【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...
【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...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。