基于RNN的雷达目标航迹识别方法和装置制造方法及图纸

本发明专利技术涉及一种基于RNN的雷达目标航迹识别方法和装置。本发明专利技术从计算机的角度出发，将递归神经网络应用到雷达目标识别领域。提出一种新的雷达目标航迹识别的方式。这种方式可以基本准确识别雷达目标航迹。

Radar Target Track Recognition Method and Device Based on RNN

【技术实现步骤摘要】
基于RNN的雷达目标航迹识别方法和装置
本专利技术实施例涉及军事领域、航空航天领域、计算机领域、雷达目标识别领域，具体涉及一种基于RNN的雷达目标航迹识别方法和装置。
技术介绍
早期对雷达目标特性的研究主要是研究雷达目标的有效截面积。但是，对于各种不同形状和各类性质的目标，识别的有效性就非常低。后来出现了基于雷达时域一维目标回波波形，提取波形体系中涵括的目标特性数据来达到目标分类的目的。但回波波形容易受到自然噪声等各种杂波干扰，使得目标特性的提取十分困难且由于技术的限制，提取出来的目标特性也不是很精确。基于目标极点分布特征的目标识别技术，通常是直接从一组瞬态响应时域信息中提炼目标极点，把提炼出来的目标极点看出目标特性，再与所要对比的极点进行对比达到目标识别的目的。但是方法的估算准确率还有待提高且算法自身的降噪性还需要提升。基于高分辨雷达成像的目标识别的问题是一维距离成像目标识别则容易受到目标间、目标各散射点之间的彼此干涉、组合等交错项的影响，从而抑制了识别率的准确率。而二维成像的识别的难点是如何获取到高质量的二维图像。基于极化特征的目标识别的局限性在于：一是若雷达所处的情形是低分辨力，则从雷达回波中很难获得平稳而精确的目标极化特性，从而使得极化数据在低分辨力这种条件下对目标辨别的效果较差。二是极化散射矩阵的精确测量技术的局限性。
技术实现思路
本专利技术实施例提供了一种基于RNN的雷达目标航迹识别方法和装置，用以解决上述至少一个技术问题。第一方面，本专利技术实施例提供一种基于RNN的雷达目标航迹识别方法，包括：S1：将模拟生成的雷达目标航迹数据，按照时间的先后顺序排列，以为10个点一组，分为1行30列的数据，并给每一行数据加上标签值；S2：将S1中的一行数据的前30列取出来，组成30*30的矩阵，作为一个输入值X，并重复操作，直至得到整个输入数据集，取整个输入数据集的多数为训练集，取整个输入数据集的少数作为测试集；S3：设置RNN模型的参数：输入层到隐层的权重矩阵U、隐层到输出层的权重矩阵V、迭代次数、学习率、批次大小，并确定批次数；S4：判断当前批次数目是否小于等于所述批次数，若小于或等于，则按顺序找到当前输入数据的起始位置，若剩余数据量大于等于所述批次大小，则取一个批次大小的数据作为此次RNN模型的输入，若剩余数据量小于所述批次大小，则取全部剩余量作为RNN模型的输入，若当前批次数目大于所述批次数，则转入S8；S5：输入数据经过计算到达RNN模型的隐层，再经过隐层的一系列操作，得到隐层的输出，再经过输出层的一系列操作，得到输出预测值Y；S6：将输出预测值Y和真实标签作为RNN模型的损失层的输入，损失层将这两个输入进行一系列运算，得到当前网络的损失函数，计算误差更新值，通过反向传播逐层到达第一层，所有权值在反向传播结束时一起更新；S7：当前批次数加1，转到S4继续学习训练；S8：调用所述测试集，记录输入数据的分类结果，计算所述测试集的识别准确率，完成第一次迭代；S9：迭代次数加1，并判断迭代次数是否达到最大值，若迭代次数小于等于最大值，则转入S4，若大于最大值，则结束训练；S10：利用训练完毕的RNN对雷达目标航迹数据进行分类。可选地，按照以下步骤确定批次数：对所述训练集中输入X的个数与批次大小的商取整，然后加1，以确定批次数。可选地，所述标签值与雷达目标航迹类别的关系为：所述标签值是1时，表示所述雷当目标航迹类别是抛物线；所述标签值是1时，表示所述雷当目标航迹类别是抛物线；所述标签值是2时，表示所述雷当目标航迹类别是圆弧；所述标签值是3时，表示所述雷当目标航迹类别是椭圆；所述标签值是4时，表示所述雷当目标航迹类别是直线；所述标签值是5时，表示所述雷当目标航迹类别是S型；所述标签值是6时，表示所述雷当目标航迹类别是圆。可选地，所述RNN模型的隐层中的记忆神经单元的数量是50个。可选地，在开始学习训练之前，所述权值矩阵U、V、以及W是随机生成的三个数值范围都是0和1之间的矩阵。可选地，按照以下公式确定所述识别准确率：输入分类正确数/测试集总数＝识别准确率。可选地，在序列索引号t附近的RNN模型如下：x(t)代表在序列索引号t时训练样本的输入，x(t-1)在序列索引号t-1时训练样本的输入；h(t)是在序列索引号t时模型的隐藏状态，且h(t)是x(t)和h(t-1)一起决定；o(t)代表在序列索引号t时模型的输出，o(t)只由所述RNN模型当前的隐藏状态h(t)决定；L(t)代表在序列索引号t时RNN模型的损失函数；y(t)代表在序列索引号t时训练样本序列的真实输出。可选地，所述权值矩阵U、V、以及W是所述RNN模型的线性关键参数，在整个RNN模型中是共享的。第二方面，本专利技术实施例提供一种基于RNN的雷达目标航迹识别装置，包括：划分模块，用于执行S1：将模拟生成的雷达目标航迹数据，按照时间的先后顺序排列，以为10个点一组，分为1行30列的数据，并给每一行数据加上标签值；第一获得模块，用于执行S2：将S1中的一行数据的前30列取出来，组成30*30的矩阵，作为一个输入值X，并重复操作，直至得到整个输入数据集，取整个输入数据集的多数为训练集，取整个输入数据集的少数作为测试集；设置模块，用于执行S3：设置RNN模型的参数：输入层到隐层的权重矩阵U、隐层到输出层的权重矩阵V、迭代次数、学习率、批次大小，并确定批次数；第一判断模块，用于执行S4：判断当前批次数目是否小于等于所述批次数，若小于或等于，则按顺序找到当前输入数据的起始位置，若剩余数据量大于等于所述批次大小，则取一个批次大小的数据作为此次RNN模型的输入，若剩余数据量小于所述批次大小，则取全部剩余量作为RNN模型的输入，若当前批次数目大于所述批次数，则转入S8；第二获得模块，用于执行S5：输入数据经过计算到达RNN模型的隐层，再经过隐层的一系列操作，得到隐层的输出，再经过输出层的一系列操作，得到输出预测值Y；更新模块，用于执行S6：将输出预测值Y和真实标签作为RNN模型的损失层的输入，损失层将这两个输入进行一系列运算，得到当前网络的损失函数，计算误差更新值，通过反向传播逐层到达第一层，所有权值在反向传播结束时一起更新；计数模块，用于执行S7：当前批次数加1，转到S4继续学习训练；计算模块，用于执行S8：调用所述测试集，记录输入数据的分类结果，计算所述测试集的识别准确率，完成第一次迭代；第二判断模块，用于执行S9：迭代次数加1，并判断迭代次数是否达到最大值，若迭代次数小于等于最大值，则转入S4，若大于最大值，则结束训练；应用模块，用于执行S10：利用训练完毕的RNN对雷达目标航迹数据进行分类。本专利技术的有益效果如下：本专利技术从计算机的角度出发，将递归神经网络应用到雷达目标识别领域。提出一种新的雷达目标航迹识别的方式。这种方式可以基本准确识别雷达目标航迹。附图说明通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：图1是本专利技术实施例提供的一种基于RNN的雷达目标航迹识别方法的流程图；图2是本专利技术实施例中本文档来自技高网...

【技术保护点】
1.一种基于RNN的雷达目标航迹识别方法，其特征在于，包括：S1：将模拟生成的雷达目标航迹数据，按照时间的先后顺序排列，以为10个点一组，分为1行30列的数据，并给每一行数据加上标签值；S2：将S1中的一行数据的前30列取出来，组成30*30的矩阵，作为一个输入值X，并重复操作，直至得到整个输入数据集，取整个输入数据集的多数为训练集，取整个输入数据集的少数作为测试集；S3：设置RNN模型的参数：输入层到隐层的权重矩阵U、隐层到输出层的权重矩阵V、迭代次数、学习率、批次大小，并确定批次数；S4：判断当前批次数目是否小于等于所述批次数，若小于或等于，则按顺序找到当前输入数据的起始位置，若剩余数据量大于等于所述批次大小，则取一个批次大小的数据作为此次RNN模型的输入，若剩余数据量小于所述批次大小，则取全部剩余量作为RNN模型的输入，若当前批次数目大于所述批次数，则转入S8；S5：输入数据经过计算到达RNN模型的隐层，再经过隐层的一系列操作，得到隐层的输出，再经过输出层的一系列操作，得到输出预测值Y；S6：将输出预测值Y和真实标签作为RNN模型的损失层的输入，损失层将这两个输入进行一系列运算，得到当前网络的损失函数，计算误差更新值，通过反向传播逐层到达第一层，所有权值在反向传播结束时一起更新；S7：当前批次数加1，转到S4继续学习训练；S8：调用所述测试集，记录输入数据的分类结果，计算所述测试集的识别准确率，完成第一次迭代；S9：迭代次数加1，并判断迭代次数是否达到最大值，若迭代次数小于等于最大值，则转入S4，若大于最大值，则结束训练；S10：利用训练完毕的RNN对雷达目标航迹数据进行分类。...

【技术特征摘要】
1.一种基于RNN的雷达目标航迹识别方法，其特征在于，包括：S1：将模拟生成的雷达目标航迹数据，按照时间的先后顺序排列，以为10个点一组，分为1行30列的数据，并给每一行数据加上标签值；S2：将S1中的一行数据的前30列取出来，组成30*30的矩阵，作为一个输入值X，并重复操作，直至得到整个输入数据集，取整个输入数据集的多数为训练集，取整个输入数据集的少数作为测试集；S3：设置RNN模型的参数：输入层到隐层的权重矩阵U、隐层到输出层的权重矩阵V、迭代次数、学习率、批次大小，并确定批次数；S4：判断当前批次数目是否小于等于所述批次数，若小于或等于，则按顺序找到当前输入数据的起始位置，若剩余数据量大于等于所述批次大小，则取一个批次大小的数据作为此次RNN模型的输入，若剩余数据量小于所述批次大小，则取全部剩余量作为RNN模型的输入，若当前批次数目大于所述批次数，则转入S8；S5：输入数据经过计算到达RNN模型的隐层，再经过隐层的一系列操作，得到隐层的输出，再经过输出层的一系列操作，得到输出预测值Y；S6：将输出预测值Y和真实标签作为RNN模型的损失层的输入，损失层将这两个输入进行一系列运算，得到当前网络的损失函数，计算误差更新值，通过反向传播逐层到达第一层，所有权值在反向传播结束时一起更新；S7：当前批次数加1，转到S4继续学习训练；S8：调用所述测试集，记录输入数据的分类结果，计算所述测试集的识别准确率，完成第一次迭代；S9：迭代次数加1，并判断迭代次数是否达到最大值，若迭代次数小于等于最大值，则转入S4，若大于最大值，则结束训练；S10：利用训练完毕的RNN对雷达目标航迹数据进行分类。2.根据权利要求1所述的方法，其特征在于，按照以下步骤确定批次数：对所述训练集中输入X的个数与批次大小的商取整，然后加1，以确定批次数。3.根据权利要求1所述的方法，其特征在于，所述标签值与雷达目标航迹类别的关系为：所述标签值是1时，表示所述雷当目标航迹类别是抛物线；所述标签值是1时，表示所述雷当目标航迹类别是抛物线；所述标签值是2时，表示所述雷当目标航迹类别是圆弧；所述标签值是3时，表示所述雷当目标航迹类别是椭圆；所述标签值是4时，表示所述雷当目标航迹类别是直线；所述标签值是5时，表示所述雷当目标航迹类别是S型；所述标签值是6时，表示所述雷当目标航迹类别是圆。4.根据权利要求1所述的方法，其特征在于，所述RNN模型的隐层中的记忆神经单元的数量是50个。5.根据权利要求1所述的方法，其特征在于，在开始学习训练之前，所述权值矩阵U、V、以及W是随机生成的三个数值范围都是0和1之间的矩阵。6.根据权利要求1所述的方法，其特征在于，按照...

【专利技术属性】
技术研发人员：樊玉琦，刘瑜岚，温鹏飞，沈光铭，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽,34