基于卷积神经网络的雷达目标识别方法、模型训练方法技术

本公开提供的一种基于卷积神经网络的雷达目标识别方法、模型训练方法，涉及雷达信号处理技术，包括：获取训练数据集；其中，训练数据集中包括多组训练数据，训练数据中包括雷达回波数据、雷达回波数据中包括的目标对象的特征图以及目标对象的标注类别；将目标对象的特征图输入至预设模型，得到目标对象的预测类别；根据目标对象的标注类别和预测类别，优化预设模型中的参数，得到雷达目标识别模型。本方案，基于卷积神经网络对雷达回波数据进行目标识别，无需耗费大量的人工工作，且在雷达回波数据中包含的噪声和杂波多的复杂背景下，也有较好的目标识别效果。有较好的目标识别效果。有较好的目标识别效果。

【技术实现步骤摘要】
基于卷积神经网络的雷达目标识别方法、模型训练方法


[0001]本公开涉及雷达信号处理技术，尤其涉及一种基于卷积神经网络的雷达目标识别方法、模型训练方法。

技术介绍

[0002]雷达目标识别是雷达信号处理领域的一个重要问题。雷达目标识别，是利用雷达和计算机对遥远目标进行辨认的技术，通过对雷达回波中的幅度、相位、频谱和极化等目标特征信息的分析，在数学上的各种多维空间变换来估算目标的大小、形状、重量和表面层的物理特性参数，最后根据大量训练样本所确定的鉴别函数，在分类器中进行识别判决。
[0003]现有技术中，传统的目标识别方法依赖于人工提取目标特征，主要包括：基于雷达散射截面积(Radar Cross Section，RCS)的目标识别、基于一维距离像的目标识别、基于微多普勒效应的目标识别等。通过人工提取RCS大小、起伏特性、径向尺寸、散射点个数、中心距、微多普勒等特征，应用支持向量机(Support Vector Machine，SVM)、分类树、K近邻(k
‑
Nearest Neighbor，KNN)等分类方法对目标进行分类识别。
[0004]但是，上述方法需要耗费大量的人工工作；且在雷达回波中包含的噪声和杂波多的复杂背景下，目标识别效果不尽人意。

技术实现思路

[0005]本公开提供了一种基于卷积神经网络的雷达目标识别方法、模型训练方法，以解决现有技术中需要耗费大量的人工工作；且在雷达回波中包含的噪声和杂波多的复杂背景下，目标识别效果不尽人意的问题。
[0006]根据本公开第一方面，提供了一种模型训练方法，包括：
[0007]获取训练数据集；其中，所述训练数据集中包括多组训练数据，所述训练数据中包括雷达回波数据、所述雷达回波数据中包括的目标对象的特征图以及所述目标对象的标注类别；
[0008]将所述目标对象的特征图输入至预设模型，得到所述目标对象的预测类别；
[0009]根据所述目标对象的标注类别和预测类别，优化所述预设模型中的参数，得到雷达目标识别模型。
[0010]在一种可实现方式中，所述获取训练数据集，包括：
[0011]获取雷达回波数据，并对所述雷达回波数据进行预处理得到原始特征图；
[0012]根据所述原始特征图确定所述雷达回波数据中包括的目标对象；
[0013]根据所述雷达回波数据确定所述目标对象的位置信息，并根据所述目标对象的位置信息，确定所述目标对象的标注类别；
[0014]在所述原始特征图中确定所述目标对象的特征图。
[0015]在一种可实现方式中，所述原始特征图包括距离
‑
脉冲特征图、距离
‑
方位特征图以及距离
‑
多普勒特征图；
[0016]所述对所述雷达回波数据进行预处理得到原始特征图，包括：
[0017]对所述雷达回波数据进行脉冲压缩，得到所述距离
‑
脉冲特征图；
[0018]对所述雷达回波数据进行动目标显示，得到所述距离
‑
方位特征图；
[0019]对所述雷达回波数据进行动目标检测，得到所述距离
‑
多普勒特征图。
[0020]在一种可实现方式中，所述原始特征图包括距离
‑
脉冲特征图、距离
‑
方位特征图以及距离
‑
多普勒特征图；
[0021]所述在所述原始特征图中确定所述目标对象的特征图，包括：
[0022]根据所述目标对象在所述雷达回波数据的所述位置信息，在所述距离
‑
脉冲特征图、所述距离
‑
方位特征图、所述距离
‑
多普勒特征图中分别确定与所述目标对象对应的子区域；所述子区域中包括所述目标对象；
[0023]融合所述目标对象的各所述子区域，得到所述目标对象的特征图。
[0024]在一种可实现方式中，所述目标对象的各子区域的尺寸相同；
[0025]融合所述目标对象的各所述子区域，得到所述目标对象的特征图，包括：
[0026]将各所述子区域内相同位置的特征图数据进行叠加，得到所述目标对象的特征图。
[0027]在一种可实现方式中，所述雷达目标识别模型中不包括池化层。
[0028]在一种可实现方式中，所述雷达回波数据包括利用相干脉冲雷达对海观测和对地观测的回波数据。
[0029]根据本公开第二方面，提供了一种雷达目标识别方法，包括：
[0030]获取雷达回波数据，并对所述雷达回波数据进行预处理得到原始特征图；
[0031]根据所述原始特征图确定所述雷达回波数据中包括的目标对象，并根据所述原始特征图确定所述目标对象的特征图；
[0032]将所述目标对象的特征图输入至预设的雷达目标识别模型，得到与所述目标对象对应的类别；
[0033]其中，所述雷达目标识别模型是使用训练数据集训练得到的，所述训练数据集中包括多组训练数据，所述训练数据中包括用于训练模型的雷达回波样本数据、所述雷达回波样本数据中包括的目标对象的特征图以及该目标对象的标注类别。
[0034]根据本公开第三方面，提供了一种模型训练装置，包括：
[0035]获取单元，用于获取训练数据集；其中，所述训练数据集中包括多组训练数据，所述训练数据中包括雷达回波数据、所述雷达回波数据中包括的目标对象的特征图以及所述目标对象的标注类别；
[0036]训练单元，用于将所述目标对象的特征图输入至预设模型，得到所述目标对象的预测类别；
[0037]训练单元，还用于根据所述目标对象的标注类别和预测类别，优化所述预设模型中的参数，得到雷达目标识别模型。
[0038]根据本公开第四方面，提供了一种雷达目标识别装置，包括：
[0039]获取单元，用于获取雷达回波数据，并对所述雷达回波数据进行预处理得到原始特征图；
[0040]处理单元，用于根据所述原始特征图确定所述雷达回波数据中包括的目标对象，
并根据所述原始特征图确定所述目标对象的特征图；
[0041]识别单元，用于将所述目标对象的特征图输入至预设的雷达目标识别模型，得到与所述目标对象对应的类别；
[0042]其中，所述雷达目标识别模型是使用训练数据集训练得到的，所述训练数据集中包括多组训练数据，所述训练数据中包括用于训练模型的雷达回波样本数据、所述雷达回波样本数据中包括的目标对象的特征图以及该目标对象的标注类别。
[0043]根据本公开第五方面，提供了一种电子设备，包括存储器和处理器；其中，
[0044]所述存储器，用于存储计算机程序；
[0045]所述处理器，用于读取所述存储器存储的计算机程序，并根据所述存储器中的计算机程序执行如第一方面、第二方面所述的方法。
[0046]根据本公开第六方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，其特征在于，所述方法包括：获取训练数据集；其中，所述训练数据集中包括多组训练数据，所述训练数据中包括雷达回波数据、所述雷达回波数据中包括的目标对象的特征图以及所述目标对象的标注类别；将所述目标对象的特征图输入至预设模型，得到所述目标对象的预测类别；根据所述目标对象的标注类别和预测类别，优化所述预设模型中的参数，得到雷达目标识别模型。2.根据权利要求1所述的方法，其特征在于，所述获取训练数据集，包括：获取雷达回波数据，并对所述雷达回波数据进行预处理得到原始特征图；根据所述原始特征图确定所述雷达回波数据中包括的目标对象；根据所述雷达回波数据确定所述目标对象的位置信息，并根据所述目标对象的位置信息，确定所述目标对象的标注类别；在所述原始特征图中确定所述目标对象的特征图。3.根据权利要求2所述的方法，其特征在于，所述原始特征图包括距离
‑
脉冲特征图、距离
‑
方位特征图以及距离
‑
多普勒特征图；所述对所述雷达回波数据进行预处理得到原始特征图，包括：对所述雷达回波数据进行脉冲压缩，得到所述距离
‑
脉冲特征图；对所述雷达回波数据进行动目标显示，得到所述距离
‑
方位特征图；对所述雷达回波数据进行动目标检测，得到所述距离
‑
多普勒特征图。4.根据权利要求2或3所述的方法，其特征在于，所述原始特征图包括距离
‑
脉冲特征图、距离
‑
方位特征图以及距离
‑
多普勒特征图；所述在所述原始特征图中确定所述目标对象的特征图，包括：根据所述目标对象在所述雷达回波数据的所述位置信息，在所述距离
‑
脉冲特征图、所述距离
‑
方位特征图、所述距离
‑
多普勒特征图中分别确定与所述目标对象对应的子区域；所述子区域中包括所述目标对象；融合所述目标对象的各所述子区域，得到所述目标对象的特征图。5.一种雷达目标识别方法，其特征在于，所述方法包括：获取雷达回波数据，并对所述雷达回波数据进行预处理得到原始特征图；根据所述原始特征图...

【专利技术属性】
技术研发人员：汤俊，段金福，
申请(专利权)人：清华大学，
类型：发明
国别省市：