一种基于深度学习神经网络的RCS时间序列特征提取方法技术

本发明专利技术涉及一种基于深度学习神经网络的RCS时间序列特征提取方法，包括下列步骤：目标样本建模；获取目标样本RCS值；计算目标RCS时间序列；利用MATLAB程序制作训练集：以RCS时间序列为训练数据，并附上时间序列对应目标的包括种类、尺寸、角度在内的各项物理参数作为数据特征，以此形成神经网络训练数据集；搭建基于深度神经网络的特征提取系统。

【技术实现步骤摘要】
一种基于深度学习神经网络的RCS时间序列特征提取方法
本专利技术属于数据挖掘领域，涉及基于深度学习神经网络的时间序列分类方法。
技术介绍
空间目标识别技术作为一项研究热点，在军事、航天方面都具有重要的意义。随着军事信息化的进程的推进，反卫星、反导弹技术需求愈加迫切；而随着航天技术提升，日益增长的空间碎片也使得人们需要高效的针对各种尺寸的空间碎片的雷达信息分析技术。空间目标识别技术能对目标物体的雷达回波信息进行特征提取，从而实现对目标物体的识别。雷达目标识别中，信息量与信号带宽相关，带宽越大，信息量越多。虽然窄带带宽信息量有限，但是结构简单，造价低廉，易于研制，故窄带雷达信息仍旧是空间目标识别重要的研究对象。目标的雷达散射截面积(RadarCrossSection，RCS)是窄带雷达能够从目标身上获取的主要信息。RCS具有丰富的信息，但是提取难度较大。时间序列分类是数据挖掘技术的一个分支，其主要技术支撑为机器学习。而随着深度学习的兴起，神经网络已经在各种领域取得非常惊人的效果。本专利技术基于深度学习领域的循环神经网络-长短期记忆(RNN-LSTMs)结构，对物体的动态RCS时间序列进行特征提取，从而实现对物体种类的分类与长度、角度的估计。
技术实现思路
本专利技术的目的在于提供一种可以实现端到端的针对时间序列的特征提取方法。本专利技术摆脱现有的时间序列分类方法，将深度学习技术引入针对时间序列的数据挖掘，通过CST三维全波电磁场仿真软件模拟雷达环境环境，制作实际工程所需的RCS时间序列样本，将仿真过程中设置的参数设定为不同任务所需的训练样本标签，最终构成训练集。训练集投入深度学习神经网络结构进行时间序列分类，优化神经网络参数，最终实现针对目标物体时间序列的特征提取。技术方案如下：一种基于深度学习神经网络的RCS时间序列特征提取方法，包括下列步骤：第一步：目标样本建模：根据实际需要，按1:1比例，利用CST三维全波电磁场仿真软件制作目标的3D模型，并对模型赋予物理属性，目标种类包含球、圆锥、锥柱、锥柱裙和圆柱。第二步：获取目标样本RCS值：利用CST三维全波电磁场仿真软件中的仿真实验，生成目标的全方位RCS值，仿真求解器为高频渐进求解器，远场频率为1～10Ghz，步进0.5Ghz；第三步：计算目标RCS时间序列：基于目标全方位RCS值，利用MATLAB时间序列计算程序，生成目标在不同轨迹下的RCS时间序列；第四步：利用MATLAB程序制作训练集：以RCS时间序列为训练数据，并附上时间序列对应目标的包括种类、尺寸、角度在内的各项物理参数作为数据特征，以此形成神经网络训练数据集；第五步：数据预处理：将收集好的训练集进行Z-Scores标准化处理，使之符合神经网络输入层的数据格式，对数据适当添加高斯白噪声，以增加样本数量；第六步：搭建基于深度神经网络的特征提取系统：基于PyTorch神经网络框架，采用rnn-LSTMs结构，引入注意力机制以提高特征提取的准确性，利用梯度下降法训练神经网络参数，使得神经网络能提取出时间序列对应目标的包括种类、尺寸、角度在内的数据特征；第七步：基于PyTorch神经网络框架，进行测试。本专利技术所采用的基于深度学习的时间序列特征提取系统将克服传统时间序列分类方法中存在的建模复杂，算法集成度高的问题，通过多层高精度神经网络的结构设计，加之引入可以提高算法专注度的注意力机制，最终能对种类种类特征的提取准确度在95％以上，对尺寸和角度等几何外形特征的提取准确度在85％以上。附图说明图1RNN-LSTMs结构(含注意力机制)图2生成的目标全方位RCS值图3生成的目标RCS时间序列具体实施方式为使本专利技术的技术方案更加清楚，下面结合附图对本专利技术做进一步阐述。本专利技术按以下步骤具体实现：第一步：目标样本建模。根据实际需要，按1:1比例，利用CST三维全波电磁场仿真软件制作目标的3D模型，并对模型赋予物理属性，目标种类包含球、圆锥、锥柱、锥柱裙和圆柱；模型材料设置为PEC(PerfectElectricConductor)，模型尺寸步进为200mm，角度步进为0.5°。第二步：获取目标样本RCS值。利用CST软件中的仿真实验，生成目标的全方位RCS值，仿真求解器为高频渐进求解器，远场频率为1～10Ghz，步进0.5Ghz；平面波方向为(0,0,1)，频率范围为0～10Ghz。RCS值坐标范围为theta：-180°～180°，由于目标物体皆为旋转体，仅采样一个Phi角方位。第三步：计算目标RCS时间序列。基于目标全方位RCS值，利用MATLAB时间序列计算程序，生成目标在不同轨迹下的RCS时间序列；本专利技术的实验共含有15种不同物体轨迹，生成的时间序列长度从1550s到2240秒不等。第四步：利用MATLAB程序制作训练集。以RCS时间序列为训练数据，并附上时间序列对应目标的各项物理参数，如种类、尺寸、角度等作为数据特征。以此形成神经网络训练数据集，共11440条样本；第五步：数据预处理。将收集好的训练集进行Z-Scores标准化处理，使之符合神经网络输入层的数据格式，对数据适当添加高斯白噪声，以增加样本数量；添加的高斯噪声信噪比为-5dB，对样本容量扩增到5倍，即57200条样本。第六步：搭建基于深度神经网络的特征提取系统。系统将基于PyTorch神经网络框架，采用已经成熟的rnn-LSTMs结构，引入注意力机制以提高特征提取的准确性，利用梯度下降法训练神经网络参数，使得神经网络能提取出时间序列对应目标的种类、尺寸、角度等特征；本专利技术所用神经网络网络结构中含有两层LSTM，训练数据以30s长度的子序列为训练单元对神经网络参数进行训练，考虑到样本长度的参差不齐与序列中信息分布问题，实验样本统一截取前450s长度的序列作为训练对象。训练轮数为20个EPOCH，用动态学习率对神经网络参数进行更新。第七步：基于PyTorch神经网络框架，进行测试。本文档来自技高网...

【技术保护点】
1.一种基于深度学习神经网络的RCS时间序列特征提取方法，包括下列步骤：/n第一步：目标样本建模：根据实际需要，按1:1比例，利用CST三维全波电磁场仿真软件制作目标的3D模型，并对模型赋予物理属性，目标种类包含球、圆锥、锥柱、锥柱裙和圆柱。/n第二步：获取目标样本RCS值：利用CST三维全波电磁场仿真软件中的仿真实验，生成目标的全方位RCS值，仿真求解器为高频渐进求解器，远场频率为1～10Ghz，步进0.5Ghz；/n第三步：计算目标RCS时间序列：基于目标全方位RCS值，利用MATLAB时间序列计算程序，生成目标在不同轨迹下的RCS时间序列；/n第四步：利用MATLAB程序制作训练集：以RCS时间序列为训练数据，并附上时间序列对应目标的包括种类、尺寸、角度在内的各项物理参数作为数据特征，以此形成神经网络训练数据集；/n第五步：数据预处理：将收集好的训练集进行Z-Scores标准化处理，使之符合神经网络输入层的数据格式，对数据适当添加高斯白噪声，以增加样本数量；/n第六步：搭建基于深度神经网络的特征提取系统：基于PyTorch神经网络框架，采用rnn-LSTMs结构，引入注意力机制以提高特征提取的准确性，利用梯度下降法训练神经网络参数，使得神经网络能提取出时间序列对应目标的包括种类、尺寸、角度在内的数据特征；/n第七步：基于PyTorch神经网络框架，进行测试。/n...

【技术特征摘要】
1.一种基于深度学习神经网络的RCS时间序列特征提取方法，包括下列步骤：
第一步：目标样本建模：根据实际需要，按1:1比例，利用CST三维全波电磁场仿真软件制作目标的3D模型，并对模型赋予物理属性，目标种类包含球、圆锥、锥柱、锥柱裙和圆柱。
第二步：获取目标样本RCS值：利用CST三维全波电磁场仿真软件中的仿真实验，生成目标的全方位RCS值，仿真求解器为高频渐进求解器，远场频率为1～10Ghz，步进0.5Ghz；
第三步：计算目标RCS时间序列：基于目标全方位RCS值，利用MATLAB时间序列计算程序，生成目标在不同轨迹下的RCS时间序列；
第四步：利用MATLAB程序制作...

【专利技术属性】
技术研发人员：杨嘉琛，张茁，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12