【技术实现步骤摘要】
基于深度卷积神经网络的雷达一维距离像目标识别方法
本专利技术属于雷达目标识别领域，涉及一种基于深度卷积神经网络的雷达一维距离像目标识别方法。
技术介绍
雷达自动目标识别是依据电磁散射理论，通过提取雷达回波信号中的特征，并对特征进行处理，来确定雷达目标所属的种类、型号等属性。自从20世纪60年代以来，美国专门建立了“弹道导弹预警系统”，从此便将雷达识别列入了重要开发计划，随后又将HRRP(高分辨率距离像)自动目标识别列入重要研发计划，并且在美国的高校内建立了雷达识别平台，在这个基础上，美国的多所高校运用雷达仿真软件建立用于仿真的HRRP信号，并以此为基础建立了很多完备的多目标HRRP数据库。随后，在90年代，俄罗斯也针对雷达识别领域建立了完备的目标数据库，这些都为雷达目标的识别奠定了坚实的基础。经过多年发展，雷达的自动识别已经能在完备的数据库中达到很好的效果。随着技术的发展，在实际的雷达目标识别中，待识别的目标一般不是出自于雷达HRRP数据库，而是实际作战中的高速非合作目标，因此雷达HRRP自动目标识别的内容逐步从合作目标、完备目标数据库识别发展向非合作目标的HRR...
【技术保护点】
1.基于深度卷积神经网络的雷达一维距离像目标识别方法，其特征在于，包括以下步骤：S1：采集数据集，将N个雷达采集到的HRRP数据集依据目标的种类进行合并，其中目标的种类为5，每种种类的数据分别在不同的数据段里选择训练样本和测试样本，在训练集和测试集样本的选取过程中，保证所选取的训练集的数据与雷达所成姿态涵盖测试数据集与雷达所成的姿态，各类目标训练集和测试集的样本数的比例为8:2，将挑选的数据集记作
【技术特征摘要】
1.基于深度卷积神经网络的雷达一维距离像目标识别方法，其特征在于，包括以下步骤：S1：采集数据集，将N个雷达采集到的HRRP数据集依据目标的种类进行合并，其中目标的种类为5，每种种类的数据分别在不同的数据段里选择训练样本和测试样本，在训练集和测试集样本的选取过程中，保证所选取的训练集的数据与雷达所成姿态涵盖测试数据集与雷达所成的姿态，各类目标训练集和测试集的样本数的比例为8:2，将挑选的数据集记作其中Xi表示第i个样本，yk表示第k种目标，i0表示样本总数；S2：对S1采集到的数据进行预处理，对挑选的数据集T中的每一个样本使用补偿对齐法进行对齐，然后再对对齐的样本加入小强度的高斯随机噪声，随机左右平移很小的单位扩充数据集，再对扩充后的数据集进行能量归一化得到归一化后的数据；S3：从预处理后的数据中提取特征，对S2预处理后的数据进行幂次变换，并将幂次变换的结果进行横向相连，再对幂次变换后的数据进行谱图特征提取；S4：设立一个阈值将采集到的雷达HRRP信号分成低信噪比和高信噪比样本两个部分；S5：构建基于稳健玻尔兹曼机的特征增强算法，算法利用信噪比较高的训练样本特征包含的先验信息，对信噪比较低的样本特征进行特征增强；S6：构建基于卷积神经网络和基于LSTM的双向循环神经网络的HRRP目标识别模型，实现雷达HRRP的自动识别功能；S7：对经过步骤S6构建好的模型，使用梯度下降算法对构建的卷积池化和循环神经网络的模型参数进行微调，使用训练数据迭代num_steps步后，得到有效的目标识别模型，其中损失函数使用的是交叉熵损失，其表达式为：其中pi表示对应样本的标签，ai表示模型计算得到的概率值，num_steps＝30000。2.根据权利要求1所述的一种基于深度卷积神经网络的雷达一维距离像目标识别方法，其特征在于，所述S2具体为：S2.1：对步骤S1中的数据集T中的样本进行对齐，T中的每个数据样本皆为256维度，原始数据样本表示为：X＝[x1,x2…,x256]；S2.1.1：新的数据样本将三个原始样本按照横向粘贴在一起构成一个256*3的数据集，表示为X′＝abs([X,X,X])＝[x′1,x′2,…,x′768]，其中，abs()为对其中每个元素的值取绝对值；S2.1.2：构建一个256维的序列Y＝[y1,y2…,y256]，其中，yi＝exp(k||i-128.5||2)其中k表示控制因子，||·||2表示求二范数操作；S2.1.3：求得到d之后，从X'中取出第d+1到第d+256个连续的点作为对齐后的数据X″＝[x′d+1,x′d+2…,x′d+256]；S2.1.4：将S1中数据集T中的每一个样本重复步骤S2.1.1，S2.1.2，S2.1.3得到的对齐后的样本数据集记为T1；S2.2：将对齐的数据T1进行能量归一化，用对齐的数据除以他们自身的范数现对数据的能量归一化，根据归一化公式对每一个样本实施公式将归一化后的数据集记作T2。3.根据权利要求2所述的一种基于深度卷积神经网络的雷达一维距离像目标识别方法，其特征在于，所述S3具体为：S3.1：对经过S2.2处理的数据T2中的每一个样本进行幂次变换，得到xpower＝(X∴)r，其中r为幂次变换的次数，(.)r表示将括号内的向量中每一个元素分别取r次方，其中幂次变换r分别取0.3,0.4,0.5,0.6,0.7，并将幂次变换后的结果横向相连，横向拼成一个新的特征X∵＝[(X∴)0.3,(X∴)0.4,(X∴)0.5,(X∴)0.6,(X∴)0.7]；S3.2：谱图特征提取，由如下公式得到：Xspectrogram(m,n)＝|STFT(X∵)|2，其中，STFT(·)表示对括号内的信号做离散短时傅里叶变换，|·|2表示对内部的矩阵的每一个元素取模再平方；变换后将二维谱图特征中的每一个元素取绝对值得到最终的特征，得到：X′spectrogram＝abs(Xsepctrogram)。4.根据权利要求3所述的一种基于深度卷积神经网络的雷达一维距离像目标识别方法，其特征在于，所述S4具体为，设立阈值将HRRP信号分为高信噪比样本和低信噪比样本两个部分，HRRP的信噪比定义为：其中，Pl表示原始测试HRRP在第l个距离单元内的功率，256表示距离单元个数，表示接收机在未接收到信号时的热噪声方差，设定阈值为20，即当SNR≥20dB时，判断为高信噪比样本，当SNR＜20dB时，判定为低信噪比样本。5.根据权利要求4所述的一种基于深度卷积神经网络的雷达一维距离像目标识别方法，其特征在于，所述S5具体为：S5.1：构建模型，基于稳健玻尔兹曼机特征增强算法的能量函数定义如下：其中，第一行描述了噪声以及控制高信噪比HRRP特征模型和噪声模型之间的交互，f表示高信噪比HRRP数据的特征，h表示高信噪比HRRP数据特征的隐含层节点，s表示控制噪声的指示变量，si表示第i个控制噪声的节点，gi表示噪声的隐含节点，g表示噪声的隐含层节点，表示表示低信噪比HRRP数据的特征，μ表示耦合因子，控制高信噪比HRRP数据特征和低信噪比HRRP数据特征的耦合程度；第二行描述了高信噪比HRRP的高斯受限玻尔兹曼机模型，第三行表示噪声的受限玻尔兹曼机模型，其中特表示噪声在第i个节点的均值和方差，bi、σi表示高斯受限玻尔兹曼机模型第i个可视节点的均值和方差，cj表示高斯受限玻尔兹曼机模型第j个隐藏节点的偏移量，Wij表示高斯受限玻尔兹曼机模型第i个可视节点到第j个隐藏节点权重，di表示受限玻尔兹曼机模型第i个可视节点的偏移量，ek表示受限玻尔兹曼机模型第k个隐藏节点的偏移量，Uik表示受限玻尔兹曼机模型第i个可视节点到第k个隐藏节点权重，λ1，λ2表示权重因子；S5.2：利用步骤S4提取的高信噪比HRRP样本提取的特征训练学习一个高斯受限玻尔兹曼机模型，将训练所得的模型参数作为基于先验知识的稳健玻尔兹曼机特征增强算法中高斯受限玻尔兹曼机模型部分的初始化参数，再在高信噪比HRRP中加入噪声，提取特征，训练得到基于先验知识的稳健玻尔兹曼机特征增强算法的所有参数；S5.3：判断经过S3处理后的样本是属于低信噪比样本还是属于高信噪比样本，若是属于高信噪比样本，则不作处理，若是属于低信噪比样本，则将从低信噪比样本中提取的特征经过S5.1和S5.2构造的玻尔兹曼机模型作特征增强处理得到增强的特征。6.根据权利要求5所述的一种基于深度卷积神经网络的雷达一维距离像目标识别方法，其特征在...
【专利技术属性】
技术研发人员：潘勉，于彦贞，杨坤兴，李训根，吕帅，周涛，曹静，刘爱林，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33
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。