【技术实现步骤摘要】
基于深度神经网络的米波雷达低仰角测高方法
本专利技术属于雷达
，特别涉及雷达低仰角测高，具体是一种基于深度学习的米波雷达低仰角测高方法，可用于低仰角条件下多径信号不是单一点源信号时估计来波方向。
技术介绍
米波雷达在反隐身、反辐射导弹及远程预警方面起到重要作用。但由于米波雷达波长较长，主瓣较宽，阵列孔径受限，故其角度分辨率不高，直接影响测高性能。尤其在低仰角条件下，由于波束打地，目标多径信号特别复杂，且多径信号与直达波信号属于强相干信号，此相干信号很难在空域、时域及频域进行区分。针对此问题，国内外很多学者进行了大量的研究，其中主要研究内容在于两个方面：一方面，基于经典反射模型，通过对直达波信号和多径信号进行解相干进而达到来波方向(DirectionofArrival,DOA)估计的目的，如经典的多重信号分类算法和旋转不变子空间算法。当直达波与多径反射波完全相干时，阵列接收数据的协方差矩阵的秩降为1，通过解相干技术恢复协方差矩阵的秩，进而达到DOA估计的目的。空间平滑算法和矩阵重构算法通过降低系统自由度来实现秩恢复。此类算法的缺点是带来了阵列孔径的损失，Toe...
【技术保护点】
1.一种基于深度神经网络的米波雷达低仰角测高方法，其特征在于，包括有以下步骤：步骤1，回波数据预处理：将采集到的数据分成训练集数据和测试集数据并分别进行标签标记；对带标签的训练集回波数据x(m)进行频域变换，得到数据的幅度谱X(k),k＝1,2…K,K为数据维数，对幅度谱X(k)进行归一化处理，得到归一化处理后的幅度谱X：X＝(X‑min(X))/(max(X)‑min(X))；步骤2，多层深度神经网络DNN训练：分批训练带标签的训练集数据x(m)，构造压缩网络，压缩网络的输出维数小于输入维数：以归一化的幅度谱X作为压缩网络的输入并对输入数据进行特征提取得到特征F；构造与压...
【技术特征摘要】
1.一种基于深度神经网络的米波雷达低仰角测高方法，其特征在于，包括有以下步骤：步骤1，回波数据预处理：将采集到的数据分成训练集数据和测试集数据并分别进行标签标记；对带标签的训练集回波数据x(m)进行频域变换，得到数据的幅度谱X(k),k＝1,2…K,K为数据维数，对幅度谱X(k)进行归一化处理，得到归一化处理后的幅度谱X：X＝(X-min(X))/(max(X)-min(X))；步骤2，多层深度神经网络DNN训练：分批训练带标签的训练集数据x(m)，构造压缩网络，压缩网络的输出维数小于输入维数：以归一化的幅度谱X作为压缩网络的输入并对输入数据进行特征提取得到特征F；构造与压缩网络结构对称的解压网络，解压网络的输出维数等于压缩网络的输入维数：以压缩得到的特征F作为解压网络的输入进行解压处理得到解压数据X′(k)，k＝1,2…K；计算幅度谱数据X(k)和解压数据X′(k)的误差Xmse，采用自适应时刻估计算法对网络参数的权值W和偏置b进行训练，并在每次迭代后采用误差反向传播算法对网络权值W和偏置b进行微调，直到数据集误差收敛，即确定网络参数W和b，完成多层深度神经网络的训练和构造；步骤3，对训练集数据的特征基提取：在DNN训练过程中当网络参数达到最优时，依次输入训练集中的单个数据，获取所有单个数据的特征并单位化得到特征基Fi，i＝1,2…n，n为特征个数，组成特征基集{F1,F2…Fn}，特征基集中的每个特征基对应一个仰角θi，i＝1,2…n，特征基集所对应的仰角集为{θ1,θ2…θn}；步骤4，测试集数据来波方向估计：对测试集数据进行数据预处理：用训练集数据的最大值和最小值对频域变换后的测试集数据进行归一化处理，得到归一化处理后的幅度谱；将归一化处理后的幅度谱输入已经训练好的多层DNN网络进行压缩得到测试集数据特征F′，将测试集数据特征F′投影在训练集数据的特征基集中，并确定来波角度：计算低仰角目标高度，完成米波雷达低仰角目标的高度测量。2.如权利要求1所述的基于深度神经网络的米波雷达低仰角测高方法，其特征在于，步骤2所述的多层DNN训练，包括有如下步骤：2.1将归一化的幅度谱X作为压缩网络的输入，并对输入的幅度谱数据进行特征提取得到特征F,与此同时构建另一个结构对称的解压网络对压缩得...
【专利技术属性】
技术研发人员：陈伯孝，杨婷，项厚宏，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。