基于高斯混合和张量循环神经网络的雷达目标识别方法技术

本发明专利技术公开了一种基于高斯混合模型和张量循环神经网络模型的雷达目标识别方法，主要解决现有技术无法有效对目标区域和噪声区域进行划分，且无法有效利用HRRP数据内部时序相关性的问题，其方案是：获取雷达高分辨距离像HRRP数据，并对其进行预处理；使用预处理后的数据迭代的训练高斯混合模型和循环神经网络模型参数，获得训练好的混合模型。对于测试数据，使用混合模型确定其聚类类别，再使用混合模型中的张量循环神经网络进行特征提取与分类。本发明专利技术能自动确定HRRP数据中的目标区域，有效的对目标进行特征提取，自动地对目标区域和噪声区域做划分，有效提高目标的识别准确率。可用于各类雷达对目标的高分辨距离像HRRP进行识别。

Radar Target Recognition Based on Gauss Mixture and Tensor Cyclic Neural Network

【技术实现步骤摘要】
基于高斯混合和张量循环神经网络的雷达目标识别方法
本专利技术属于雷达
，涉及到一种雷达目标识别方法，可用于各类雷达对目标的高分辨距离像HRRP进行识别。
技术介绍
随着科技的进步以及飞机、船只这些交通工具的多样化发展，雷达目标识别所面临的挑战也越来越严峻。雷达目标的识别正确与否发挥着举足轻重的地位，研究具有高识别率的雷达目标识别方法意义重大。高分辨距离像HRRP是宽带雷达信号获取的目标散射点复子回波在雷达射线上投影的向量和，通过发出某一波长的高频信号，通过反射成像时间和位置，从而得出高分辨率距离像，它提供了目标散射点沿距离方向的分布信息，具有目标重要的结构特征，对目标识别与分类十分有价值，因而成为雷达目标识别的新技术。雷达目标识别中最重要的步骤就是目标特征提取，所提取的目标特征直接影响后续的分类和识别。已有文献证明从HRRP中提取出来的一些特征，如使用Relax算法对原始HRRP数据提取强散射点信息，能够较为有效地完成分类和识别任务。但是这些方法都有两个共同的缺陷：无法有效利用HRRP数据的时序性以及在建模时无法区分噪声区域与数据区域，使得目标识别准确率较低。
技术实现思路
本专利技术的目的在于针对上述现有技术的不足，提出一种基于高斯混合和张量循环神经网络的雷达自动目标识别方法，以提高目标识别准确率。本专利技术通过自动的对高分辨距离像HRRP数据的噪声区域和数据区域进行划分，并针对不同的划分区域使用不同的权值矩阵进行特征的提取与分类，得到较高的目标识别准确率，其实现步骤包括如下：(1)获取雷达高分辨距离像HRRP数据，该HRRP数据包括N个距离像s以及N个距离像中各距离像对应的类别标识y；将述N个距离像中的每个距离像作为一个样本，将各距离像对应的类别标识作为样本的类别标识，得到N个样本及其类别标识，N为正整数；(2)对N个样本分别进行重心对齐、能量归一和滑窗的预处理，得到N个预处理后的包含多个时刻的样本序列x＝[x1，x2，...，xt，...，xT]，其中xt是样本的第t个时刻的序列段，t＝1，2，...，T，T表示经过滑窗操作后序列的长度；(3)对于(2)中经过滑窗预处理的样本序列x及对应的(1)中的类别标识y，随机选取80％作为训练样本集tr，剩余20％作为测试样本集te；(4)设置高斯混合模型的参数，构造张量循环神经网络模型：(4a)记高斯混合模型中混合元素的个数为K，高斯混合模型中K个权重系数为πi，均值向量为μi，精度矩阵为diag(λi)，该diag(λi)为以精度向量λi＝[λi1,λi2,...,λij,...,λid]为主对角线，其余元素为0的矩阵，λij是随机变量第j维的方差的倒数，i＝1,2,...,K，j＝1,2,...d，d是滑窗的窗长；(4b)设张量循环神经网络模型是权为三维张量的循环神经网络，其包括输入层-隐层的权张量Wxh、隐层-隐层的权张量Whh和隐层-输出层的权张量Why，其中Wxh∈RK*d*H，Whh∈RK*H*H，Why∈RK*H*Q，K是高斯混合模型中混合元素的个数，d为滑窗的窗长，H为张量循环神经网络隐层的维度，Q是待分类的目标总数；(5)初始化高斯混合模型的权重系数πi、均值向量μi和精度矩阵diag(λi)和张量循环神经网络模型的三个权张量Wxh，Whh，Why；(6)利用训练样本集tr，迭代的对高斯混合模型和张量循环神经网络模型进行训练，直到达到最大迭代次数200次，得到训练好的高斯混合模型和张量循环神经网络模型，并分别保存模型的参数；(7)将测试样本集te加载到已训练好的高斯混合模型和张量循环神经网络模型，得到测试样本集te中各测试样本的识别结果。本专利技术与现有技术相比，有如下优点：1.本专利技术通过滑窗操作将数据转化为序列的形式，进而通过循环神经网络进行特征的提取，充分利用了HRRP数据内部的时序相关性，有利于目标特征的提取与分类；2.本专利技术通过高斯混合模型对输入的数据序列进行聚类操作，可以自动的对HRRP数据中的噪声区域和数据区域进行划分；3.本专利技术通过对聚类为不同类别的数据序列段使用不同的权值矩阵进行特征提取与分类，使得模型更容易学习到不同类别数据段的特征，进而有效的提高了目标分类识别的性能；4.本专利技术采用端到端的设计思想，即对高斯混合模型和张量循环神经网络模型联合训练，有利于学习到数据的深层特征；5.本专利技术通过投票方法综合不同时刻的样本序列段的输出类别，有利用利用样本的全局特征；6.本专利技术通过使用机器学习的方法自动学习相关参数的值，无需人工的干预。附图说明图1为本专利技术的实现流程图；图2为本专利技术实施例仿真实验中使用的原始高分辨距离像实测数据的飞机轨迹实测场景示意图；图3为本专利技术实施例的仿真实验中测试样本的聚类结果示意图；图4为本专利技术实施例仿真实验中得到的测试样本集识别准确率随迭代次数变化的示意图。具体实施方式下面将结合附图对本专利技术的实施例和效果进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。参照图1本实例的实施步骤如下：步骤1，获取N个样本及其类别标识。1.1)获取雷达高分辨距离像HRRP数据，该HRRP数据包括N个距离像s以及N个距离像中各距离像对应的类别标识y；1.2)将上述N个距离像中的每个距离像作为一个样本，将各距离像对应的类别标识作为样本的类别标识，得到N个样本及其类别标识，其中N为正整数。步骤2，对N个样本数据进行预处理。2.1)分别对N个样本进行重心对齐操作：2.1.1)分别计算N个样本s的重心：其中si表示高分辨距离像第i个距离单元内所有散射点回波向量的模，D表示原始距离像距离单元个数；2.1.2)分别将N个原始高分辨距离像每个样本s进行重心对齐，将s的重心平移至其中心处，得到每个样本s重心对齐后的样本e＝[e1,e2,...,ei,...,eD]，其中ei＝IFFT{FFT(si)exp(-j(φ[W]-φ[C])a)}表示样本e的第i个距离单元的幅值，i＝1,2,...,D，exp表示指数函数，j表示虚数的单位，表示距离像s的中心位置，表示距离像s的中心C所对应的相位，表示距离像s的重心W所对应的相位，a＝|C-W|表示距离像s的中心与重心所在距离单元之间的距离；2.2)分别对N个重心对齐后的样本e进行能量归一操作。分别将2.1.2)中N个经过重心对齐的样本e进行能量归一操作，得到N个能量归一后的样本其中e(i)表示样本e的第i个元素，i＝1,2,...,D，D表示原始距离像距离单元个数；2.3)分别对N个能量归一后的样本进行滑窗操作。2.3.1)分别对N个样本进行滑窗，假设滑窗的窗长为d，单次滑窗操作的距离为b，计算得到最大滑窗时刻数其中D为距离像距离单元的个数，表示向下取整函数；2.3.2)分别将2.2)中N个经过重心对齐的样本进行滑窗，得到N个滑窗后的样本序列x，x＝[x1,x2,...,xt,...,xT]，其中表示样本通过滑窗后第t个时刻的样本序列段，表示取出向量下标索引范围为[i，j]的元素组成的新向量。步骤3，划分训练样本集和测试样本集。对于步骤2中经过滑窗预本文档来自技高网...

【技术保护点】
1.一种基于高斯混合和张量循环神经网络的雷达目标识别方法，其特征在于，包括如下：(1)获取雷达高分辨距离像HRRP数据，该HRRP数据包括N个距离像s以及N个距离像中各距离像对应的类别标识y；将述N个距离像中的每个距离像作为一个样本，将各距离像对应的类别标识作为样本的类别标识，得到N个样本及其类别标识，N为正整数；(2)对N个样本分别进行重心对齐、能量归一和滑窗的预处理，得到N个预处理后的包含多个时刻的样本序列x＝[x1,x2,...,xt,...,xT]，其中xt是样本的第t个时刻的序列段，t＝1,2,...,T，T表示经过滑窗操作后序列的长度；(3)对于(2)中经过滑窗预处理的样本序列x及对应的(1)中的类别标识y，随机选取80％作为训练样本集tr，剩余20％作为测试样本集te；(4)设置高斯混合模型的参数，构造张量循环神经网络模型：(4a)记高斯混合模型中混合元素的个数为K，高斯混合模型中K个权重系数为πi，均值向量为μi，精度矩阵为diag(λi)，该diag(λi)为以精度向量λi＝[λi1,λi2,...,λij,...,λid]为主对角线，其余元素为0的矩阵，λij是随机变量第j维的方差的倒数，i＝1,2,...,K，j＝1,2,...d，d是滑窗的窗长；(4b)设张量循环神经网络模型是权为三维张量的循环神经网络，其包括输入层‑隐层的权张量Wxh、隐层‑隐层的权张量Whh和隐层‑输出层的权张量Why，其中Wxh∈R...

【技术特征摘要】
1.一种基于高斯混合和张量循环神经网络的雷达目标识别方法，其特征在于，包括如下：(1)获取雷达高分辨距离像HRRP数据，该HRRP数据包括N个距离像s以及N个距离像中各距离像对应的类别标识y；将述N个距离像中的每个距离像作为一个样本，将各距离像对应的类别标识作为样本的类别标识，得到N个样本及其类别标识，N为正整数；(2)对N个样本分别进行重心对齐、能量归一和滑窗的预处理，得到N个预处理后的包含多个时刻的样本序列x＝[x1,x2,...,xt,...,xT]，其中xt是样本的第t个时刻的序列段，t＝1,2,...,T，T表示经过滑窗操作后序列的长度；(3)对于(2)中经过滑窗预处理的样本序列x及对应的(1)中的类别标识y，随机选取80％作为训练样本集tr，剩余20％作为测试样本集te；(4)设置高斯混合模型的参数，构造张量循环神经网络模型：(4a)记高斯混合模型中混合元素的个数为K，高斯混合模型中K个权重系数为πi，均值向量为μi，精度矩阵为diag(λi)，该diag(λi)为以精度向量λi＝[λi1,λi2,...,λij,...,λid]为主对角线，其余元素为0的矩阵，λij是随机变量第j维的方差的倒数，i＝1,2,...,K，j＝1,2,...d，d是滑窗的窗长；(4b)设张量循环神经网络模型是权为三维张量的循环神经网络，其包括输入层-隐层的权张量Wxh、隐层-隐层的权张量Whh和隐层-输出层的权张量Why，其中Wxh∈RK*d*H，Whh∈RK*H*H，Why∈RK*H*Q，K是高斯混合模型中混合元素的个数，d为滑窗的窗长，H为张量循环神经网络隐层的维度，Q是待分类的目标总数；(5)初始化高斯混合模型的权重系数πi、均值向量μi和精度矩阵diag(λi)和张量循环神经网络模型的三个权张量Wxh，Whh，Why；(6)利用训练样本集tr，迭代的对高斯混合模型和张量循环神经网络模型进行训练，直到达到最大迭代次数200次，得到训练好的高斯混合模型和张量循环神经网络模型，并分别保存模型的参数；(7)将测试样本集te加载到已训练好的高斯混合模型和张量循环神经网络模型，得到测试样本集te中各测试样本的识别结果。2.根据权利要求1所述的方法，其特征在于，(2)中对N个样本进行重心对齐，实现如下：(2a)分别计算N个原始高分辨距离像每个样本s的重心：其中si表示高分辨距离像第i个距离单元内所有散射点回波向量的模，D表示原始距离像距离单元个数；(2b)分别将N个原始高分辨距离像每个样本s进行重心对齐，将s的重心平移至其中心处，得到每个样本s重心对齐后的样本e＝[e1,e2,...,ei,...,eD]，其中ei＝IFFT{FFT(si)exp(-j(φ[W]-φ[C])a)}表示样本e的第i个距离单元的幅值，i＝1,2,...,D，exp表示指数函数，j表示虚数的单位，表示距离像s的中心位置，表示距离像s的中心C所对应的相位，表示距离像s的重心W所对应的相位，a＝|C-W|表示距离像s的中心与重心所在距离单元之间的距离。3.根据权利要求1或2所述的方法，其特征在于，(2)中对N个样本进行能量归一操作，实现如下：(2c)分别将(2b)中N个经过重心对齐的样本e进行能量归一操作，得到N个能量归一后的样本其中e(i)表示样本e的第i个元素，i＝1,2,...,D，D表示原始距离像距离单元个数。4.根据权利要求1或3所述的方法，其特征在于，(2)中对N个样本进行滑窗操作，实现如下：(2d)假设滑窗的窗长为d，单次滑窗操作的距离为b，计算得到最大滑窗时刻数其中D为距离像距离单元的个数，表示向下取整函数；(2e)分别将(2c)中N个经过能量归一的样本进行滑窗，得到N个滑窗后的样本序列x，x＝[x1，x2，...，xt，...，xT]，其中表示样本通过滑窗后第t个时刻的样本序列段，t＝1，2，...，T，表示取出向量下标索引范围为[i，j]的元素组成的新向量。5.根据权利要求1所述的方法，其特征在于，(5)中对高斯混合模型参数初始化，实现如下：(5a)假设均值向量μi和精度向量λi的先验分布p(μi,λi)服从参数为m0,β0,c0,d0的高斯-伽马分布，即p(μi,λi)＝N(μi|m0,diag((β0λi)-1))Gam(λi|c0,d0)，其中：m0为高斯分布的均值向量，β0为高斯分布精度向量的增益倍数，c0为伽马分布的形状参数，d0为伽玛分布的逆尺度参数；N(μi|m0,diag((β0λi)-1))表示随机变量μi服从均值为m0和协方差矩阵为diag((β0λi)-1)的高斯分布；Gam(λi|c0,d0)表示随机变量λi服从形状参数为c0和逆尺度参数为d0的伽玛分布；m0∈Rd,β0∈Rd,c0∈Rd,d0∈Rd，i＝1,2，...，K；本实例中，m0,β0,c0,d0中的所有向量均设为1；(5b)假设混合系数π的先验分布p(π)服从的狄利克雷分布参数α0，即p(π)＝Dir(π|α0)，其中，α0∈RK；本实例中，α0设为全1的向量；(5c)假设均值向量μi和精度向量λi的后验分布q(μi,λi)服从参数为mi,βi,ci,di的高斯-伽马分布，即q(μi,λi)＝N(μi|mi,diag((βiλi)-1))Gam(λi|ci,di)，其中：mi为第i个高斯分布的均值向量，βi为第i个高斯分布精度向量的增益倍数，ci为第i个伽马分布的形状参数，di为第i个伽玛分布的逆尺度参数；mi∈Rd,βi∈Rd,ci∈Rd,di∈Rd，i＝1，2，...，K；本实例中，mi,βi,ci,di的所有向量初始值均设为1；(5d)假设混合系数π的后验分布q(π)服从的狄利克雷分布参数α1，即q(π)＝Dir(π|α1)，其中α1∈RK；本实例中，α1初始值设为全1的向量。6.根据权利要求1所述的方法，其特征在于，(6)中利用训练样本集tr，迭代的对高斯混合模型和张量循环神经网络模型进行训练，实现如下：(6a)假设每次迭代使用的样本个数为Nm，从训练样本集tr中随机选取Nm个样本b及其类别标识l作为本次迭代训练的训练样本：其中bi＝[x1,x2,...,xt,...,xT]表示选取的第i个样本序列，xt表示第i个训练样本序列bi的第t个时刻的样本序列段，yi表示第i个训练样本序列的真实类别，i＝1,2,...,Nm，t＝1,2,...,T；(6b)分别计算训练样本b中每个训练样本序列bi的后验类别向量z＝[z1，z2，...,zt，...zT]和聚类类别向量r＝[r1，r2，...，rt，...，rT]，其中zt是第t个时刻的样本序列段的后验类别向量，rt是第t个时刻的样本序列段的聚类类别；(6c)由训练样本b中每个训练样本序列bi及其相对应的(6b)计算得到的聚类类别向量r，计算分类预测向量：p＝[p1,p2,...，pt,...，pT]，其中pt是第t个时刻的样本序列段的分类预测向量；(6d)根据后验类别向量z和分类预测向量p，使用变分推断的方法优化高斯混合模型的后验分布中狄利克雷分布参数α1及后验分布中高斯-伽马分布的参数mj,βj,cj,dj，其中j＝1,2,...,K；(6e)根据分类预测向量p和类别标识l，使用梯度下降方法优化张量循环神经网络的三维权张量Wxh，Whh，Why。7.根据权利要求6所述...

【专利技术属性】
技术研发人员：陈渤，刘家麒，
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