一种噪声环境下的雷达目标HRRP鲁棒识别方法技术

本发明专利技术属于雷达目标识别领域，公开了一种噪声环境下的雷达目标HRRP鲁棒识别方法，其思路如下：通过雷达获取目标高分辨距离像(HRRP)并做功率归一化，将HRRP数据分为训练样本集和测试样本集。对每类目标的部分训练样本加入不同信噪比的噪声，剩余训练样本不变，再将所有目标类型的整个训练样本集归一化。将得到的训练样本用于对本发明专利技术提出的一种结合残差块、inception结构和降噪自编码层的卷积神经网络进行训练，得到训练好的卷积神经网络。用被噪声污染的不同信噪比条件下的测试样本进行测试得到识别结果。本发明专利技术可有效降低噪声对识别的干扰，利用深度学习来获得稳定的抗噪声识别模型，通过该方法可以实现在较宽范围信噪比条件下鲁棒雷达目标识别。

A robust recognition method of radar target HRRP in noisy environment

【技术实现步骤摘要】
一种噪声环境下的雷达目标HRRP鲁棒识别方法
本专利技术涉及雷达目标识别领域，更具体地说，涉及一种噪声环境下的雷达目标HRRP鲁棒识别方法。
技术介绍
传统雷达目标识别技术依赖于人工设计的特征，而这些特征的完整性和有效性往往缺乏有力保证，并且复杂电磁环境会干扰识别结果，导致传统雷达目标识别技术的精确性和鲁棒性面临极大挑战。深度学习技术可以自动提取目标本质特征,这种端到端的学习方式大大提升了目标识别的精确性和鲁棒性。深度学习应用于雷达目标识别一般分为训练阶段和测试阶段。当前,通常在高信噪比环境下通过一些合作测量实验或直接通过电磁仿真得到训练样本集。然而，测试样本通常是在非合作环境下获得，由于目标的非合作性或目标距离较远等问题，存在噪声干扰无法保证高信噪比的情况出现。这样就导致训练集和测试集在引入噪声后分布存在不一致性，大大降低了测试集识别率。一方面需要加强模型对高信噪比样本的学习，提取出更具泛化性的特征；另一方面可以在训练集中加入噪声样本，增强模型对含噪样本特征的学习。最理想的情况是模型通过对含噪样本和原始样本之间的对比学习，学习到含噪样本特征，使模型具有去除噪声的能力，提取具有更强泛化性的特征，使得识别性能受信噪比的影响进一步降低，这需要对网络结构进行深入研究。对基于深度学习的雷达目标HRRP识别模型，研究尚在起步阶段，现有技术仍是基于理想环境下进行识别，并没有考虑噪声干扰的情况。本专利技术提出了一种噪声环境下的雷达目标HRRP鲁棒识别方法，通过该方法可以实现在较宽范围信噪比条件下很高的雷达目标正确识别率。
技术实现思路
本专利技术要解决的技术问题是：针对测试样本被噪声污染，导致识别率大大降低的问题，提出一种噪声环境下的雷达目标HRRP鲁棒识别方法，降低噪声对识别的干扰，来获得稳定的抗噪声分类模型。本专利技术解决上述问题的技术方案如下：一种噪声环境下的雷达目标HRRP鲁棒识别方法，具体包括以下步骤：步骤1：通过高分辨率宽带雷达获取雷达目标高分辨距离像(HRRP)并作功率归一化，将HRRP数据分为训练样本集和测试样本集；步骤2：对每类目标的部分训练样本加入不同信噪比的噪声，剩余训练样本不变，再将所有目标类型的整个训练样本集归一化到(0,1)区间；步骤3：将步骤2得到的训练样本用于待训练的卷积神经网络的训练，以得到训练好的卷积神经网络，其中，待训练的卷积神经网络结合了残差块、inception结构和降噪自编码层；待训练的卷积神经网络的残差块中加入捷径改变数据流向，增加网络深度来降低噪声影响，残差块包含的卷积层个数和卷积层的核参数都能够调节；待训练的卷积神经网络的inception结构使用了多个子模块，并将核尺寸1、3和5的卷积运算和池化操作并联，通过增加网络对尺度的适应性及网络宽度来更好地学习特征；待训练的卷积神经网络的降噪自编码器层通过近似还原该层输入以消除噪声，其中隐含层的数量和节点数能够调节；步骤4：将被噪声污染的不同信噪比条件下的测试样本按照步骤2的归一化参数进行归一化，再用步骤3训练得到的卷积神经网络进行识别，得到识别结果。优选的，所述步骤1中每个雷达目标的HRRP数据均是一个m维列向量。优选的，所述步骤2中对每类目标的部分训练样本加入不同信噪比的噪声，其中噪声类型、噪声大小、加入噪声样本数量都能够调节来适应不同应用场景。与现有技术相比，本专利技术的技术效果如下：第一，鲁棒性强，使用了一种结合残差块、inception结构和降噪自编码层的卷积神经网络，挖掘了HRRP数据的深层特征，大大降低了噪声对识别的干扰，能在较宽范围信噪比条件下仍然可以获得较高的识别率；第二，扩展性好，结合残差块、inception结构和降噪自编码层的卷积神经网络可以通过继续增加残差块、inception结构和在多个较高隐藏层插入降噪自编码层来获得更好的识别性能；第三，迁移性好，由于深度学习模型是由数据驱动的模型，通过改变训练样本的噪声类型或加入其他种类的干扰样本，再次训练结合残差块、inception结构和降噪自编码层的卷积神经网络，可以适用于不同干扰下的识别，具有迁移性。附图说明图1为本专利技术实施步骤流程图；图2为实施例中的三类雷达目标HRRP数据图；图3为加入不同信噪比噪声的雷达目标HRRP数据图；图4为残差块结构图；图5为inception结构图；图6为降噪自编码器层结构图；图7为结合残差块、inception结构和降噪自编码层的卷积神经网络功能框图；图8为结合残差块、inception结构和降噪自编码层的卷积神经网络结构框图；图9为常规的两层卷积层、两层池化层和一层全连接层的卷积神经网络结构图。具体实施方式为了更好地说明本专利技术的技术方案，以下结合实例对本专利技术的实施方式作进一步描述，以便对如何应用本专利技术技术手段来解决问题有更加深刻的理解，达到更好地解决实际问题的目的，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。图1为本专利技术的一种噪声环境下的雷达目标HRRP鲁棒识别方法，具体包括以下步骤：步骤1：通过高分辨率宽带雷达获取雷达目标的高分辨距离像(HRRP)并做功率归一化，并将HRRP数据分为训练样本集和测试样本集，其中训练样本每类N1个，测试样本每类N2个，其中每个HRRP样本数据为一个m维的列向量；步骤2：将目标类型为的训练样本集划分为K+1个子集，其中前K个子集中的样本分别加入信噪比为r1,…,rK的噪声，剩下一个子集不变，再将所有目标类型的整个训练样本集归一化到(0,1)区间，加入的噪声类型、噪声大小和每个子集中的样本数目能够根据不同应用场景进行调节；其中表示目标类型集合，归一化是在数据同一维度进行标准化处理，将每一行数据分别标准化到区间[ymin,ymax]内，其计算公式是：式中：y——归一化输出，ymin——归一化区间的最小值,ymax——归一化区间的最大值，x——输入维度值，xmax——输入维度在样本中最大值，xmin——输入维度在样本中最小值；步骤3：将步骤2得到的训练样本用于待训练的卷积神经网络的训练，以得到训练好的卷积神经网络，其中，待训练的卷积神经网络结合了残差块、inception结构和降噪自编码层；如图4所示，待训练的卷积神经网络的残差块中加入捷径改变数据流向，每块中数据流向有两条，一条经过中间两个卷积层，另一条不经过中间两个卷积层,这样可以更好地训练网络，以此增加网络深度降低噪声影响，残差块包含的卷积层个数和卷积层的核参数都能够调节；如图5所示，待训练的卷积神经网络的inception结构使用了多个子模块，将稀疏矩阵聚类为较为密集的子矩阵提高网络性能和计算资源利用率，具体做法是将核尺寸为1、3和5的卷积运算和池化操作并联，并在核尺寸为3、5前和池化后分别加上了核尺寸为1的卷积核来降低数据维度，数据从左到右分别通过不同模块进行学习，通过增加网络对尺度的适应性及网络宽度来更本文档来自技高网...

【技术保护点】
1.一种噪声环境下的雷达目标HRRP鲁棒识别方法，其特征在于，具体包括以下步骤：/n步骤1：通过高分辨率宽带雷达获取雷达目标高分辨距离像并作功率归一化，将HRRP数据分为训练样本集和测试样本集；/n步骤2：对每类目标的部分训练样本加入不同信噪比的噪声，剩余训练样本不变，再将所有目标类型的整个训练样本集归一化到(0,1)区间；/n步骤3：将步骤2得到的训练样本用于待训练的卷积神经网络的训练，以得到训练好的卷积神经网络，其中，待训练的卷积神经网络结合了残差块、inception结构和降噪自编码层；待训练的卷积神经网络的残差块中加入捷径改变数据流向，增加网络深度来降低噪声影响，残差块包含的卷积层个数和卷积层的核参数都能够调节；待训练的卷积神经网络的inception结构使用了多个子模块，并将核尺寸1、3和5的卷积运算和池化操作并联，通过增加网络对尺度的适应性及网络宽度来更好地学习特征；待训练的卷积神经网络的降噪自编码器层通过近似还原该层输入以消除噪声，其中隐含层的数量和节点数能够调节；/n步骤4：将被噪声污染的不同信噪比条件下的测试样本按照步骤2的归一化参数进行归一化，再用步骤3训练得到的卷积神经网络进行识别，得到识别结果。/n...

【技术特征摘要】
1.一种噪声环境下的雷达目标HRRP鲁棒识别方法，其特征在于，具体包括以下步骤：
步骤1：通过高分辨率宽带雷达获取雷达目标高分辨距离像并作功率归一化，将HRRP数据分为训练样本集和测试样本集；
步骤2：对每类目标的部分训练样本加入不同信噪比的噪声，剩余训练样本不变，再将所有目标类型的整个训练样本集归一化到(0,1)区间；
步骤3：将步骤2得到的训练样本用于待训练的卷积神经网络的训练，以得到训练好的卷积神经网络，其中，待训练的卷积神经网络结合了残差块、inception结构和降噪自编码层；待训练的卷积神经网络的残差块中加入捷径改变数据流向，增加网络深度来降低噪声影响，残差块包含的卷积层个数和卷积层的核参数都能够调节；待训练的卷积神经网络的inception结构使用了多个子模块，并将核尺寸1、3和5的卷积运算和池化操作并联，通过增加网络对尺度的适应性及网络宽度来更好地学习特征；待训练的卷积神经网络的降噪自编码器层通过近似还原该层输入以消除噪声，其中隐含层的数量和节点数能够调节；
步骤4：将被噪声污染的不同信噪比条件下的测试样本按照步骤2的归一化参数进行归一化，再用步骤3训练得到的卷积神经网络进行识别，得到识别结果。


2.根据权利要求1所述的一种噪声环境下的雷达目标HRRP鲁棒识别方法，其特征在于，所述步骤1中每个雷达目标的HRRP数据均是一个m维列向量。


3.根据权利要求1所述的一种噪声环境下的雷达目标HRRP鲁棒识别方法，其特征在于，所述步骤2中对每类目标的部分训练样本加入不同信噪比的噪声，其中噪声类型、噪声大小、加入噪声样本数量都能够调节来适应不同应用场景。


4.根据权利要求1所述的一种噪声环境下的雷达目标HRRP鲁棒识别方法，其特征在于，所述步骤2中的归一化是在数据同一维度进行标准化处理，将每一行数据分别标准化到区间[ymin...

【专利技术属性】
技术研发人员：杨威，黎湘，刘永祥，张文鹏，沈亲沐，李玮杰，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：湖南;43