一种雷达目标识别的分类器模型训练方法技术

本发明专利技术提出了一种雷达目标识别的分类器模型训练方法，包括将已知类别信息的时频图分为训练数据集和测试数据集两类，利用原始深度学习模型进行训练，通过不断调整参数获得适用于雷达目标识别的最优深度学习模型，所述分类器模型训练阶段使用CNN模型。本发明专利技术可以得到更高的识别正确率。

【技术实现步骤摘要】
一种雷达目标识别的分类器模型训练方法
本专利技术涉及雷达目标识别
，尤其是涉及一种雷达目标识别的分类器模型训练方法。
技术介绍
不同目标在战场上执行任务的不同决定了其威胁程度的差异，因此对战场目标的识别具有重要意义。目前我军装甲部队列装的某型雷达侦察车的车载雷达为脉冲多普勒雷达，对目标的识别通常采用人为判定方式，在发现目标后，侦察员通过头戴式侦听耳机监听目标的回波音频信号，对目标进行识别。这种方式对侦察员的专业素质要求较高，尤其对未经过长时间专门培训的侦察员来说，更是容易出现误判或错判的情况，目标的正确识别率极低，并且整个过程耗时比较长，因此我军装甲部队需要更加智能的车载雷达运动目标识别方法。雷达目标识别方法的本质是将机器学习及模式识别的相应知识应用到雷达目标探测中，其思路是从目标的雷达回波中提取出能够反应目标特性的信息，使用机器学习的思想构建分类器，将提取的特征带入训练好的分类器，从而对目标的类别做出判定，其流程如图1所示，整个过程可分为两个阶段：①特征的训练学习阶段，首先对已知类别信息的训练数据集进行预处理，接着选择出对不同类别数据具有区分度的特征，进而利用这些特征确定分类器的相关参数，完成对分类器的设计；②未知目标的识别阶段，对于未知类别信息的测试数据集，首先使用与训练阶段相同方法进行预处理，接着对该数据进行特征提取，特征类型应该与训练阶段相同，最后将这些特征输入至训练好的分类器进行识别决策，从而得出未知目标的识别结果。分析图1可以得出，雷达目标识别的关键在于特征的选择和分类器的设计，也就是分类算法的性能。需要选择的特征主要是目标的雷达回波信号特征，可分为以下3类：①高分辨距离像特征，这类特征对不同目标具有较好的区分度，但存在不稳定的问题，且该特征大多被用于飞机目标的识别，使用该特征进行地面目标识别的研究很少；②多普勒特征，对于不同地面目标而言，由于其表面材料的不同导致了目标对雷达发射电磁波散射情况的差异，再加上目标旋转和振动等的复合调制，使得回波信号的多普勒频移具有一定的差异，可以基于此特征进行目标识别，但随着目标特征控制技术的发展，利用该类方法进行分类识别也变得比较困难；③微多普勒特征，微多普勒特征是目标微运动引起的独特特征，微运动是指目标及其组成部件的振动、转动等小幅度的运动，是由目标的独特部件在特定受力下发生的，如车轮、履带及炮塔的转动，行人手臂的摆动等，这些微运动可控性低，不易被模仿，所以其微多普勒特征往往是“独一无二”的，可以作为运动目标识别的重要依据，所以基于微多普勒特征的目标识别技术为地面目标的识别提供了新思路，具有很大潜力，本专利技术也是基于此方法展开研究。关于分类算法，主要有以下3类：①模板匹配算法，该类算法计算量小，易于移植，但对模板库的依赖性较高，模板越精细，匹配越好，但是计算效能又会降低；②核机器学习算法，是以统计学习理论与核函数为基础的方法，如支持向量机(SupportVectorMachine,SVM)等，实现简单且识别稳定；③人工神经网络算法，这类方法具有自适应和自学习的优点，但经常会出现过拟合从而使结果呈现局部最优的情况，而且模型建立较为困难。同时上述几类方法使用模型都是浅层结构，对复杂问题的建模能力有限。目前现有技术采用的手段分为两种：目标微多普勒特征提取和基于微多普勒特征的目标识别，其中，微多普勒特征提取是从微运动引起的雷达回波信号中获得微多普勒频移的过程。ChenVC等人提出使用时频分析法可以实现微多普勒特征的提取，并使用Gabor变换法提取了圆柱体目标旋转运动、自旋陀螺进动产生的微多普勒特征；GhalebA等人提出了使用短时傅里叶变换(Short-TimeFourierTransform,STFT)进行目标微多普勒特征提取的方法；SparrT等人提出使用自适应最优核时频分析(AdaptiveOptimalKernelTimeFrequencyAnalysis,AOK-TFA)进行微多普勒特征提取的方法；孙忠胜等人使用广义S变换进行了多人微多普勒特征提取的试验；李秋生等人提出利用高阶时频分布分析雷达目标微多普勒效应的方法。第二种为基于微多普勒特征的目标识别，StoveAG等人利用单兵便携式监测跟踪雷达采集了地面战场上3类目标(履带式车辆、轮式车辆和行人)的雷达回波信号，求得其多普勒谱，同时设计了Fisher线性分类器，对目标进行了识别。SmithGE等人采用ThalesMSTAR系统对轮式车、行人和履带车进行了分类研究，利用CLEAN方法，结合主成分分析(PrincipalComponentAnalysis，PCA)对雷达回波信号的微多普勒频移进行处理，最后使用贝叶斯分类器进行目标识别。李彦兵使用了多种方法对轮式车和履带车的实测回波数据进行了识别，提取了多种微多普勒特征，如多普勒谱、能量分布特征等，之后使用SVM进行分类。总体来说，EMD分层分类法具有较高的分类正确率。KimY等人分别提出将人工神经网络(ArtificialNeuralNetwork，ANN)与微多普勒特征相结合、SVM与微多普勒特征相结合的行人姿态识别方法。现有基于时频分析的微多普勒特征提取和基于微多普勒特征的目标识别方法中，还存在一些局限和不足，主要为：(1)在使用时频分析法进行微多普勒特征提取时，线性时频分析法所得结果通常存在时频分辨率较低的问题，如STFT、Gabor变换等方法；二次型时频分析法所得结果通常存在交叉项干扰的问题，如魏格纳分布(Wigner-VilleDistribution,WVD)、伪魏格纳分布(PseudoWigner-VilleDistribution,PWVD)等；重排类时频分布通常存在计算复杂度太高的问题，如重排平滑伪Wigner分布(ReassignedSmoothedPseudoWigner-VilleDistribution,RSPWVD)等。(2)在基于微多普勒特征的目标识别方法中，当前很多分类算法都是浅层结构，应用范围较窄，样本量较少时，无法对复杂函数进行很好地表示，因此对于较为复杂的识别问题，其处理能力有限，如Fisher线性分类器、贝叶斯分类器、SVM等，因此在提高分类器的学习能力方面有待提高。上面论述的目标特征提取及识别方法，存在着诸多的局限性和不足。因此，要完成地面运动目标的识别，尤其是高准确率、实时的识别，有一定的难度。
技术实现思路
本专利技术提出一种雷达目标识别的分类器模型训练方法，有效地解决了人工选取特征值费时费力、浅层分类算法对复杂识别问题的处理能力有限的问题，实现了快速、准确的地面目标识别。本专利技术的技术方案是这样实现的：一种雷达目标识别的分类器模型训练方法，包括将已知类别信息的时频图分为训练数据集和测试数据集两类，利用原始深度学习模型进行训练，通过不断调整参数获得适用于雷达目标识别的最优深度学习模型，所述分类器模型训练阶段使用CNN模型。作为一种优选的技术方案，所述初始CNN模型的基本网络结构由多个层组成，每一层有多个二维平面，每个平面又有多个相互独立的神经元，其处理步骤可简要归纳如下：①将经过预处理的二维数据做为输入放入CNN；②使用3个卷积核和可加偏置对输入数据进行卷积，在C1层得到3个特征映射，卷积过程如图4所示，设本文档来自技高网...

【技术保护点】
1.一种雷达目标识别的分类器模型训练方法，其特征在于，包括将已知类别信息的时频图分为训练数据集和测试数据集两类，利用原始深度学习模型进行训练，通过不断调整参数获得适用于雷达目标识别的最优深度学习模型，所述分类器模型训练阶段使用CNN模型。

【技术特征摘要】
1.一种雷达目标识别的分类器模型训练方法，其特征在于，包括将已知类别信息的时频图分为训练数据集和测试数据集两类，利用原始深度学习模型进行训练，通过不断调整参数获得适用于雷达目标识别的最优深度学习模型，所述分类器模型训练阶段使用CNN模型。2.如权利要求1所述的一种雷达目标识别的分类器模型训练方法，其特征在于，所述初始CNN模型的基本网络结构由多个层组成，每一层有多个二维平面，每个平面又有多个相互独立的神经元，其处理步骤可简要归纳如下：①将经过预处理的二维数据做为输入放入CNN；②使用3个卷积核和可加偏置对输入数据进行卷积，在C1层得到3个特征映射，卷积过程如图4-3所示，设输入矩阵大小为4×4，卷积核的大小为2×2，卷积的步长为1，则卷积后的矩阵大小为3×3，即对于a×b的输入数据，当卷积核大小为c×d，且步长为i时，卷积后数据的大小g×h为：③对C1层输出的特征进行池化，即对C1层的输出中的邻域进行加权求和，加偏置再经过激励函数在S2层得到3个特征映射，其目的是对数据...

【专利技术属性】
技术研发人员：吕军，贠乐应，李嘉睿，
申请(专利权)人：中国人民解放军陆军装甲兵学院，
类型：发明
国别省市：北京,11