一种基于不变散射卷积网络和LSTM的复杂环境回波认知方法技术

一种基于不变散射卷积网络和LSTM的复杂环境回波认知方法，包括以下步骤：S1、建立几种典型环境的几何模型和电磁参数模型；S2、基于S1中的几何模型和电磁参数模型，对脉冲多普勒雷达体制下的回波信号进行仿真；S3、建立不变散射卷积网络，提取S2中回波信号的特征数据；S4、基于S3中的回波信号的特征数据，建立训练数据集和测试数据集；S5、建立LSTM网络模型，并将S4中的训练数据集输入对LSTM网络模型进行训练；S6、使用S5中训练好的LSTM模型对S3中的测试数据集进行分类测试。本发明专利技术不仅可以降低信号的复杂度，还可以获取信号的高阶语义信息。息。息。

【技术实现步骤摘要】
一种基于不变散射卷积网络和LSTM的复杂环境回波认知方法


[0001]本专利技术属于雷达信息获取与处理的
，具体涉及一种复杂环境雷达回波认知方法。

技术介绍

[0002]随着雷达通信与电子信息技术的飞速发展，信号体制种类及数量急剧增加、信号波形设计更为复杂，加之雷达探测环境中地物种类复杂多样、地貌特征各异、空间异质性强烈，使得传统的信号处理和分析方法已难以满足现阶段的使用需求。作为一种不需要专业领域知识的通用技术，深度学习具有整合海量、多模态、动态大数据的能力，并且可以从标记数据中快速的提取高阶语义信息，这与复杂环境雷达回波信号认知识别的发展要求和趋势不谋而合，有望提高雷达系统对复杂环境回波信号的处理能力与效率。
[0003]目前技术主要采用时频分析方法将无线电信号识别问题转化为图像识别领域问题，采用深度神经网络对二维频谱图进行特征提取或者直接使用长短时记忆神经网络对信号序列进行本质挖掘，与传统雷达信号处理方法相比，信息处理效率和鲁棒性都得到了提升，但主要存在两个问题：一是通过时频变换会丢失信号层的相关信息，不能挖掘雷达回波信号本质特征，且二维卷积训练复杂度较高、参数量较大，网络冗余程度高；二是不同雷达回波信号经过传统雷达信号处理提取得到的特征几乎无差别，直接输入LSTM(长短期记忆网络)容易出现分类效果较差的现象。
[0004]基于上述，本专利技术提出一种基于不变散射卷积网络和LSTM的复杂环境回波认知方法，不仅可以降低信号的复杂度，还可以获取信号的高阶语义信息。

技术实现思路

>[0005]本专利技术的目的在于提出一种高效的复杂环境雷达回波认知方法，主要采用不变散射卷积网络对输入雷达回波信号进行信息降维与特征提取，减少信息的冗余，接着采用LSTM挖掘信号序列本质特征，实现复杂环境雷达回波识别。同时针对信号中存在的其他噪声，使用注意力机制增强雷达回波信号本征特征，提高信号的识别率。与之前的雷达回波信号识别方法相比，本专利技术不仅可以降低信号的复杂度，还可以获取信号的高阶语义信息，是一种具有应用前景的雷达回波认知方法。
[0006]为实现上述目的，本专利技术提出一种基于不变散射卷积网络和LSTM的复杂环境回波认知方法，包含以下步骤：
[0007]S1、建立几种典型环境的几何模型和电磁参数模型；
[0008]S2、基于S1中的几何模型和电磁参数模型，对脉冲多普勒雷达体制下的回波信号进行仿真；
[0009]S3、建立不变散射卷积网络，提取S2中回波信号的特征数据；
[0010]S4、基于S3中的回波信号的特征数据，建立训练数据集和测试数据集；
[0011]S5、建立LSTM网络模型，并将S4中的训练数据集输入对LSTM网络模型进行训练；
[0012]S6、使用S5中训练好的LSTM模型对S3中的测试数据集进行分类测试。
[0013]其中，所述的步骤S1进一步的包括以下步骤：
[0014]S11、选取几种典型环境，建立其几何模型；
[0015]S12、建立S11中所述几种典型环境的电磁参数模型。
[0016]其中，在所述脉冲多普勒雷达体制下，建立引信天线模型，该引信天线发射波至步骤S1中建立的环境模型，所述环境模型对波进行散射，由引信天线接收的散射波为回波。
[0017]其中，将对回波信号起贡献的环境区域划分为M
×
N个面元，继而步骤S2 中所述的回波信号为
[0018][0019]其中，P
t
为引信天线的接收功率，λ为引信天线发射波的波长，k为波数，Δs为引信天线照射区域的每个面元的面积，δ
mn
为每个面元的RCS，R为引信天线到面元的距离。
[0020]其中，所述的R的取值范围为t1C/2<R<(t1+T
p
+T
v
)C/2，其中T
p
为引信天线的发射脉冲宽度，t1为接收延迟，T
v
为引信天线的接收波门脉宽，C为光速。
[0021]其中，计算所述δ
mn
时，根据发射波入射角度的不同，对于小角度入射情况，即入射角小于20
°
时，采用基尔霍夫近似法计算；对于大角度入射情况，即入射角为20
°
～90
°
时，采用微扰法计算。
[0022]其中，所述S3中的不变散射卷积网络包括多层，每一层通常包括三部分：小波卷积、非线性处理和平均操作。
[0023]其中，所述的步骤S4具体为将步骤S3提取的回波信号特征数据随机打散，按一定比例建立训练数据集和测试数据集，其中训练数据集的占比大于测试数据集。
[0024]其中，所述LSTM模型包括输入层、LSTM层、注意力机制层、全连接层、softmax 层、分类结果层。
[0025]其中，所述的步骤S5中，进一步的包括以下步骤：
[0026]S51、将步骤S4中的训练数据集中的特征数据依次经过输入层输入；
[0027]S52、从输入层输入的回波数据到LSTM层进行计算；
[0028]S53、使用注意力机制层对LSTM层的输出结果进行增强；
[0029]S54、使用全连接层和softmax层对结果进行分类；
[0030]S55、在分类结果层中输出分类结果，根据分类结果对注意力机制层、全连接层和softmax层中的参数进行调整；
[0031]S56、重复上述步骤，直至将训练数据集中的所有特征数据全部进行分类，并对各层参数进行调整，得到训练好的LSTM网络模型。
附图说明
[0032]图1是本专利技术一种基于不变散射卷积网络和LSTM的复杂环境雷达回波认知方法的流程图；
[0033]图2是本专利技术中不变散射卷积网络特征提取示意图。
[0034]图3是本专利技术中LSTM分类模型示意图。
具体实施方式
[0035]以下结合附图和一个较佳的具体实施例对本专利技术提出的一种基于不变散射卷积网络和LSTM的复杂环境回波认知方法作进一步详细说明。特别指出的是，以下实施例仅用于说明本专利技术，但不对本专利技术的范围进行限定。同样的，以下实施例仅为本专利技术的部分实施例而非全部实施例，本
中技术人员依本专利技术的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
[0036]如图1所示，一种基于不变散射卷积网络和LSTM的复杂环境回波认知方法包含以下步骤：
[0037]S1、建立典型环境的几何模型和电磁参数模型；
[0038]选取土壤、沙地、水泥地和风驱海面四种典型环境，分别建立其几何模型和电磁参数模型。
[0039]S11、建立四种典型环境的几何模型；
[0040]采用频空域转换生成四种典型环境的数字化几何模型：对风驱海面，主要由PM海谱确定模拟生成的波高谱，并采用以风向为中心的高斯分布本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于不变散射卷积网络和LSTM的复杂环境回波认知方法，其特征在于，包括以下步骤：S1、建立几种典型环境的几何模型和电磁参数模型；S2、基于S1中的几何模型和电磁参数模型，对脉冲多普勒雷达体制下的回波信号进行仿真；S3、建立不变散射卷积网络，提取S2中回波信号的特征数据；S4、基于S3中的回波信号的特征数据，建立训练数据集和测试数据集；S5、建立LSTM网络模型，并将S4中的训练数据集输入对LSTM网络模型进行训练；S6、使用S5中训练好的LSTM模型对S3中的测试数据集进行分类测试。2.如权利要求1所述的一种基于不变散射卷积网络和LSTM的复杂环境回波认知方法，其特征在于，所述的步骤S1进一步的包括以下步骤：S11、选取几种典型环境，建立其几何模型；S12、建立S11中所述几种典型环境的电磁参数模型。3.如权利要求1所述的一种基于不变散射卷积网络和LSTM的复杂环境回波认知方法，其特征在于，在所述脉冲多普勒雷达体制下，建立引信天线模型，该引信天线发射波至步骤S1中建立的环境模型，所述环境模型对发射波进行散射，由引信天线接收的散射波为回波。4.如权利要求3所述的一种基于不变散射卷积网络和LSTM的复杂环境回波认知方法，其特征在于，将对回波信号起贡献的环境区域划分为M
×
N个面元，继而步骤S2中所述的回波信号为其中，P
t
为引信天线的接收功率，λ为引信天线发射波的波长，k为波数，Δs为引信天线照射区域的每个面元的面积，δ
mn
为每个面元的RCS，R为引信天线到面元的距离。5.如权利要求4所述的一种基于不变散射卷积网络和LSTM的复杂环境回波认知方法，其特征在于，所述的R的取值范围为t1C/2＜R＜(t1+T
p
+T
v
)C/2，其中T
p
为引信天线的发射脉冲宽度，t1为接收延迟...

【专利技术属性】
技术研发人员：安锐，冯明，高鹏程，黄志勇，
申请(专利权)人：上海无线电设备研究所，
类型：发明
国别省市：