一种基于新型MDR-Net的雷达目标识别算法制造技术

本发明专利技术公开一种基于新型MDR‑Net的雷达目标识别算法，包括有雷达数据预处理模块、多维度稀疏性特征提取模块(MDS)、基于MDS模块的多维雷达目标识别网络(MDR‑Net)和分类器模块，所述MDS模块具有很强的对稀疏性数据进行特征提取的能力，并且专门设计加强了非线性，可采用高精度MDS模块(HMDS)，也可采用轻量级MDS模块(LMDS)；基于HMDS或LMDS模块可分别搭建HMDR‑Net或LMDR‑Net，HMDR‑Net识别精度更高，LMDR‑Net可节省大量的计算成本和参数存储空间，更能满足雷达自动目标识别技术对实时性运算的要求，两种MDR‑Net对雷达数据均能实现比传统方法和其他神经网络更高的识别准确率；分类器模块可选择单层或三层的神经网络全连接层或全局平均值池化等方法。

【技术实现步骤摘要】
一种基于新型MDR-Net的雷达目标识别算法
本专利技术属于雷达目标识别领域，尤其涉及一种基于新型MDR-Net的雷达目标识别算法。
技术介绍
雷达自动目标识别(RadarAutomaticTargetRecognition,RATR)技术可以提供目标的属性、类别、型号等关键特征，能全天候的工作并且对雷达传感器的环境变化具有鲁棒性。为从雷达信号中获得目标更丰富的信息，RATR技术越来越着眼于高分辨雷达的研究。合成孔径雷达(SyntheticApertureRadar,SAR)图像是一种高分辨雷达图像，与高分辨距离像(HighRangeResolutionProfile,HRRP)相比，其可以提供目标的二维分辨信息，包含目标更丰富的细节特征。传统的雷达目标识别算法如K邻算法(KNN)、支持向量机(SVM)、多任务关系学习(MTRL)等，往往设计难度较高，特征提取及分类器算法的组合繁琐，难以实现很高的识别准确率。此外，多任务学习的思想也广泛应用于RATR技术中。近年来深度学习不断被应用于雷达目标识别系统中。卷积神经网络是深度学习算法的一种，本文档来自技高网...

【技术保护点】
1.一种基于新型MDR-Net的雷达目标识别算法，包括有雷达数据预处理模块、多维度稀疏性特征提取模块(Multi-dimensional sparse feature extraction module，MDS)、基于MDS模块的多维雷达目标识别网络(Multi-dimensional radar target recognitionnetwork，MDR-Net)和分类器模块，其特征在于所述雷达数据预处理模块对输入的目标雷达回波数据进行预处理；所述多维度稀疏性特征提取模块(Multi-dimensional sparsefeature extraction module，MDS)，用来提取具...

【技术特征摘要】
1.一种基于新型MDR-Net的雷达目标识别算法，包括有雷达数据预处理模块、多维度稀疏性特征提取模块(Multi-dimensionalsparsefeatureextractionmodule，MDS)、基于MDS模块的多维雷达目标识别网络(Multi-dimensionalradartargetrecognitionnetwork，MDR-Net)和分类器模块，其特征在于所述雷达数据预处理模块对输入的目标雷达回波数据进行预处理；所述多维度稀疏性特征提取模块(Multi-dimensionalsparsefeatureextractionmodule，MDS)，用来提取具有稀疏性的数据特征，包括两种设计方案，分别是高精度MDS模块(High-precisionmulti-dimensionalsparsefeatureextractionmodule，HMDS)和轻量级MDS模块(Lightweightmulti-dimensionalsparsefeatureextractionmodule，LMDS)；所述多维雷达目标识别网络(Multi-dimensionalradartargetrecognitionnetwork，MDR-Net)基于MDS模块设计的深度神经网络，包括但不限于2种MDS模块及4种深度的MDR-Net：MDR12-Net、MDR14-Net、MDR17-Net、MDR20-Net；所述分类器模块为MDR-Net匹配的分类器，对输入数据进行最终分类，以实现目标识别的作用。


2.如权利要求1所述的雷达目标识别算法，其特征在于，所述多维度稀疏性特征提取模块(Multi-dimensionalsparsefeatureextractionmodule，MDS)为高精度MDS模块(High-precisionmulti-dimensionalsparsefeatureextractionmodule，HMDS)，包含一个并行卷积层和一个点卷积层，所述并行卷积层包括四条并行的卷积线路：第一条线路由7×7的卷积核组成，第二条线路由1×1后面接5×5的卷积层构成，第三条线路由1×1后面接3×3的卷积层构成，第四条线路由步长为1、大小为3的池化核后面接1×1卷积核构成；所述点卷积层为不压缩特征图的深层点卷积层，输入通道数与输出通道数...

【专利技术属性】
技术研发人员：王威，张成文，胡双红，王新，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：湖南;43