基于多任务学习的HRRP特征提取方法技术

本发明专利技术涉及一种基于多任务学习的HRRP特征提取方法，包括下列步骤：目标样本建模；获取目标样本HRRP：利用CST软件中的雷达距离像仿真模块，生成目标的全方位HRRP，仿真求解器为高频渐进求解器，远场频率为1Ghz；计算目标HRRP时间序列：基于目标全方位HRRP值，利用MATLAB时间序列计算程序，生成目标在不同轨迹下、含包括章动角、进动周期在内的不同微动信息的HRRP时间序列；利用MATLAB程序制作训练集；搭建基于多任务学习的特征提取系统。

【技术实现步骤摘要】
基于多任务学习的HRRP特征提取方法
本专利技术涉及空间目标识别领域，特别涉及深度学习的多任务学习方法。
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。空间目标的高分辨率一维距离像(HRRP)是一个重要的物理信息，是由宽带雷达的回波获取的雷达信息，具有丰富的信息。基于HRRP的目标识别技术一直是空间目标识别技术的重要方向，传统方法对HRRP的研究有基于功率谱特征的目标识别方法、基于中心矩特征向量的雷达目标识别方法和基于多次距离像样本的识别方法。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。本文使用基于已经成熟的TCN神经网络结构的多任务学习，对物体的动态HRRP时间序列数据进行特征提取，从而实现对物体种类的分类与长度、角度、章动角、进动周期等特征的同时提取。
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HRRP时间序列的特征提取方法，该方法能使用一种模型同时提取多种特征,基于现有的深度学习时间序列分类方法，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HRRP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多任务特征提取。具体技术方案如下：一种基于多任务学习的HRRP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HRRP：利用CST软件中的雷达距离像仿真模块，生成目标的全方位HRRP，仿真求解器为高频渐进求解器，远场频率为1Ghz；第三步：计算目标HRRP时间序列：基于目标全方位HRRP值，利用MATLAB时间序列计算程序，生成目标在不同轨迹下、含包括章动角、进动周期在内的不同微动信息的HRRP时间序列；第四步：利用MATLAB程序制作训练集：以HRRP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，包括种类、尺寸、角度、章动角、进动周期属性，作为数据特征，以此形成神经网络训练数据集，并划为测试集和训练集；第五步：搭建基于多任务学习的特征提取系统：基于PyTorch神经网络框架，采用TCN神经网络结构，利用梯度下降法训练神经网络参数，同时设置误差为特征提取系统的输出与多种特征标签的均方误差，使得特征提取系统能同时提取出时间序列对应目标的多种特征；第六步：基于PyTorch神经网络框架，基于测试集数据进行测试。本专利技术所提供的HRRP时间序列特征提取方法，能同时提取出时间序列中所蕴含的目标种类、尺寸、角度、章动角、进动周期等特征。多任务架构的使用减少了重复训练网络所需的时间花费。本专利技术所采用的具体实施方法简单有效，不需要专门建模，有可移植性，具有很强的实用性能，易于操作。附图说明图1.TCN神经网络结构图2.TCN神经网络的残差连接block结构图3.空洞因果卷积图4.多任务网络架构具体实施方式第一步：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HRRP。利用CST软件中的雷达距离像仿真模块，生成目标的全方位HRRP，仿真求解器为高频渐进求解器，远场频率为1Ghz；HRRP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HRRP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HRRP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HRRP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、章动角、进动周期等属性作为数据特征。以此形成神经网络训练数据集，共29900条样本，其中2783条划为测试集，余下数据为训练集；第五步：搭建基于多任务学习的特征提取系统。系统将基于PyTorch神经网络框架，基于已经成熟的TCN神经网络结构，利用梯度下降法训练神经网络参数，同时设置误差为特征提取系统的输出与多种特征标签的均方误差，使得特征提取系统能同时提取出时间序列对应目标的多种特征。本专利技术提供的特征提取系统所使用的神经网络结构可分为1个基网络和若干子网络组成，子网络数目由要求系统提取的特征种类数目决定。基网络的网络结构采用技术成熟的TCN神经网络结构，子网络为由三层感知机组成的简单神经网络结构。TCN神经网络结构包含残差连接和空洞因果卷积等常用深度学习技术，能分别加大神经网络的特征提取能力和对序列信息的全局分析能力。神经网络的输入为0-1规范化后的HRRP数据，考虑到数据本身时长不一，我们统一截取了前500长度的时间序列作为输入数据，基网络的输出流向每个子网络，子网络的输出则分别与其对应特征的标签进行误差计算，损失函数为交叉熵函数，采用余弦退火学习率，训练轮数为30个EPOCH。第六步：基于PyTorch神经网络框架，基于测试集数据进行测试。本文档来自技高网...

【技术保护点】
1.一种基于多任务学习的HRRP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HRRP：利用CST软件中的雷达距离像仿真模块，生成目标的全方位HRRP，仿真求解器为高频渐进求解器，远场频率为1Ghz；/n第三步：计算目标HRRP时间序列：基于目标全方位HRRP值，利用MATLAB时间序列计算程序，生成目标在不同轨迹下、含包括章动角、进动周期在内的不同微动信息的HRRP时间序列；/n第四步：利用MATLAB程序制作训练集：以HRRP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，包括种类、尺寸、角度、章动角、进动周期属性，作为数据特征，以此形成神经网络训练数据集，并划为测试集和训练集；/n第五步：搭建基于多任务学习的特征提取系统：基于PyTorch神经网络框架，采用TCN神经网络结构，利用梯度下降法训练神经网络参数，同时设置误差为特征提取系统的输出与多种特征标签的均方误差，使得特征提取系统能同时提取出时间序列对应目标的多种特征；/n第六步：基于PyTorch神经网络框架，基于测试集数据进行测试。/n...

【技术特征摘要】
1.一种基于多任务学习的HRRP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HRRP：利用CST软件中的雷达距离像仿真模块，生成目标的全方位HRRP，仿真求解器为高频渐进求解器，远场频率为1Ghz；
第三步：计算目标HRRP时间序列：基于目标全方位HRRP值，利用MATLAB时间序列计算程序，生成目标在不同轨迹下、含包括章动角、进动周期在内的不同微动信息的HRRP...

【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