基于结构嵌入和深度神经网络的雷达HRRP识别方法技术

本发明专利技术公开了一种基于结构嵌入和深度神经网络的雷达HRRP识别方法，首先提取数据的时域特征并对提取出的时域特征进行切分和非均匀量化编码得到其局部结构的编码，然后利用局部结构和其周围数个局部结构的关系得到其编码之间的共现矩阵，进而通过该共现矩阵得到数据的结构嵌入特征，然后再将提取出的嵌入特征送入由全连接层和基于LSTM的双向循环神经网络构成的深度神经网络进行训练，最后利用softmax层对HRRP进行识别并得到识别结果。

【技术实现步骤摘要】
基于结构嵌入和深度神经网络的雷达HRRP识别方法
本专利技术属于雷达目标识别领域，具体的讲，涉及一种基于高分辨距离像结构嵌入特征和深度神经网络的雷达高分辨距离像识别方法。
技术介绍
雷达高分辨距离像(HRRP)是用宽带雷达信号获取的目标散射点子回波在雷达视线方向投影的矢量和，它包含了目标的尺寸和散射点分布等重要结构信息，并且易于获取和快速处理。如今已经成为了雷达自动目标识别(RATR)领域的一个重要的研究方向，因此利用HRRP进行目标识别已经成为当前研究的热点。针对雷达HRRP识别的一些经典的模型如基于HRRP的一阶统计特性的模板匹配分类器(MCC-TMM)和基于融合一阶和二阶HRRP特性的自适应高斯分类器(AGC)，基于主成分分析(PCA)子空间投影模型等都是将HRRP样本作为一个整体来考虑的，未考虑到样本内部结构的相关性。鉴于这一特性，后来又发展出了基于HRRP样本内部结构特性的隐马尔可夫模型(HMM)和基于注意力机制的循环神经网络模型，它们均利用了HRRP背后所隐含的固定空间结构特性来进行识别。目前已有不少文献应用基于HRRP样本内部结构特性的方法对雷达HRRP的时域特征以及雷达整体HRRP序列进行实验，并且取得了很好的识别效果，然而在实际应用中，还存在以下几个主要的问题：(1)HMM在模型的建立过程中，假设信号符合一阶马尔可夫性，即当前时间点上的信号仅和前一个时间点信号相关，应用该方法对雷达HRRP的时域特征、谱图特征识别时，雷达HRRP特征的当前局部特征结构仅依赖于上一个局部特征结构，未能进一步发掘样本各局部特征结构之间隐含的整体物理结构相关性，尚存在很大改进空间；(2)基于注意力机制的循环神经网络模型为单向的循环神经网络模型，只能朝着一个方向建立依赖性，未能很好的利用HRRP整体的结构信息；(3)基于注意力机制的循环神经网络模型中所采用的循环神经网络过于简单，未使用长短时记忆(LSTM)单元，其循环神经网络的输出会过度的依赖于局部的结构，而很难顾全全局性的信息。由于这些问题的存在，大大限制了它们在实际工程中的应用，因此解决以上存在的问题在实际工程应用中是十分有意义的。
技术实现思路
本专利技术针对上述提到的应用HMM模型和基于注意力机制的循环神经网络模型进行雷达HRRP目标识别中存在的几点不足，提出了一种基于高分辨距离像结构嵌入特征与深度神经网络的雷达高分辨距离像目别方法，首先提取数据的时域特征并对提取出的时域特征进行切分和非均匀量化编码得到其局部结构的编码，然后利用局部结构和其周围数个局部结构的关系得到其编码之间的共现矩阵，进而通过该共现矩阵得到数据的结构嵌入特征，然后再将提取出的嵌入特征送入由全连接层和基于LSTM的双向循环神经网络构成的深度神经网络进行训练，最后利用softmax层对HRRP进行识别并得到识别结果。为实现上述目的，本专利技术的技术方案为一种基于结构嵌入和深度神经网络的雷达HRRP识别方法，包括以下步骤；S1:采集数据集，将Q个雷达采集到的HRRP数据集依据目标的种类进行合并，每种种类的数据分别在不同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。S2:对经过S1所挑选数据集中的每一个样本使用补偿对齐法进行对齐，得到对齐后的数据；S3:对S2处理后的每一个样本进行能量归一化处理，得到归一化后的数据；S4：对经过S3处理后的雷达训练目标数据，提取时域特征作为识别特征，并用于训练；S5:循环切分经过处理后的数据集，设定切分的向量长度为p，使p为2的幂级数，如4；之后对数据集内的每一个HRRP样本，将其移位p-1次并进行连接；S6:提取样本的嵌入表示特征，将每一个经过S5处理后的HRRP样本按10级进行非均匀量化；设定窗口值，初始化一个空矩阵，并依次统计量化向量在窗长度下共现的次数，对矩阵中的对应元素赋值；最后对矩阵中的每个元素限制其动态范围，根据共现矩阵得到HRRP训练样本的结构嵌入特征；S7:构建深度神经网络模型，并利用HRRP训练样本的结构嵌入特征训练该模型。该深度神经网络模型由三部分组成：首先是一个全连接网络层，用于嵌入特征降维，然后将降维后的数据输入至基于LSTM(长短时记忆网络)的双向循环神经网络，最后采用softmax层对双向循环神经网络的输出进行识别；测试阶段：S8:对由S1采集到的测试数据进行训练阶段的步骤S2、S3、S4、S5和S6操作；S9:将经过S8所提取的嵌入表示特征送入S7构建的深度神经网络得到测试样本所对应的目标。进一步的，步骤S1中各类目标训练集和测试集样本数的比例为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，一共采集了5种目标，i0表示样本总数。进一步的，步骤S2具体操作步骤如下：S2.1:由S1所选的数据集T中的每个样本皆为256维度，原始数据样本表示为：Xi＝[x1,x2,...,x256]；S2.2:将三个原始样本按照横向粘贴在一起构成一个256×3新样本数据样本，表示为X′i＝abs([Xi,Xi,Xi])＝[x′1,x′2,…,x′768]，其中abs(·)为对其中每个元素的值取绝对值；S2.3:构建一个256维的序列L＝[l1,l2,…,l256]，其中li＝exp(-k|i-128.5|)，k表示控制因子，k＞0，|·|表示求绝对值操作；S2.4: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]；S2.5:将T数据集中的每一个样本重复步骤S2.2、S2.3以及S2.4操作得到对齐后的样本数据，记为T1。进一步的，步骤S3中，归一化公式如下：其中||·||2表示求2范数。进一步的，步骤S4中，从X″′i内提取每一帧的时域特征作为识别特征,记作其中x(c)表示的是第c个目标的训练样本的时域特征集，其中提取时域特征之后的第i个样本记作C为目标总数.进一步的，步骤S5具体操作步骤如下：S5.1:其中i指示第i个目标，k指示的是第k个HRRP；S5.2:设定切分的向量的长度为p,使得为p为2的幂级数；S5.3:对数据集内的每一个样本，将其移位p-1次并进行连接，若则进一步的，步骤S6具体操作步骤如下：S6.1:对经过S5处理后的每一个按10级进行非均匀量化，得到其量化编码特征其中对于每个元素：若y＜e-3.6，则量化为0若e-3.6≤y＜e-3.2，则量化为1若e-3.2≤y＜e-2.8，则量化为2若e-2.8≤y＜e-2.4，则量化为3若e-2.4≤y＜e-2.0，则量化为4若e-2.0≤y＜e-1.6，则量化为5若e-1.6≤y＜e-1.2，则量化为6若e-1.2≤y＜e-0.8，则量化为7若e-0.8≤y＜e-0.4，则量化为8若e-0.4≤y＜e0，则量化为9S6.2:设定窗口值K，计算向量与向量之间共同出现的矩阵；S6.3:首先初始化一个空矩阵，记作V＝{Vij}i＝0,1…9999,j＝0,1…9999，即初始化的空矩阵有10000行和10000列，其中0000代表取出来的列向量[yi,yi+1,yi+2,yi+3]T的量化编码为[0,0,0本文档来自技高网...

【技术保护点】
1.一种基于结构嵌入和深度神经网络的雷达HRRP识别方法，包括以下步骤；S1:采集数据集，将Q个雷达采集到的HRRP数据集依据目标的种类进行合并，每种种类的数据分别在不同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。S2:对经过S1所挑选数据集中的每一个样本使用补偿对齐法进行对齐，得到对齐后的数据；S3:对S2处理后的每一个样本进行能量归一化处理，得到归一化后的数据；S4：对经过S3处理后的雷达训练目标数据，提取时域特征作为识别特征，并用于训练；S5:循环切分经过处理后的数据集，设定切分的向量长度为p，使p为2的幂级数，如4；之后对数据集内的每一个HRRP样本，将其移位p‑1次并进行连接；S6:提取样本的嵌入表示特征，将每一个经过S5处理后的HRRP样本按10级进行非均匀量化；设定窗口值，初始化一个空矩阵，并依次统计量化向量在窗长度下共现的次数，对矩阵中的对应元素赋值；最后对矩阵中的每个元素限制其动态范围，根据共现矩阵得到HRRP训练样本的结构嵌入特征；S7:构建深度神经网络模型，并利用HRRP训练样本的结构嵌入特征训练该模型。该深度神经网络模型由三部分组成：首先是一个全连接网络层，用于嵌入特征降维，然后将降维后的数据输入至基于LSTM(长短时记忆网络)的双向循环神经网络，最后采用softmax层对双向循环神经网络的输出进行识别；测试阶段：S8:对由S1采集到的测试数据进行训练阶段的步骤S2、S3、S4、S5和S6操作；S9:将经过S8所提取的嵌入表示特征送入S7构建的深度神经网络得到测试样本所对应的目标。...

【技术特征摘要】
1.一种基于结构嵌入和深度神经网络的雷达HRRP识别方法，包括以下步骤；S1:采集数据集，将Q个雷达采集到的HRRP数据集依据目标的种类进行合并，每种种类的数据分别在不同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。S2:对经过S1所挑选数据集中的每一个样本使用补偿对齐法进行对齐，得到对齐后的数据；S3:对S2处理后的每一个样本进行能量归一化处理，得到归一化后的数据；S4：对经过S3处理后的雷达训练目标数据，提取时域特征作为识别特征，并用于训练；S5:循环切分经过处理后的数据集，设定切分的向量长度为p，使p为2的幂级数，如4；之后对数据集内的每一个HRRP样本，将其移位p-1次并进行连接；S6:提取样本的嵌入表示特征，将每一个经过S5处理后的HRRP样本按10级进行非均匀量化；设定窗口值，初始化一个空矩阵，并依次统计量化向量在窗长度下共现的次数，对矩阵中的对应元素赋值；最后对矩阵中的每个元素限制其动态范围，根据共现矩阵得到HRRP训练样本的结构嵌入特征；S7:构建深度神经网络模型，并利用HRRP训练样本的结构嵌入特征训练该模型。该深度神经网络模型由三部分组成：首先是一个全连接网络层，用于嵌入特征降维，然后将降维后的数据输入至基于LSTM(长短时记忆网络)的双向循环神经网络，最后采用softmax层对双向循环神经网络的输出进行识别；测试阶段：S8:对由S1采集到的测试数据进行训练阶段的步骤S2、S3、S4、S5和S6操作；S9:将经过S8所提取的嵌入表示特征送入S7构建的深度神经网络得到测试样本所对应的目标。2.如权利要求1所述的基于结构嵌入和深度神经网络的雷达HRRP识别方法，其特征在于：步骤S1中各类目标训练集和测试集样本数的比例为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，一共采集了5种目标，i0表示样本总数。3.如权利要求2所述的基于结构嵌入和深度神经网络的雷达HRRP识别方法，其特征在于：步骤S2具体操作步骤如下：S2.1:由S1所选的数据集T中的每个样本皆为256维度，原始数据样本表示为：Xi＝[x1,x2,…,x256]；S2.2:将三个原始样本按照横向粘贴在一起构成一个256×3新样本数据样本，表示为X′i＝abs([Xi,Xi,Xi])＝[x′1,x'2,…,x'768]，其中abs(·)为对其中每个元素的值取绝对值；S2.3:构建一个256维的序列L＝[l1,l2,…,l256]，其中li＝exp(-k|i-128.5)，k表示控制因子，k＞0，|·|表示求绝对值操作；S2.4: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]；S2.5:将T数据集中的每一个样本重复步骤S3.2、S3.3以及S3.4操作得到对齐后的样本数据，记为T1。4.如权利要求3所述的基于结构嵌入和深度神经网络的雷达HRRP识别方法，其特征在于：步骤S3中，归一化公式如下：其中||·||2表示求2范数。5.如权利要求4所述的基于结构嵌入和深度神经网络的雷达HRRP识别方法，其特征在于：步骤S4中，从X″′i内提取每一帧的时域特征作为识别特征,记作其中x(c)表示的是第c个目标的训练样本的时域特征集，其中提取时域特征之后的第i个样本记作C为目标总数.6.如权利要求5所述的基于结构嵌入和深度神经网络的雷达HRRP识别方法，其特征在于：步骤S5具体操作步骤如下：S5.1:其中i指示第i个目标，k指示的是第k个HRRP；S5.2:设定切分的向量的长度为p,使得为p为2的幂级数；S5.3:对数据集内的每一个样本，将其移位p-1次并进行连接，若则7.如权利要求5所述的基于结构嵌入和深度神经网络的雷达HRRP识别方法，其特征在于：步骤S6具体操作步骤如下：S6.1:对经过S5处理后的每一个按10级进行非均匀量化，得到其量化编码特征其中对于每个元素：若y＜e-3.6，则量化为0若e-3.6≤y＜e-3.2，则量化为1若e-3.2≤y＜e-2.8，则量化为2若e-2.8≤y＜e-2.4，则量化为3若e-2.4≤y＜e-2.0，则量化为4若e-2.0≤y＜e-1.6，则量化为5若e-1.6≤y＜e-1.2，则量化为6若e-1.2≤y＜e-0.8，则量化为7若e-0.8≤y＜e-0.4，则量化为8若e-0.4≤y＜e0，则量化为9S6.2:设定窗口值K，计算向量与向量之间共同出现的矩阵；S6.3:首先初始化一个空矩阵，记作V＝{Vij}i＝0,1…9999,j＝0,1…9999，即初始化的空矩阵有10000行和10000列，其中0000代表取出来的列向量[yi,yi+1,yi+2,yi+3]T的量化编码为[0,0,0,0]T，其余的也是一样，矩阵中的每一个元素Vij为量化编码i和量化编码j之间的共现次数；S6.4:依次统计列向量之间在窗长度下共现的次数，如若窗K＝3(为保证左右对称，...

【专利技术属性】
技术研发人员：李训根，于彦贞，潘勉，吕帅帅，李子璇，刘爱林，张战，
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