基于多任务卷积网络的空中目标微动参数实时提取方法技术

本发明专利技术公开了一种基于多任务卷积网络的空中目标微动参数实时提取方法，旨在解决传统空中目标微动参数估计方法实时性差及微动参数提取不具有独立性的问题。本发明专利技术主要包括以下步骤：(1)生成训练集；(2)构建多任务卷积神经网络；(3)训练多任务卷积神经网络；(4)获得空中目标微动参数提取值；(5)获得微动参数。本发明专利技术具有更好地实时且独立的提取空中目标每个微动参数的优点。

【技术实现步骤摘要】
基于多任务卷积网络的空中目标微动参数实时提取方法
本专利技术属于雷达
，更进一步涉及雷达目标识别
中的一种基于多任务卷积网络的空中目标微动参数实时提取方法。本专利技术可用于对直升飞机、螺旋桨飞机以及喷气式飞机等具有微动部件的空中目标进行微动部件的物理参数和运动参数提取，所提取的微动部件的物理参数和运动参数可用于空中目标的识别。
技术介绍
利用从目标的雷达回波信号中提取出的微动信号，可实现对目标微动部件的物理参数以及运动参数的提取。在保证参数提取精度的前提下，可以将提取到的参数与典型空中目标型号微动部件参数进行比对，从而达到对空中目标准确识别的目的。目前空中目标微动参数的提取常用方法有霍夫变换、逆拉东变换、短时傅里叶变换等。使用以上方法进行参数提取各有优劣，且针对提取的参数不同需选择不同的算法和阈值配合完成参数提取。西安电子科技大学在其申请的专利文献“基于旋翼物理参数估计实现飞机目标分类的方法”(申请号201410662970.8，申请公布号CN104330784B)中公开了一种基于旋翼物理参数估计实现飞机目标分类的方法。该方本文档来自技高网...

【技术保护点】
1.一种基于多任务卷积网络的空中目标微动参数实时提取方法，其特征在于，构建多任务卷积神经网络，在训练该网络时使用总损失值作为多任务卷积神经网络的收敛条件；该方法的步骤包括如下：/n(1)生成训练集：/n(1a)选取包含M种空中目标，每种空中目标的叶片数不同且每种空中目标至少包含1000个雷达回波样本的样本集，样本集中样本总数为N，其中M≥3，N≥M*1000；/n(1b)采用CLEAN算法，提取样本集中每个雷达回波样本中的微动信号；/n(1c)对每个微动信号进行取模操作，得到该微动信号的幅度序列；/n(1d)结合空中目标的姿态角，计算每个幅度序列对应的叶片长度在雷达视线上的投影，得到该幅度序列...

【技术特征摘要】
1.一种基于多任务卷积网络的空中目标微动参数实时提取方法，其特征在于，构建多任务卷积神经网络，在训练该网络时使用总损失值作为多任务卷积神经网络的收敛条件；该方法的步骤包括如下：
(1)生成训练集：
(1a)选取包含M种空中目标，每种空中目标的叶片数不同且每种空中目标至少包含1000个雷达回波样本的样本集，样本集中样本总数为N，其中M≥3，N≥M*1000；
(1b)采用CLEAN算法，提取样本集中每个雷达回波样本中的微动信号；
(1c)对每个微动信号进行取模操作，得到该微动信号的幅度序列；
(1d)结合空中目标的姿态角，计算每个幅度序列对应的叶片长度在雷达视线上的投影，得到该幅度序列对应的叶片投影长度，将叶片转速、叶片投影长度与该幅度序列对应种类的叶片数分别作为该幅度序列对应的三个微动参数的目标值；
(1e)将每个幅度序列对应的三个微动参数的目标值作为该幅度序列的标签；
(1f)将所有微动信号的幅度序列与对应的标签组成训练集；
(2)构建多任务卷积神经网络：
(2a)搭建一个12层的多任务共享模块，其结构依次为：第一卷积层，ReLU激活层，第一池化层，第二卷积层，ReLU激活层，第二池化层，第三卷积层，ReLU激活层，第三池化层，第四卷积层，ReLU激活层，第四池化层；将第一至第四层的卷积核个数依次设置为16、64、128和128，卷积核大小均设置为1*5，第一至第四池化层均采用最大池化方式，池化核大小均设置为1*2，池化步长均设置为2；
(2b)搭建第一个多任务非共享模块，其结构依次为：第一卷积层，ReLU激活层，池化层，第二卷积层，ReLU激活层，全连接层；将第一和第二层的卷积核个数依次设置为64和32，卷积核大小均设置为1*5，池化层采用最大池化方式，池化核大小设置为1*2，池化步长设置为2，全连接层的输出维数为1；
(2c)搭建第二个多任务非共享模块，其结构依次为：第一卷积层，ReLU激活层，池化层，第二卷积层，ReLU激活层，第三卷积层，ReLU激活层，全连接层；将第一至第三层的卷积核个数依次设置为64、32和16，卷积核大小均设置为1*5，池化层采用最大池化方式，池化核大小设置为1*2，池化步长设置为2，全连接层的输出维数为1；
(2d)搭建第三个多任务非共享模块，其结构依次为：第一卷积层，ReLU激活层，池化层，第二卷积层，ReLU激活层，全连接层；将第一至第二层的卷积核个数依次设置为64和32，卷积核大小均设置为1*5，池化层采用最大池化方式，池化核大小设置为1*2，池化步长设置为2，全连接层的输出维数为1；
(2e)将多任务共享模块分别与第一个多任务非共享模块、第二个多任务非共享模块与第三个多任务非共享模块串联，组成多任务卷积神经网络；
(3)训练多任务卷积神经网络：
将训练集中微动信号的幅度序列输入到多任务卷积神经网络中，利用反向传播梯度下降法，...

【专利技术属性】
技术研发人员：王鹏辉，范雪欣，刘宏伟，丁军，陈渤，纠博，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61