一种基于微多普勒特征提取和深度学习的雷达目标识别方法技术

本发明专利技术提出了一种基于微多普勒特征提取和深度学习的雷达目标识别方法，包括新方法可分为三个阶段：步骤一、微多普勒特征提取阶段，使用MSTFT‑WVD算法获得目标的微多普勒特征时频图；步骤二、分类器模型训练阶段，将第一阶段获得的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；步骤三、未知目标的识别阶段，同样利用MSTFT‑WVD算法获得未知目标的微多普勒特征时频图，将其输入至第二阶段训练好的深度学习模型中，获得未知目标的类别信息。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】
一种基于微多普勒特征提取和深度学习的雷达目标识别方法
本专利技术涉及雷达目标识别
，尤其是涉及一种基于微多普勒特征提取和深度学习的雷达目标识别方法。
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本文档来自技高网...

【技术保护点】
1.一种基于微多普勒特征提取和深度学习的雷达目标识别方法，其特征在于，包括新方法可分为三个阶段：步骤一、微多普勒特征提取阶段，使用MSTFT‑WVD算法获得目标的微多普勒特征时频图；步骤二、分类器模型训练阶段，将第一阶段获得的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；步骤三、未知目标的识别阶段，同样利用MSTFT‑WVD算法获得未知目标的微多普勒特征时频图，将其输入至第二阶段训练好的深度学习模型中，获得未知目标的类别信息。

【技术特征摘要】
1.一种基于微多普勒特征提取和深度学习的雷达目标识别方法，其特征在于，包括新方法可分为三个阶段：步骤一、微多普勒特征提取阶段，使用MSTFT-WVD算法获得目标的微多普勒特征时频图；步骤二、分类器模型训练阶段，将第一阶段获得的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；步骤三、未知目标的识别阶段，同样利用MSTFT-WVD算法获得未知目标的微多普勒特征时频图，将其输入至第二阶段训练好的深度学习模型中，获得未知目标的类别信息。2.如权利要求1所述的一种基于微多普勒特征提取和深度学习的雷达目标识别方法，其特征在于，所述MSTFT-WVD算法的公式表述如下：式中，SWWx(t,f)为使用MSTFT-WVD算法对信号进行时频变换所得矩阵，a为幂调节系数，c为阈值。3.如权利要求2所述的一种基于微多普勒特征提取和深度学习的雷达目标识别方法，其特征在于，所述MSTFT-WVD算法具体步骤如下：①对微多普勒信号进行STFT变换和WVD变换分别得STFTx(t,f)和Wx(t,f)，同时对STFTx(t,f)进行平方运算得原始信号的短时傅里叶变换谱Sx(t,f)；②对Sx(t,f)和Wx(t,f)进行归一化处理后求和得SW1x(t,f)；③设立阈值c，当SW1x(t,f)的值大于c时，令其值为1，当SW1x(t,f)的值小于c时，令其值为0，得到新矩阵SW2x(t,f)；④对Wx(t,f)进行指数运算得Wxa(t,f)，其目的是增强Wx(t,f)中数值较大的自项部分同时减弱交叉项部分；⑤对Wxa(t,f)和SW2x(t,f)进行乘积运算得新的时频分布SWWx(t,f)。4.如权利要求3所述的一种基于微多普勒特征提取和深度学习的雷达目标识别方法，其特征在于，所述系数a在[0.2，0.5]范围内取值为宜，所述阈值c在[0.3，0.7]×max|SW1x(t,f)|范围内取值为宜。5...

【专利技术属性】
技术研发人员：吕军，李嘉睿，贠乐应，苗成林，
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