基于卷积神经网络的空间目标多模式雷达分类方法技术

本发明专利技术公开了一种基于卷积神经网络的空间目标多模式雷达分类方法，属于雷达信号处理技术领域；本发明专利技术建立了进动空间目标的微多普勒频率及雷达回波模型，进而基于一维距离像和时频谱图进行多模式数据库的构建；此外，设计了基于空域图像融合的卷积神经网络，用于融合空间目标的多模式雷达数据从而进行目标分类，可弥补现有方法目标特征库不完备、网络参数不共用以及不易扩展的不足，对于不同的多模式雷达数据，网络特征提取及融合的参数完全共用，降低了网络结构的复杂度和网络的计算量，为基于雷达数据的空间态势感知、多信源雷达数据融合以及空间目标分类奠定了一定的基础。

Classification method of space target multimode radar based on convolutional neural network

【技术实现步骤摘要】
基于卷积神经网络的空间目标多模式雷达分类方法
本专利技术属于雷达信号处理
，尤其涉及基于卷积神经网络的空间目标多模式雷达分类方法，用于融合空间目标的多模式雷达数据，增强空间目标雷达特征的差异性，从而提升空间目标的分类效果。
技术介绍
雷达因其可全天时、全天候工作的优点，在国防军事(战场侦察和态势跟踪等)、国民经济(如交通运输、气象预报和资源探测等)和科学研究(如航天、大气物理和天体研究等)领域都得到了广泛的应用。随着算法和硬件的发展，深度学习方法，尤其是卷积神经网络逐渐应用于目标分类领域。卷积神经网络以其良好的空间特征提取和自学习能力不断提升目标分类的精度。在基于仿真的雷达数据的目标分类方面，G.Qing等人提出了基于极化距离矩阵和卷积神经网络的简单散射体(圆锥、柱锥和球锥目标)分类方法，在无噪声条件下分类精度达100％，然而缺乏低信噪比下的实验分析。在基于实测雷达数据的目标分类方面，J.Wang等人提出了基于卷积神经网络的地面目标去噪和分类方法，并利用MSTAR(MobileSurveillanceandTargetAcquisitionRadar)数据对地面目标进行了分类，分类精度达82％。然而，雷达多模式数据融合方法可以进一步提升分类效果，且模型在低信噪比条件下的表现更具鲁棒性。由于雷达回波数据特征和录取方式的多样性，为了形成对目标清晰、完整和准确的信息描述，从而提升目标分类的精度，基于特征融合与图像融合的雷达目标分类方法吸引了越来越多的注意与研究。在特征融合方面，B.Ding等人提出了基于全局特征和局部特征的分类网络；为降低融合后特征矩阵引发的计算量激增，D.Karimi等人提出了一种RS-LDASR(RandomSubspace-LinearDiscriminantAnalysisandSparseRegularization)特征选择算法。然而，基于特征融合的分类方法，需要人工提取和选择最具可分性的特征，对先验知识的要求较高。在图像融合方面，多信源数据的选择和融合网络的设计是主要的研究方法。其中，选择不同信源的数据将决定网络学习到何种特征，而融合网络的设计将决定网络学习到目标的何种尺度的特征，同时决定了网络的复杂度。N.Wang等人基于卷积神经网络分别提取了SAR(SyntheticApertureRadar)强度图和梯度图的特征向量，将二者的特征向量融合为新的多通道特征图从而提升目标分类精度。然而，当扩展至更多信源融合时，需要重新设计更为复杂的网络，且网络参数量将急剧上升。Z.Chen等人将多基地雷达接收到的回波分别进行特征提取，并将提取处的特征向量进行融合后用于分类，然而该方法并没有完全共用信源间特征提取网络的参数，使得基于多基地雷达接收数据的分类精度较低。
技术实现思路
为了解决上述问题，本专利技术的目的在于提供基于卷积神经网络的空间目标多模式雷达分类方法，本专利技术建立了空间目标的微多普勒频率及雷达回波模型，进而基于一维距离像和时频谱图进行多模式数据库的构建；此外，设计了基于空域图像融合的卷积神经网络，用于融合空间目标的多模式雷达数据从而进行目标分类，可弥补现有方法目标特征库不完备、网络参数不共用以及不易扩展的不足，为基于雷达数据的空间态势感知、多信源雷达数据融合以及空间目标分类奠定了一定的基础。本专利技术的基本思路是：首先，建立进动空间目标的微多普勒频率及基频回波模型。其次，构建进动空间目标的一维距离像和时频谱图多模式雷达数据样本库。之后，设计基于空域图像融合的卷积神经网络，进行进动空间目标的多模式雷达数据特征提取、融合和分类。最后，对多模式雷达数据进行预处理，并划分为训练集和测试集，基于训练集优化网络的参数，在测试集中进行进动空间目标的分类并评估网络的分类效果。为了达到上述目的，本专利技术采用以下技术方案予以解决。基于卷积神经网络的空间目标多模式雷达分类方法，包括以下步骤：步骤1，建立进动空间目标的微多普勒频率及基频回波模型；步骤2，根据进动目标基频回波模型，获得进动目标的一维距离像和时频谱图；从而得到进动目标的多模式数据样本库；步骤3，构建基于空域图像融合的卷积神经网络，即特征提取网络及分类网络；步骤4，对多模式数据样本库中的数据进行预处理，得到预处理后的多模式数据；将预处理后的多模式数据划分为训练集和测试集，利用训练集对基于空域图像融合的卷积神经网络进行优化，采用优化后的基于空域图像融合的卷积神经网络对测试集进行目标分类，输出对应类别。与现有技术相比，本专利技术的有益效果为：(1)本专利技术设计了端到端的多模式雷达数据特征提取、融合与分类网络，对于不同的多模式雷达数据，网络特征提取及融合的参数完全共用，降低了网络结构的复杂度和网络的计算量。(2)本专利技术将不同频段观测下空间目标的一维距离像和时频谱图进行融合，使融合后的样本同时具有空间目标的散射特性、微动特征和结构特性，目标的特征表征空间更加完备，增加了空间目标间的特征差异性，为后续的空间目标分类提供了有力的支撑。(3)本专利技术将图像融合网络设计在分类网络的输入端，当处理更多模式的雷达数据融合时，无需改变网络的主体结构，避免了计算量的激增。附图说明下面结合附图和具体实施例对本专利技术做进一步详细说明。图1为本专利技术基于卷积神经网络的空间目标多模式雷达特征融合及分类方法的流程图；图2为本专利技术一种实施例所构建的分析进动目标微多普勒频率与回波模型时空间坐标系示意图；图3为本专利技术一种实施例所构建的小圆锥多模式数据样本库示意图；其中，(a)为三维模型图；(b)为S频段下的一维距离图像；(c)为S频段下的时频谱图；(d)为X频段下的一维距离图像；(e)为X频段下的时频谱图；图4为本专利技术一种实施例所构建的圆柱多模式数据样本库示意图；其中，(a)图为三维模型图；(b)为S频段下的一维距离图像；(c)图为S频段下的时频谱图；(d)为X频段下的一维距离图像；(e)为X频段下的时频谱图；图5为本专利技术一种实施例所构建的圆锥多模式数据样本库示意图；其中，(a)为三维模型图；(b)为S频段下的一维距离图像；(c)为S频段下的时频谱图；(d)为X频段下的一维距离图像；(e)为X频段下的时频谱图；图6为本专利技术实施例所构建的多模式数据特征提取网络示意图；图7为本专利技术实施例所构建的网络结构示意图；图8为本专利技术一种实施例所进行的分类实验结果图；其中，(a)为频段融合及分类实验结果图；(b)为特征融合及分类实验结果图；(c)为多模式数据融合及分类实验结果图。具体实施方式下面结合附图对本专利技术的实施例及效果作进一步详细描述。本专利技术的一种基于卷积神经网络的空间目标多模式雷达分类方法，按照以下步骤实施：步骤1，建立进动空间目标的微多普勒频率及基频回波模型；具体的，包含以下子步骤：子步骤1a，建立进动空间目标的运动模型，获得进动空间目标的距离函数；示例性的，进动空间目标，以本文档来自技高网...

【技术保护点】
1.基于卷积神经网络的空间目标多模式雷达分类方法，其特征在于，包括以下步骤：/n步骤1，建立进动空间目标的微多普勒频率及基频回波模型；/n步骤2，根据进动空间目标基频回波模型，获得进动空间目标的一维距离像和时频谱图；从而得到进动空间目标的多模式数据样本库；/n步骤3，构建基于空域图像融合的卷积神经网络，即特征提取网络及分类网络；/n步骤4，对多模式数据样本库中的数据进行预处理，得到预处理后的多模式数据；将预处理后的多模式数据划分为训练集和测试集，利用训练集对基于空域图像融合的卷积神经网络进行优化；采用优化后的基于空域图像融合的卷积神经网络对测试集进行目标分类，输出对应类别。/n

【技术特征摘要】
1.基于卷积神经网络的空间目标多模式雷达分类方法，其特征在于，包括以下步骤：
步骤1，建立进动空间目标的微多普勒频率及基频回波模型；
步骤2，根据进动空间目标基频回波模型，获得进动空间目标的一维距离像和时频谱图；从而得到进动空间目标的多模式数据样本库；
步骤3，构建基于空域图像融合的卷积神经网络，即特征提取网络及分类网络；
步骤4，对多模式数据样本库中的数据进行预处理，得到预处理后的多模式数据；将预处理后的多模式数据划分为训练集和测试集，利用训练集对基于空域图像融合的卷积神经网络进行优化；采用优化后的基于空域图像融合的卷积神经网络对测试集进行目标分类，输出对应类别。


2.根据权利要求1所述的基于卷积神经网络的空间目标多模式雷达分类方法，其特征在于，步骤1包含以下子步骤：
子步骤1a，建立进动空间目标的运动模型，获得进动空间目标的距离函数；
子步骤1b，根据所述进动空间目标的距离函数，获得雷达观测下进动空间目标的相位函数，进而计算进动空间目标的微多普勒频率；
子步骤1c，基于物理光学法，计算进动空间目标的雷达目标截面积函数；
子步骤1d，设置雷达发射信号类型，根据所述进动空间目标的相位函数和雷达目标截面积函数，构建进动空间目标的基频回波模型。


3.根据权利要求2所述的基于卷积神经网络的空间目标多模式雷达分类方法，其特征在于，所述建立进动空间目标的运动模型，获得进动空间目标的距离函数；其中，进动空间目标为在空间进行进动的目标，当目标进行进动时，同时具有自旋和圆锥运动两种运动形式；即进动空间目标在围绕自身对称轴进行自旋的同时，还围绕一个与自身对称轴相交的轴进行圆锥运动；具体为：
首先，建立全局坐标系OXYZ，参考坐标系O′X′Y′Z′以及局部坐标系Qxyz；其中，全局坐标系是三维空间中固定的坐标系，雷达位于原点；参考坐标系的三个轴与全局坐标系平行，其原点为目标的质心；局部坐标系的原点与参考坐标系相同，跟随目标一起运动；
其次，设进动空间目标在参考坐标系中绕X′、Y′和Z′轴的初始转角分别为α、β和γ，目标上任一点P在局部坐标系中的位置为rp＝(xp,yp,zp)T，则经过初始旋转后，点P在参考坐标系中的位置表示为RInit·rp；
其中，RInit＝Rx·Ry·Rz为初始旋转矩阵，Rx、Ry和Rz分别为目标绕x、y和z轴的初始旋转矩阵，即









再次，设目标在本地坐标系中的自旋角速度为ws＝(wsx,wsy,wsz)T，wsx、wsy和wsz分别为x、y和z轴上的自旋角速度分量，Ωs＝||ws||为标量自旋角速度，||·||为取范数操作，则目标在t时刻的自旋矩阵为：



其中，I为单位矩阵，为目标自旋的斜对称矩阵，即



最后，设进动空间目标在本地坐标系中的圆锥运动角速度为wc＝(wcx,wcy,wcz)T，wcx、wcy和wcz分别为目标在x、y和z轴上的圆锥运动角速度分量，Ωc＝||wc||为标量圆锥运动角速度，则目标在t时刻的圆锥运动矩阵为：



其中，为目标圆锥运动的斜对称矩阵，即



因此，目标上任一点P在全局坐标系中的距离函数表示为：
R(t)＝r0+Rs·Rc·RInit·rp
其中，r0为全局坐标系原点到参考坐标系原点的矢量。


4.根据权利要求3所述的基于卷积神经网络的空间目标多模式雷达分类方法，其特征在于，所述进动空间目标的相位函数的表达式为：其中，为波长，c为光速，f为雷达发射信号频率；
对进动空间目标的相位函数Φ(t)求导，即可得到目标的微多普勒频率，即：



当ws＝wc＝w，可以得出Ωs＝Ωc＝Ω，所以上式化简为：



所述进动空间目标的雷达目标截面积函数的计算公式为：

<...

【专利技术属性】
技术研发人员：周峰，李雅欣，樊伟伟，石晓然，刘磊，白雪茹，
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