系统中的雷达目标检测仿真模型根据接收到的所述第一数据集而输出的雷达目标检测仿真实验结果；基于所述第一数据集和所述第二数据集构建第三数据集，所述第三数据集用于对代替所述雷达目标检测仿真模型的候选雷达目标检测仿真元模型进行训练和评估，并且所述第三数据集包括候选元模型训练子集和候选元模型评估子集，其中，所述候选元模型训练子集用于对所述候选雷达目标检测仿真元模型进行训练，并且所述候选元模型评估子集用于对经训练的候选雷达目标检测仿真元模型进行评估；利用所述候选元模型训练子集对所述候选雷达目标检测仿真元模型进行训练，得到所述经训练的候选雷达目标检测仿真元模型；利用所述候选元模型评估子集对所述经训练的候选雷达目标检测仿真元模型进行评估，得到所述经训练的候选雷达目标检测仿真元模型的评估结果；以及响应于所述评估结果符合预设准则，将所述经训练的候选雷达目标检测仿真元模型作为最终雷达目标检测仿真元模型，以代替所述雷达目标检测仿真模型进行雷达目标检测仿真实验。2.根据权利要求1所述的方法，还包括，在利用所述候选元模型训练子集对所述候选雷达目标检测仿真元模型进行训练的步骤之前：基于所述第一数据集中的数据样本的样本特性确定用于所述候选雷达目标检测仿真元模型的神经网络的类型；确定所述神经网络的层数、每层神经元数量、激活函数和/或神经元链接关系。3.根据权利要求2所述的方法，还包括，在利用所述候选元模型训练子集对所述候选雷达目标检测仿真元模型进行训练的步骤之前：设置所述神经网络的网络训练超参数，所述网络训练超参数包括所述神经网络的优化算法、学习率、最大训练批次和/或批次大小。4.根据权利要求2或3所述的方法，还包括，在利用所述候选元模型训练子集对所述候选雷达目标检测仿真元模型进行训练的步骤之前：构建所述神经网络的损失函数，所述损失函数由各批次训练的二值交叉熵损失得到，并且任一批次训练的二值交叉熵损失loss由下式定义：其中，b表示所述候选元模型训练子集中用于该批次训练的样本数量，y
i
表示样本i的真实标签，并且p
i
表示所述候选雷达目标检测仿真元模型关于接收到的样本i的输出。5.根据权利要求4所述的方法，还包括：响应于所述神经网络的所述损失函数的函数值达到预设阈值或所述神经网络的训练已达到最大训练批次，停止所述神经网络的所述训练并将得到的神经网络作为所述经训练的候选雷达目标检测仿真元模型。
6.根据权利要求1-3中任一项所述的方法，其中，所述预设准则为所述经训练的候选雷达目标检测仿真元模型关于所述候选元模型评估子集的预设分类准确率，并且其中，利用所述候选元模型评估子集对所述经训练的候选雷达目标检测仿真元模型进行评估包括：设置与所述候选元模型评估子集中的总计n
总数
个数据样本的不同真实标签相对应的基线区间，所述基线区间彼此互不重叠；对于所述候选元模型评估子集中的每个数据样本，基于所述经训练的候选雷达目标检测仿真元模型关于该数据样本的输出所处的基线区间，确定该数据样本在所述经训练的候选雷达目标检测仿真元模型下的推理标签；确定该数据样本的真实标签是否与该数据样本的推理标签相同；和响应于确定该数据样本的真实标签与该数据样本的推理标签相同，递增正确推理样本数n
正确
，其中，所述正确推理样本数n
正确
的初始值为零；按下式计算所述经训练的候选雷达目标检测仿真元模型关于所述候选元模型评估子集的真实分类准确率acc：将所述真实分类准确率acc与所述预设分类准确率进行比较，以评估所述经训练的候选雷达目标检测仿真元模型的推理性能。7.根据权利要求1-3中任一项所述的方法，还包括：响应于所述评估结果不符合预设准则，重新设计所述雷达目标检测实验方案和/或调整用于所述候选雷达目标检测仿真元模型的神经网络的网络参数。8.一种雷达目标检测仿真元模型构建装置，包括：第一数据获取单元，用于基于要在雷达目标检测仿真实验系统下仿真的雷达目标检测实验方案来确定第一数据集，所述第一数据集用于馈送至所述雷达目标检测仿真实验系统，以得到所述雷达目标检测仿真实验系统提供的第二数据集，其中，所述第一数据集包括雷达部署参数和目标部署参数，并且所述第二数据集包括所述雷达目标检测仿真实验系统中的雷达目标检测仿真模型根据接收到的所述第一数据集而输出的雷达目标检测仿真实验结果；第二数据获取单元，用于基于所述第一数据集和所述第二数据集构建第三数据集，所述第三数据集用于对代替所述雷达目标检测仿真模型的候选雷达目标检测仿真元模型进行训练和评估，并且所述第三数据集包括候选元模型训练子集和候选元模型评估子集，其中，所述候选元模型训练子集用于对所述候选雷达目标检测仿真元模型进行训练，并且所述候选元模型评估子集用于对经训练的候选雷达目标检测仿真元模型进行评估；训练单元，用于利用所述候选元模型训练子集对所述候选雷达目标检测仿真元模型进行训练，得到所述经训练的候选雷达目标检测仿真元模型；评估单元，用于利用所述候选元模型评估子集对所述经训练的候选雷达目标检测仿真元模型进行评估，得到所述经训练的候选雷达目标检测仿真元模型的评估结果；以及确定单元，用于响应于所述评估结果符合预设准则，将所述经训练的候选雷达目标检测仿真元模型作为最终雷达目标检测仿真元模型，以代替所述雷达目标检测仿真模型进行
雷达目标检测仿真实验。9.一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中所述存储器存储有计算机程序，所述计算机程序在被所述至少一个处理器执行时实现根据权利要求1-7中任一项所述的方法。10.一种存储有计算机程序的非瞬时计算机可读存储介质，其中，所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。

技术总结
一种雷达目标检测仿真元模型构建方法，包括：基于雷达目标检测实验方案来确定第一数据集，以用于馈送至雷达目标检测仿真实验系统，得到雷达目标检测仿真实验系统提供的第二数据集；基于第一数据集和第二数据集构建第三数据集，以用于对代替雷达目标检测仿真模型的候选雷达目标检测仿真元模型进行训练和评估，并且第三数据集包括候选元模型训练子集和候选元模型评估子集；利用候选元模型训练子集对候选雷达目标检测仿真元模型进行训练；利用候选元模型评估子集对经训练的候选雷达目标检测仿真元模型进行评估，得到评估结果；以及响应于评估结果符合预设准则，将经训练的候选雷达目标检测仿真元模型作为最终雷达目标检测仿真元模型。真元模型。真元模型。


技术研发人员：林金 叶丰 王彬彬 申之明
受保护的技术使用者：军事科学院系统工程研究院系统总体研究所
技术研发日：2023.04.28
技术公布日：2023/9/22