一种基于机器学习的雷达目标定位方法技术

本申请公开了一种基于机器学习的雷达目标定位方法。所述方法的一具体实施方式包括：对利用沿航迹双通道合成孔径雷达SAR接收的目标回波信号进行距离向脉压等处理，得到干涉相位矩阵，将干涉相位矩阵中每个距离单元对应的干涉相位矢量依次输入神经网络，即得到每个距离单元是否存在运动目标及运动目标的方位位置x0。该实施方式避免了传统沿航迹干涉ATI方法复杂的方位脉压、径向速度估计等过程及其所面临的相位模糊问题，从而解决了以上过程中误差累积导致的运动目标定位精度下降问题，该实施方式具有较高的运动目标定位精度和较少的用时，可以满足高实时性和高定位精度要求。

A method of radar target localization based on machine learning

The invention discloses a method for radar target localization based on machine learning. Including a specific embodiment of the method: distance to pressure on the use of processing along the target radar echo signal SAR received double track channel synthetic aperture interferometric phase, get the interference matrix, the interferometric phase vector corresponding to each phase in the matrix distance unit input neural network, namely each range position is x0 there is a moving target and moving target. The way to avoid the problem of traditional fuzzy phase along track interferometric ATI method complex range of pulse, the radial velocity estimation process and facing, thus solving the problem of moving target positioning accuracy decline over the course of cumulative error caused by moving target positioning accuracy and less the higher the use, can satisfy the high real-time and high positioning accuracy.

【技术实现步骤摘要】

本申请涉及信号处理
，具体涉及雷达目标检测和识别领域，尤其涉及一种基于机器学习的雷达目标定位方法，该方法可用于雷达动目标检测、动目标定位与跟踪等。
技术介绍
现有雷达系统基于较为严格的理论模型和传统的信号处理手段，主要存在以下问题：(1)复杂环境建模困难，系统误差累积，高稳健性难以实现；(2)线性周期处理方式(如傅里叶变换等)，解模糊(距离模糊、多普勒模糊、相位模糊、速度模糊等)需要复杂的运算和昂贵的硬件成本；(3)雷达系统复杂，通用性差、可移植性较弱，升级改造周期长。近年来，随着大数据和计算能力的提升，又掀起了以机器学习、深度学习为代表的人工智能浪潮。利用机器学习技术，将雷达处理过程等效为“黑盒”，通过训练神经网络，直接构建原始回波数据或距离脉压域数据与输出信息的非线性关系，可实现以下功能：(1)利用包含环境和系统误差的数据进行训练，提高系统稳健性；(2)非线性处理解模糊；(3)系统架构呈现模块化，可移植性强、可实现快速升级。因此，研究基于机器学习的雷达目标定位方法具有重要意义。
技术实现思路
本申请的目的在于针对上述已有技术的不足，提出一种基于机器学习的雷达目标定位方法，以提高系统实现的稳健性和快速移植能力。本申请提供了一种基于机器学习的雷达目标定位方法，所述方法包括：对利用沿航迹双通道合成孔径雷达SAR接收的目标回波信号和进行距离向脉压处理，得到双通道距离脉压域信号和其中，为快时间，tm为慢时间，R0为目标到雷达平台运行轨道的最近距离，x0为所述目标在tm＝0时刻相对于所述雷达平台的方位位置；将所述双通道距离脉压域信号和进行共轭相乘，得到干涉矩阵其中，是的共轭矩阵；对所述干涉矩阵进行取相位操作，计算得到干涉相位矩阵其中，angle[·]表示取相位操作；将所述干涉相位矩阵中每个距离单元对应的干涉相位矢量依次输入神经网络，得到对应距离单元的目标运动属性值M和所述目标相对于所述雷达平台的方位位置x0，即得到每个距离单元是否存在运动目标及运动目标的方位位置。在一些实施例中，所述基于机器学习的雷达目标定位方法，还包括：预先构建并训练基于误差后向传播BP的所述神经网络。在一些实施例中，所述预先构建并训练基于误差后向传播BP的所述神经网络，包括如下步骤：(1)设定目标的目标参数(x0,R0,vr,va)和沿航迹双通道合成孔径雷达SAR的系统参数，其中，所述目标是指用于训练所述神经网络的目标，包含运动目标和静止目标，R0为所述目标到雷达平台运行轨道的最近距离，x0为所述目标在tm＝0时刻相对于所述雷达平台的方位位置，tm为慢时间，vr和va分别为所述目标的径向速度和方位向速度；(2)根据所述目标参数和所述系统参数，生成所述目标的距离脉压域的双通道仿真信号和并计算目标运动属性值，其中，为快时间，如果所述目标的径向速度vr和方位向速度va同时为零，则设所述目标运动属性值M＝0，否则，设置M＝1；(3)根据所述目标的双通道仿真信号和计算得到所述目标所在距离单元的数据矢量s1′(tm,x0)和s2′(tm,x0)；(4)将s1′(tm,x0)和s′2(tm,x0)共轭相乘，计算所述目标的干涉相位矢量；(5)构建所述神经网络，计算所述目标的干涉相位矢量的长度L，设定所述神经网络的输入节点的个数等于L、输出节点的个数等于2、隐含层节点的个数等于其中，表示求平方根运算，floor(·)表示向下取整运算，初始化训练次数T＝0；(6)将所述干涉相位矢量作为所述神经网络的输入数据，将所述目标运动属性值M和所述目标相对于所述雷达平台的方位位置x0作为所述神经网络的标签数据，即将M和x0作为所述神经网络的输出，利用最速下降法完成一次神经网络训练，更新训练次数T＝T+1；(7)如果T<L2，则更新所述目标参数(x0,R0,vr,va)的值，系统参数不变，按照步骤(2)至步骤(4)重新生成所述目标的运动属性值和干涉相位矢量，再按照步骤(6)执行一次神经网络训练；否则，完成所述神经网络的训练。在一些实施例中，所述根据所述目标参数和沿航迹双通道合成孔径雷达SAR的系统参数，生成所述目标的距离脉压域的双通道仿真信号和包括：(1)不考虑由于所述目标的速度导致的距离徙动影响，按照如下公式计算所述目标至所述雷达平台的瞬时斜距R1和R2：其中，R0为所述目标到所述雷达平台运行轨道的最近距离，vr为所述目标的径向速度，tm为慢时间，x0为所述目标在tm＝0时刻相对于雷达平台方位位置，vs为所述雷达平台的运行速度，va为所述目标的方位向速度，d为沿航迹双通道的间距。(2)按照如下公式计算所述目标的距离脉压域的双通道仿真信号和其中，A为所述目标距离脉压域的信号幅度，Br为发射线性调频信号带宽，为快时间，c为光速，λ为发射载波中心频率对应的波长，R1和R2为所述目标至雷达平台的瞬时斜距，j为虚部符号，π为圆周率，sinc为正弦函数，exp为指数函数。在一些实施例中，所述根据所述目标的双通道仿真信号和计算得到所述目标所在距离单元的数据矢量s1′(tm,x0)和s′2(tm,x0)，包括：按照如下公式计算得到所述目标所在距离单元的数据矢量s1′(tm,x0)和s2′(tm,x0)：当最小时，当最小时，其中，|·|表示取绝对值运算。本申请提供的一种基于机器学习的雷达目标定位方法与现有技术相比具有以下优点：1)本申请的神经网络构建了运动目标距离脉压域数据与其方位位置的非线性关系，避免了传统的ATI(沿航迹干涉，AlongTrackInterferometry)方法所面临的相位模糊问题，具有较高的定位精度。2)本申请直接从距离脉压域数据中提取运动目标方位位置信息，避免了传统ATI方法复杂的方位脉压、径向速度估计等过程，提高了运动目标定位的实时性。3)本申请直接从距离脉压域数据中提取运动目标方位位置信息，避免了传统ATI方法复杂的方位脉压、径向速度估计等过程，从而解决了以上过程中误差累积导致的运动目标定位精度下降问题。附图说明通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：图1是本申请的基于机器学习的雷达目标定位方法的一个实施例的流程图；图2是本申请与传统ATI方法在不同径向速度下实现对运动目标定位的定位偏差对比仿真图；图3是本申请与传统ATI方法在不同径向速度下实现对运动目标定位的所需用时对比仿真图；图4是本申请的基于机器学习的雷达目标定位方法的又一个实施例的流程图。具体实施方式下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关专利技术，而非对该专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关专利技术相关的部分。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。图1示出了本申请的基于机器学习的雷达目标定位方法的一个实施例的流程图100。所述基于机器学习的雷达目标定位方法，包括以下步骤：步骤101，对利用沿航迹双通道合成孔径雷达SAR接收的目标回波信号进行距离向脉压处理，得到双通道距离脉压域信号矩阵。在本实施例中，对利用沿航迹双通道合成孔径雷达SAR接收的目标回波信本文档来自技高网...

【技术保护点】
一种基于机器学习的雷达目标定位方法，其特征在于，所述方法包括：对利用沿航迹双通道合成孔径雷达SAR接收的目标回波信号和进行距离向脉压处理，得到双通道距离脉压域信号矩阵和其中，为快时间，tm为慢时间，R0为目标到雷达平台运行轨道的最近距离，x0为所述目标在tm＝0时刻相对于所述雷达平台的方位位置；将所述双通道距离脉压域信号矩阵和进行共轭相乘，得到干涉矩阵其中，是的共轭矩阵；对所述干涉矩阵进行取相位操作，计算得到干涉相位矩阵其中，angle[·]表示取相位操作；将所述干涉相位矩阵中每个距离单元对应的干涉相位矢量依次输入神经网络，得到对应距离单元的目标运动属性值M和所述目标相对于所述雷达平台的方位位置x0，即得到每个距离单元是否存在运动目标及运动目标的方位位置。

【技术特征摘要】
1.一种基于机器学习的雷达目标定位方法，其特征在于，所述方法包括：对利用沿航迹双通道合成孔径雷达SAR接收的目标回波信号和进行距离向脉压处理，得到双通道距离脉压域信号矩阵和其中，为快时间，tm为慢时间，R0为目标到雷达平台运行轨道的最近距离，x0为所述目标在tm＝0时刻相对于所述雷达平台的方位位置；将所述双通道距离脉压域信号矩阵和进行共轭相乘，得到干涉矩阵其中，是的共轭矩阵；对所述干涉矩阵进行取相位操作，计算得到干涉相位矩阵其中，angle[·]表示取相位操作；将所述干涉相位矩阵中每个距离单元对应的干涉相位矢量依次输入神经网络，得到对应距离单元的目标运动属性值M和所述目标相对于所述雷达平台的方位位置x0，即得到每个距离单元是否存在运动目标及运动目标的方位位置。2.根据权利要求1所述的基于机器学习的雷达目标定位方法，其特征在于，所述方法还包括：预先构建并训练基于误差后向传播BP的所述神经网络。3.根据权利要求2所述的基于机器学习的雷达目标定位方法，其特征在于，所述预先构建并训练基于误差后向传播BP的所述神经网络，包括如下步骤：(1)设定目标的目标参数(x0,R0,vr,va)和沿航迹双通道合成孔径雷达SAR的系统参数，其中，所述目标是指用于训练所述神经网络的目标，包含运动目标和静止目标，R0为所述目标到雷达平台运行轨道的最近距离，x0为所述目标在tm＝0时刻相对于所述雷达平台的方位位置，tm为慢时间，vr和va分别为所述目标的径向速度和方位向速度；(2)根据所述目标参数和所述系统参数，生成所述目标的距离脉压域的双通道仿真信号和并计算目标运动属性值，其中，为快时间，如果所述目标的径向速度vr和方位向速度va同时为零，则设所述目标运动属性值M＝0，否则，设置M＝1；(3)根据所述目标的双通道仿真信号和计算得到所述目标所在距离单元的数据矢量s′1(tm,x0)和s′2(tm,x0)；(4)将s′1(tm,x0)和s′2(tm,x0)共轭相乘，计算所述目标的干涉相位矢量；(5)构建所述神经网络，计算所述目标的干涉相位矢量的长度L，设定所述神经网络的输入节点的个数等于L、输出节点的个数等于2、隐含层节点的个数等于其中，表示求平方根运算，floor(·)表示向下取整运算，初始化训练次数T＝0；(6)将所述干涉相位矢量作为所述神经网络的输入数据，将所述目标运动属性值M和所述...

【专利技术属性】
技术研发人员：张学攀，刘波，贺杨，
申请(专利权)人：中国空间技术研究院，
类型：发明
国别省市：北京;11