一种雷达目标融合识别方法及系统技术方案

本发明专利技术涉及一种雷达目标融合识别方法及系统，涉及信号处理技术领域，方法包括：获取雷达回波数据；利用数据库对所述雷达回波数据进行特征提取，得到目标特征；利用一维距离像子网络对所述雷达回波数据进行特征提取，得到一维距离像特征；利用二维像子网络对所述雷达回波数据进行特征提取，得到二维像特征；根据所述目标特征、所述一维距离像特征和所述二维像特征利用融合网络进行融合识别，得到样本类别。本发明专利技术能够提高目标识别的准确率。本发明专利技术能够提高目标识别的准确率。本发明专利技术能够提高目标识别的准确率。

【技术实现步骤摘要】
一种雷达目标融合识别方法及系统


[0001]本专利技术涉及信号处理
，特别是涉及一种雷达目标融合识别方法及系统。

技术介绍

[0002]雷达系统是获取天空、地面、海洋等环境中目标的重要设备，其通过回波信号获取与噪声抑制、成像、特征分析等信号处理，获取目标的几何形状、运动状态、目标类型、工作状态等关键信息。鉴于雷达的全天时、全天候、作用距离远等独特优势，雷达在信息获取与感知领域中占有重要位置，然而雷达获取的信息还需要进一步进行目标识别，以实现目标的解译与判读，传统方法主要有模板匹配方法，支持矢量机方法等，这些方法一方面需要专家知识与人工辅助，识别效率与准确率不够理想，另一方面无法从数据中学习，识别稳健性不足。针对这些问题，迫切需要发展联合模型与数据的融合识别方法。
[0003]深度学习是解决上述问题的极具潜力的技术途径，也是目前机器学习领域乃至整个人工智能方向中发展最蓬勃的分支，其本质是一种在人工神经网络基础上发展而来的一种表示学习方法。深度学习模型主要是各种深度神经网络，在含有少量先验经验的情况下，利用多层网络自动从数据中抽取合适的特征，得到很好的特征表示和分类识别。深度学习自上世纪90年代诞生以来，由于计算速度的限制经历了一段时间的沉寂；随着计算机图形处理器的广泛应用，训练大型复杂深度学习网络参数的效率大大提高，2012年深度学习迎来爆发式的突破。深度学习的理念在于在中大规模数据集上追求简单、新颖和通用，不强调数据的先验特性，讲究统一的“端到端”的设计方式。深度学习的革命性在于，它不需要过多的提取特征，计算机可以自动学习出特征。此外，学术界与工业界还陆续提出了多种深度学习网络，如深度多尺度几何网络、稀疏深度网络、深度强化学习网络等，已在目标检测与识别、图像判读与解译、生物神经认知等领域得到深度应用。在雷达数据特征提取与识别方面，深度学习网络处理方法已经开始初步探索，处理效果得到了一定的提升。
[0004]深度学习网络在取得显著应用效果的同时，也面临巨大的挑战。难点之一便是深度学习网络主要是数据驱动的，稳健性与泛化能力受到很大的限制。针对该瓶颈问题，迫切需要发展基于深度网络的雷达目标识别方法，特别是设计联合模型与数据的融合网络模型，以及设计网络训练算法等，通过这些为雷达目标的高性能识别提取提供条件。

技术实现思路

[0005]本专利技术的目的是提供一种雷达目标融合识别方法及系统，以提高目标识别的准确率。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]一种雷达目标融合识别方法，包括：
[0008]获取雷达回波数据；
[0009]利用数据库对所述雷达回波数据进行特征提取，得到目标特征；
[0010]利用一维距离像子网络对所述雷达回波数据进行特征提取，得到一维距离像特
征；所述一维距离像子网络包括依次连接的残差模块组和Inception模块；
[0011]利用二维像子网络对所述雷达回波数据进行特征提取，得到二维像特征；所述二维像子网络包括依次连接的残差模块组和Inception模块；
[0012]根据所述目标特征、所述一维距离像特征和所述二维像特征利用融合网络进行融合识别，得到样本类别；所述融合网络包括依次连接的全连接层组和输出层。
[0013]可选地，在所述获取雷达回波数据之后，还包括：
[0014]对所述雷达回波数据抽取一维距离像并对所述一维距离像进行归一化处理得到经归一化处理后的一维距离像；
[0015]对所述雷达回波数据进行雷达成像得到二维像并对所述二维像进行归一化处理得到经归一化处理后的二维像。
[0016]可选地，所述利用一维距离像子网络对所述雷达回波数据进行特征提取，得到一维距离像特征，具体包括：
[0017]将所述经归一化处理后的一维距离像输入一维距离像子网络，得到一维距离像特征。
[0018]可选地，所述利用二维像子网络对所述雷达回波数据进行特征提取，得到二维像特征，具体包括：
[0019]将所述经归一化处理后的二维像输入二维像子网络，得到一维距离像特征。
[0020]可选地，所述融合网络的交叉熵损失函数为：
[0021][0022]其中，Loss为交叉熵损失函数，n为训练样本数量，i为训练样本次序索引，j为目标类别编码索引，为目标真实类别，为目标预测类别。
[0023]可选地，所述融合网络以训练集目标特征、训练集一维距离像特征和训练集二维像特征为输入，以训练集样本类别为输出，利用Adam算法进行训练。
[0024]可选地，所述残差模块组包括两个残差模块，每个残差模块包括依次连接的三个卷积层。
[0025]可选地，所述全连接层组包括依次连接的第一全连接层、Dropout层和第二全连接层。
[0026]一种雷达目标融合识别系统，包括：
[0027]获取模块，用于获取雷达回波数据；
[0028]目标特征提取模块，用于利用数据库对所述雷达回波数据进行特征提取，得到目标特征；
[0029]一维距离像特征提取模块，用于利用一维距离像子网络对所述雷达回波数据进行特征提取，得到一维距离像特征；所述一维距离像子网络包括依次连接的残差模块组和Inception模块；
[0030]二维像特征提取模块，用于利用二维像子网络对所述雷达回波数据进行特征提取，得到二维像特征；所述二维像子网络包括依次连接的残差模块组和Inception模块；
[0031]融合识别模块，用于根据所述目标特征、所述一维距离像特征和所述二维像特征
利用融合网络进行融合识别，得到样本类别；所述融合网络包括依次连接的全连接层组和输出层。
[0032]可选地，所述雷达目标融合识别系统还包括：
[0033]第一预处理模块，用于对所述雷达回波数据抽取一维距离像并对所述一维距离像进行归一化处理得到经归一化处理后的一维距离像；
[0034]第二预处理模块，用于对所述雷达回波数据进行雷达成像得到二维像并对所述二维像进行归一化处理得到经归一化处理后的二维像。
[0035]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0036]本专利技术利用数据库对所述雷达回波数据进行特征提取，得到目标特征；利用一维距离像子网络对所述雷达回波数据进行特征提取，得到一维距离像特征；利用二维像子网络对所述雷达回波数据进行特征提取，得到二维像特征；根据所述目标特征、所述一维距离像特征和所述二维像特征利用融合网络进行融合识别，得到样本类别。通过将融合网络将数据块与一维距离像特征、二维像特征进行融合，从而提高样本类别识别的准确率。
附图说明
[0037]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种雷达目标融合识别方法，其特征在于，包括：获取雷达回波数据；利用数据库对所述雷达回波数据进行特征提取，得到目标特征；利用一维距离像子网络对所述雷达回波数据进行特征提取，得到一维距离像特征；所述一维距离像子网络包括依次连接的残差模块组和Inception模块；利用二维像子网络对所述雷达回波数据进行特征提取，得到二维像特征；所述二维像子网络包括依次连接的残差模块组和Inception模块；根据所述目标特征、所述一维距离像特征和所述二维像特征利用融合网络进行融合识别，得到样本类别；所述融合网络包括依次连接的全连接层组和输出层。2.根据权利要求1所述的雷达目标融合识别方法，其特征在于，在所述获取雷达回波数据之后，还包括：对所述雷达回波数据抽取一维距离像并对所述一维距离像进行归一化处理得到经归一化处理后的一维距离像；对所述雷达回波数据进行雷达成像得到二维像并对所述二维像进行归一化处理得到经归一化处理后的二维像。3.根据权利要求2所述的雷达目标融合识别方法，其特征在于，所述利用一维距离像子网络对所述雷达回波数据进行特征提取，得到一维距离像特征，具体包括：将所述经归一化处理后的一维距离像输入一维距离像子网络，得到一维距离像特征。4.根据权利要求2所述的雷达目标融合识别方法，其特征在于，所述利用二维像子网络对所述雷达回波数据进行特征提取，得到二维像特征，具体包括：将所述经归一化处理后的二维像输入二维像子网络，得到一维距离像特征。5.根据权利要求1所述的雷达目标融合识别方法，其特征在于，所述融合网络的交叉熵损失函数为：其中，Loss为交叉熵损失函数，n为训练样本数量，i为训练样本次序索引，j为目标类别编码索引，为目标真实...

【专利技术属性】
技术研发人员：ꢀ七四专利代理机构，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：