一种雷达高压线识别的知识神经网络模型及其方法技术

本申请提供了一种雷达高压线识别的知识神经网络模型及其方法，属于雷达目标识别与目标检测技术领域，具体包括输入模块接收雷达回波目标信息，雷达回波目标信息包括主信息和辅助信息；知识融合特征提取模块包括主干网络和辅助特征提取网络，主干网络对主信息进行提取并输出，辅助特征提取网络基于主目标信息对辅助信息进行提取并输出，主干网络的输出和辅助特征提取网络的输出进行串联后形成主特征输出；全连接特征提取模块对主特征进行全局特征提取；分类输出模块对全连接特征提取模块提取的信息进行识别，输出识别结果。通过本申请的处理方案，实现了雷达回波高压线目标的准确识别，有效提高了防撞雷达高压线检测识别的性能。能。能。

【技术实现步骤摘要】
一种雷达高压线识别的知识神经网络模型及其方法


[0001]本申请涉及雷达目标识别与目标检测的领域，尤其是涉及一种雷达高压线识别的知识神经网络模型及其方法。

技术介绍

[0002]高压线由于其体积小，难发现，危险系数高，已成为低空防撞雷达最重要的检测目标。目前深度学习技术特别是卷积神经网络(Convolutional Neural networks,CNN)在光学图像目标识别、检测和分割等领域已经获得广泛的应用，并逐步引入到雷达领域，但由于高压线雷达回波的特殊性，直接将已有的深度学习模型应用于高压线检测识别，不考虑雷达回波特点和高压线自身的特点，并不能够取得很好的效果。

技术实现思路

[0003]有鉴于此，本申请提供一种雷达高压线识别的知识神经网络模型，解决了现有技术中的问题，实现了雷达回波高压线目标的准确识别，有效提高了防撞雷达高压线检测识别的性能。
[0004]一方面本申请提供的一种雷达高压线识别的知识神经网络模型采用如下的技术方案：
[0005]一种雷达高压线识别的知识神经网络模型，包括输入模块、知识融合特征提取模块、全连接特征提取模块和分类输出模块；
[0006]所述输入模块接收雷达回波目标信息，所述雷达回波目标信息包括主信息和辅助信息，所述主信息包括雷达回波的幅度；
[0007]所述知识融合特征提取模块包括主干网络和辅助特征提取网络，所述主干网络对主信息进行提取并输出，所述辅助特征提取网络基于主目标信息对辅助信息进行提取并输出，所述主干网络的输出和辅助特征提取网络的输出进行串联后形成主特征输出；
[0008]所述全连接特征提取模块对所述主特征进行全局特征提取；
[0009]分类输出模块对全连接特征提取模块提取的信息进行识别，输出识别结果。
[0010]可选的，所述辅助信息包括雷达回波的角误差、方位角、入射角以及相关知识信息。
[0011]可选的，所述主干网络依次对主信息进行卷积和最大池化。
[0012]可选的，所述辅助特征提取网络引出经过卷积的主信息，经1
×
1卷积进行特征降维处理，再经过最大池化，利用最大池化的索引从辅助信息中提取对应索引位置的数据；
[0013]将最大池化与索引池化的特征图串联，再经过1
×
1卷积进行特征升维处理，将经过1
×
1卷积进行特征升维处理的信息与所述主干网络的输出串联形成主特征。
[0014]可选的，所述辅助特征提取网络同时直接将经过利用最大池化的索引从辅助信息中提取对应索引位置的数据作为辅特征输出；
[0015]所述知识融合特征提取模块设置三个，堆叠所述知识融合特征提取模块，上一个
所述知识融合特征提取模块向下一个所述知识融合特征提取模块输出主特征和所述辅特征，分别作为下一个所述知识融合特征提取模块的主信息和辅助信息；
[0016]所述全连接特征提取模块设置两个，堆叠全连接进行特征提取。
[0017]可选的，所述分类模块对所述全连接特征提取模块提取的信息，经过softmax输出高压线的识别结果。
[0018]另一方面本申请提供的一种雷达高压线识别的方法采用如下的技术方案：
[0019]一种雷达高压线识别的方法，包括如下步骤：步骤一，从雷达回波中提取出疑似高压线目标信息；
[0020]步骤二，根据实际情况对疑似目标进行类别标注；
[0021]步骤三，设计如权利要求1
‑
6中任一项的所述知识神经网络模型；
[0022]步骤四，将疑似高压线目标提取与标注，划分成训练集和测试集；
[0023]步骤五，将训练集数据输入到所述知识神经网络模型中，使用反向传播算法计算梯度，对所述知识神经网络模型的权值进行更新，直到训练迭代次数完成或是达到预期的效果；
[0024]步骤六、保存训练好的所述知识神经网络模型参数。
[0025]可选的，所述步骤一中，利用启发式搜索方法，从雷达回波中提取出疑似高压线目标信息。
[0026]可选的，所述疑似目标包括高压线、杂波和噪声中的一种或多种。
[0027]综上所述，本申请包括以下有益技术效果：
[0028]1、知识神经网络模型，将雷达获取的角误差、方位角、照射入射角等信息与回波数据进行关联，将其作为知识或辅助特征进行综合目标识别，可充分利用有效信息；
[0029]2、知识融合模块推广性强，可应用于传统神经网络模型，将其修改为知识神经网络结构而不带来过多的参数，并引入有用的信息或知识，可提高网络模型性能；
[0030]3、将雷达高压线检测问题转化成目标识别问题，模型的输入为一维信号，处理简单、计算量低，且能有效改善性能。
附图说明
[0031]为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0032]图1为本申请知识神经网络模型的结构框图；
[0033]图2为本申请知识融合特征提取模块结构图；
[0034]图3为本申请知识神经网络模型的具体结构框图；
[0035]图4为本申请雷达高压线识别的方法的流程图。
具体实施方式
[0036]下面结合附图对本申请实施例进行详细描述。
[0037]以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。显然，所描述的实施例仅仅是本申请
一部分实施例，而不是全部的实施例。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0038]要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本申请，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
[0039]还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本申请的基本构想，图式中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种雷达高压线识别的知识神经网络模型，其特征在于，包括输入模块、知识融合特征提取模块、全连接特征提取模块和分类输出模块；所述输入模块接收雷达回波目标信息，所述雷达回波目标信息包括主信息和辅助信息，所述主信息包括雷达回波的幅度；所述知识融合特征提取模块包括主干网络和辅助特征提取网络，所述主干网络对主信息进行提取并输出，所述辅助特征提取网络基于主目标信息对辅助信息进行提取并输出，所述主干网络的输出和辅助特征提取网络的输出进行串联后形成主特征输出；所述全连接特征提取模块对所述主特征进行全局特征提取；所述分类输出模块对全连接特征提取模块提取的信息进行识别，输出识别结果。2.根据权利要求1所述的雷达高压线识别的知识神经网络模型，其特征在于，所述辅助信息包括雷达回波的角误差、方位角、入射角以及相关知识信息。3.根据权利要求1所述的雷达高压线识别的知识神经网络模型，其特征在于，所述主干网络依次对主信息进行卷积和最大池化。4.根据权利要求1所述的雷达高压线识别的知识神经网络模型，其特征在于，所述辅助特征提取网络引出经过卷积的主信息，经1
×
1卷积进行特征降维处理，再经过最大池化，利用最大池化的索引从辅助信息中提取对应索引位置的数据；将最大池化与索引池化的特征图串联，再经过1
×
1卷积进行特征升维处理，将经过1
×
1卷积进行特征升维处理的信息与所述主干网络的输出串联形成主特征。5.根据权利要求4所述的雷达高压线识别...

【专利技术属性】
技术研发人员：罗旌胜，熊伟，贺丰收，
申请(专利权)人：中国航空工业集团公司雷华电子技术研究所，
类型：发明
国别省市：