一种基于超宽带电磁散射特征的雷达目标识别方法技术

本发明专利技术属于雷达识别技术领域，具体涉及一种基于超宽带电磁散射特征的雷达目标识别方法。本发明专利技术是一种基于子带综合和特征融合的雷达目标识别方法，其利用子带HRRP数据信息，采用所提方法合成超宽带HRRP数据，提取UWB参数特征以提高识别性能。然后提出了一种基CNN反向传播算法的跨域特征选择方法，用于选择用于目标识别的参数特征。最后利用提取的UWB参数特征和UWB HRRP样本，提出了一种特征选择方法。因此，该方法可以有效地综合UWB HRRP数据，充分利用数据驱动特征和参数特征。充分利用数据驱动特征和参数特征。充分利用数据驱动特征和参数特征。

【技术实现步骤摘要】
一种基于超宽带电磁散射特征的雷达目标识别方法


[0001]本专利技术属于雷达识别
，具体涉及一种基于超宽带电磁散射特征的雷达目标识别方法。

技术介绍

[0002]高分辨距离像(HRRP)是宽带雷达在脉冲压缩后从目标散射体获得的复杂回波的叠加。它包含目标的几何特征，例如目标散射中心的相对距离、数量和散射强度。HRRP提供的信息对于目标识别很重要，现阶段已经提出多种利用HRRP实现雷达目标识别的方法。例如使用HRRP数据的散射中心模型来探索目标的主要散射中心的稀疏分布特性、使用二阶中心矩和HRRP数据作为特权信息的特征学习方法等。但大多数方法都依赖于从HRRP中提取的特征，而没有利用目标的其他信息，这使得目标的其他信息被浪费。
[0003]随着深度学习算法在计算机视觉、自然语言处理方面的成功应用，其也推广应用到了雷达目标识别领域。与仅专注于从HRRP人工提取特征的方法不同，基于深度学习模型的方法能够自动挖掘目标的基本特征，这意味着这些模型是完全由数据驱动的。但同时也面临着挑战，即深层模型需要大量的训练样本和大量的计算资源。因此，如何使用相对较小的训练集为深度学习模型包含附加信息以完成目标识别，是雷达目标识别的一个问题。
[0004]雷达的距离分辨率与其工作频率带宽成反比。想要实现高分辨率，则需要宽带雷达系统。超宽带(UWB)散射特性可以提供精细的范围分辨率和丰富的散射信息。尽管现有的宽带雷达系统可以提供高范围的分辨率，但导弹，飞机和卫星的精细结构通常小于宽带雷达系统的范围分辨率。因此，现有的宽带雷达系统很难提取此类目标的精细结构，而建立物理UWB 雷达可能会导致系统设计的复杂性增加以及硬件成本大幅增加。一种有效的选择是从多个频率子带合成UWB数据，而无需显着改善现有雷达系统的硬件。基于衍射几何理论(GTD) 模型可以实现多个频率子带的合成。由于具有较高的计算精度和相对简单的计算过程，GTD 模型在电磁散射问题上已有数十年的研究和应用。

技术实现思路

[0005]本专利技术提出一种基于超宽带电磁散射特征和深度融合卷积神经网络的雷达目标识别方法 (UGFCNN)，其可以有效地综合UWB HRRP数据，充分利用数据驱动特征和参数特征。与现有的并行方法相比，该方法具有更高的目标识别正确率。
[0006]本专利技术的解决方案是：首先，根据目标衍射模型的几何理论，合成多个频率子带，得到超宽带高分辨距离像(UWB HRRP)和参数特征，其中，参数特征包括相对范围，幅度，频率响应参数和目标散射中心的数量。其次，通过卷积运算提取HRRPs的时域特征，并与所提出的跨域特征选择方法选择的参数特征相连接。最后，设计了一个网络来完成目标识别，该网络将连接的特征作为下一个卷积层的输入，同时训练网络的所有参数。
[0007]本专利技术的具体步骤为：
[0008]步骤1：在两个子频带数据s1(t)s2(t)的基础上利用稀疏重建方法解Y＝Ψδ+n，得
到 UWB的频域电磁特性。
[0009]步骤2：取的离散频率范围为[f
L
,f
U
]，由此获得超宽带的完备字典Ψ
U
，得到超宽带频率响应Y
U
＝Ψ
U
δ。对Y
U
进行逆傅里叶变换即可得到超宽带一维距离像(UWB HRRP)y
U
。
[0010]步骤3：通过数据集扩充与划分构建训练集和测试集。
[0011]步骤4：构建CNN模型并通过跨域特征选择方法得到具有最佳P
c
值的UWB频域参数特征。
[0012]步骤5：选择P
c
值最高的频域参数特征作为辅助特征，设置epochs＝100，batch size＝32， leraning rate＝0.001，迭代次数为150，利用前向传播和后向传播训练模型参数。
[0013]步骤6：利用训练好的模型进行目标识别。
[0014]本专利技术的有益效果是：本专利技术是一种基于子带综合和特征融合的雷达目标识别方法，其利用子带HRRP数据信息，采用所提方法合成超宽带HRRP数据，提取UWB参数特征以提高识别性能。然后提出了一种基CNN反向传播算法的跨域特征选择方法，用于选择用于目标识别的频域参数特征。最后利用提取的UWB频域参数特征和UWB HRRP样本，提出了一种特征选择方法。因此，该方法可以有效地综合UWB HRRP数据，充分利用数据驱动特征和参数特征。
附图说明
[0015]图1为本专利技术方法顶层结构示意图；
[0016]图2为5个相似目标的概貌；
[0017]图3为几种经典学习方法应用于子带HRRP样本和UWB HRRP样本的识别精度对比；
[0018]图4为本专利技术方法在选择不同参数特征时的目标识别精度对比；
[0019]图5为在不同SNR下一些经典方法与本专利技术方法的识别精度和损耗比较；
[0020]图6为在不同SNR下一些经典方法与本专利技术方法的识损耗比较；图7为通过本专利技术方法和CNN应用于子带HRRP和UWB HRRP目标识别结果的混淆矩 阵。
具体实施方式
[0021]下面结合附图详细描述本专利技术的技术方案：
[0022]如图1所示，为本专利技术的流程，具体包括：
[0023]步骤1：在两个子频带数据s1(t)s2(t)的基础上利用稀疏重建方法解Y＝Ψδ+n，得到UWB的频域电磁特性。
[0024]步骤1
‑
1：第i个(i＝1,2)雷达将线性调频信号s
i
(t)发送到目标，则目标相对于第i个雷达的频率响应为
[0025][0026]其中S
i
(f)是s
i
(t)的傅里叶变换，M为目标散射中心的数量，A
m
和α
m
分别表示第m个散射中心的幅度和散射几何类型，f
0i
表示第i个子带的初始频率，R
mi
表示第m个散射点与第
i个雷达之间的相对距离，c为光速。
[0027]步骤1
‑
2：建立一个完备字典Ψ
i
，第i个(i＝1,2)子带的第(n,l)位的元素表示为
[0028][0029]其中f
i
(n)为第i个子带的离散化频率，是散射中心的散射几何类型，类型，表示目标相对于第i个雷达可能的最大相对距离，L2表示离散化相对距离的总数，l＝(l1‑
1)L2+l2，l1∈{1,...,5}，l2∈{1,...,L2}。
[0030]步骤1
‑
3：离散频率响应Y
i
可以用矩阵格式写为
[0031]Y
i
＝Ψ
i
δ
i
+n
i
，
[0032]Y
i
＝(S
Ri
(f
i<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于超宽带电磁散射特征的雷达目标识别方法，其特征在于，包括以下步骤：S1、采用多个频率子带合成超宽带数据的方式获取目标的超宽带频域参数特征，具体为：第i个雷达将线性调频信号s
i
(t)发送到目标，i＝1,2，则目标相对于第i个雷达的频率响应为其中S
i
(f)是s
i
(t)的傅里叶变换，M为目标散射中心的数量，A
m
和α
m
分别表示第m个散射中心的幅度和散射几何类型，f
0i
表示第i个子带的初始频率，R
mi
表示第m个散射点与第i个雷达之间的相对距离，c为光速；建立一个完备字典Ψ
i
，第i个子带的第(n,l)位的元素表示为其中f
i
(n)为第i个子带的离散化频率，是散射中心散射几何类型，是散射中心散射几何类型，表示目标相对于第i个雷达可能的最大相对距离，L2表示离散化相对距离的总数，l＝(l1‑
1)L2+l2，l1∈{1,...,5}，l2∈{1,...,L2}；将离散频率响应Y
i
用矩阵格式写为Y
i
＝Ψ
i
δ
i
+n
i
，Y
i
＝(S
Ri
(f
i
(1)),
…
,S
Ri
(f
i
(N
i
)))
T
，N
i
为第i个子带的频率点，δ
i
表示目标散射点相对于第i个子带的未知复振幅，n
i
为噪声向量，δ
i
中的非零元素为散射点未知复振幅的估计，其在Ψ
i
中对应的列估计了α
m
和R
mi
的值；对多个子带进行联合参数估计，采用稀疏重建方法解Y＝Ψδ+n，定义离散频率范围为[f
1L
,f
1U
]∪[f
2L
,f
2U
]，f
iL
、f
iU
表示此频率为当前频带的最低频率和最高频率，获得目标的电磁散射信息后，δ中的非零元素为估计的目标散射点数量，其在Ψ中对应的列即为目标散射中心的相对距离、幅度和散射几何类型；将目标散射点数量、目标散射中心的相对距离、幅度和散射几何类型作为超宽带频域参数特征；S2、取的离散频率范围为[f
L
,f
U
]，由此获得超宽带的完备字典的Ψ
U
，得到超宽带频率响应Y
...

【专利技术属性】
技术研发人员：张瑛，曾瑞雪，刘颖青，冯皓宇，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：