基于卷积神经网络融合特征的雷达目标识别方法及系统技术方案

本发明专利技术提供了基于卷积神经网络融合特征的雷达目标识别方法及系统，采用神经网络同时提取多普勒谱分布和时频谱分布的微多普勒特征，并利用特征构造融合特征，实现高性能的雷达目标识别。本发明专利技术采用深度卷积神经网络模型，分别提取多普勒谱空间的分布特征和时频谱空间的分布特征，同时利用不同空间上的深层抽象特征构成融合特征矢量，利用融合特征矢量实现两类特征的信息互补，以增强雷达目标的识别性能，提高识别准确率，得到特征对应的目标识别类型。别类型。别类型。

【技术实现步骤摘要】
基于卷积神经网络融合特征的雷达目标识别方法及系统


[0001]本专利技术涉及雷达目标识别
，具体涉及基于卷积神经网络融合特征的雷达目标识别方法及系统。

技术介绍

[0002]随着现代雷达技术的发展，现代雷达不仅能够进行目标检测和定位，而且具有对目标的属性或类型进行分类识别的能力。为了获得更多的目标信息，雷达目标识别技术成为现代雷达技术应用发展的重要技术之一。
[0003]其中，低分辨雷达目标识别是雷达目标识别的一个重要研究方向，具有广泛的应用需求。由于低分辨雷达设备造价相对较低，为了控制成本，民用雷达一般采用低分辨体制，尤其是目前备受关注且具有广阔应用前景的“低慢小”目标探测雷达，为了及时地辨别威胁目标(例如无人机)从而实施有效的应对措施，民用雷达对目标识别功能具有较高要求。
[0004]随着微动和微多普勒效应的概念引入雷达信号处理领域，微多普勒效应为雷达目标识别提供了新的技术手段。由于目标的微动调制，微多普勒特征蕴含了目标结构及其运动状态的信息，因此可以基于此特性展开低分辨雷达目标识别方法研究。近年来，深度学习技术蓬勃发展，该技术通过多层神经元结构的传递和非线性变换，能够对复杂的数据分布进行有效地表征。鉴于其对输入数据的信息具有强大的表征能力，深度学习在多个领域都有成功的应用。在目标识别方向，传统的雷达目标识别技术需要进行特征设计和特征提取操作，然后再将特征量输入分类器进行目标识别，其识别率相对较低且泛化性能不足；与传统机器学习方法相比，深度学习技术不用依赖手动设计特征以及繁琐的特征提取过程，通过搭建多层网络，自发地提取输入数据的信息并进行深层表征，能够大大提高目标识别准确度和泛化性能。
[0005]卷积神经网络(CNN)是深度学习技术的重要模型，在分类任务中具有优越的性能。卷积神经网络通过卷积和池化处理提取具有旋转、平移不变性的深层局部特征，而且可通过采用局部连接、权值共享和池化处理方式减小网络模型的参数规模，降低网络参数学习难度。
[0006]因此，目前亟需低分辨雷达目标识别方法，能够结合卷积神经网络模型和雷达目标微多普勒的特性，实现高性能的雷达目标识别。

技术实现思路

[0007]有鉴于此，本专利技术提供了基于卷积神经网络融合特征的雷达目标识别方法及系统，采用神经网络同时提取多普勒谱分布和时频谱分布的微多普勒特征，并利用特征构造融合特征，实现高性能的雷达目标识别。
[0008]为达成上述专利技术目的，本专利技术的技术方案为：
[0009]一种基于卷积神经网络融合特征的雷达目标识别方法，具体步骤包括：
[0010]步骤1、将待测的雷达回波信号进行变换，得到多普勒谱分布和时频谱分布。
[0011]步骤2、对多普勒谱分布和时频谱分布分别进行预处理。
[0012]步骤3、利用一维CNN模型对预处理后的多普勒谱分布提取特征，得到多普勒分布特征，利用二维CNN模型对预处理后的时频谱分布提取特征，得到时频谱分布特征，并将时频谱分布特征展开为一维向量；将展开后的时频谱分布特征与多普勒谱分布特征连接，得到融合特征矢量。
[0013]步骤4、将融合特征矢量输入多层神经网络模型中，提取并输出特征；将特征输入softmax分类器模型进行目标识别，得到特征对应的目标识别类型。
[0014]进一步的，对多普勒谱分布和时频谱分布分别进行预处理，具体方法为：对多普勒分布和时频谱分布分别进行最大值归一化处理。
[0015]进一步的，步骤1的具体方法为：
[0016]将待测的雷达回波信号进行傅里叶变换，得到多普勒谱分布。
[0017]进一步的，步骤1的具体方法为：
[0018]对雷达回波信号进行短时傅里叶变换，得到时频谱分布。
[0019]进一步的，多层神经网络模型为全连接的多层神经网络模型。
[0020]一种基于卷积神经网络融合特征的雷达目标识别系统，针对上述的方法，包括回波信号接收模块、特征提取网络模型和目标识别网络模型。
[0021]回波信号接收模块，用于接收测的雷达回波信号并进行变换，得到多普勒谱分布和时频谱分布送入特征提取网络模型中。
[0022]特征提取网络模型由一维CNN模型、二维CNN模型和特征量连接层组成。
[0023]一维CNN模型由多层卷积层和池化层交替串联组成，用于对多普勒谱分布提取特征，得到多普勒谱分布特征。
[0024]二维CNN模型由多层卷积层和池化层交替串联组成，用于对时频谱分布提取特征，得到时频谱分布特征，并将时频谱分布特征展开为一维向量。
[0025]特征量连接层用于将展开后的时频谱分布特征与多普勒分布特征连接，得到融合特征矢量并送入目标识别网络模型中。
[0026]目标识别网络模型由多层神经网络以及Softmax层组成。
[0027]多层神经网络具有一个隐藏层和输出层，激活函数为Sigmoid；输出层的神经元个数与待识别的目标类别数相同；输出层输出包含输入数据类别信息的抽象表征。
[0028]Softmax层用于对抽象特征进行识别，并输出识别结果。
[0029]进一步的，对多普勒谱分布和时频谱分布分别进行预处理，具体方法为：对多普勒分布和时频谱分布分别进行最大值归一化处理。
[0030]进一步的，利用数据集对特征提取网络模型和目标识别网络模型分别进行参数学习和验证。
[0031]有益效果：
[0032]1、本专利技术方法利用一维CNN模型和二维CNN模型分别提取多普勒谱空间的分布特征和时频谱空间的分布特征，同时利用不同空间上的深层抽象特征构成融合特征；融合特征矢量输入多层全连接神经网络模型中，提取并输出深度网络得到包含输入数据类别信息的抽象表征；将抽象表征输入softmax分类器模型进行目标识别，得到特征对应的目标类
别。本专利技术方法利用融合特征实现两类特征的信息互补，以增强雷达目标的识别性能，提高识别准确率。
[0033]2、本专利技术系统包括回波信号接收模块、特征提取网络模型和目标识别网络模型，采用特征提取网络模型(深度卷积神经网络模型)提取多普勒谱空间的分布特征和时频谱空间的分布特征，同时利用不同空间上的深层抽象特征构成融合特征，利用融合特征实现两类特征的信息互补，以增强雷达目标的识别性能，提高识别准确率。特征提取网络模型由多层卷积层和池化层交替串联组成，提高识别精度。
附图说明
[0034]图1为本专利技术方法的流程示意图。
[0035]图2为本专利技术方法的特征提取与目标识别网络结构示意图。
具体实施方式
[0036]下面结合附图并举实施例，对本专利技术进行详细描述。
[0037]如图1所示，本专利技术提供了一种基于卷积神经网络融合特征的雷达目标识别方法，具体包括如下步骤：
[0038]步骤1、将待测的雷达回波信号进行变换，得到多普勒谱分布和时频谱分布，具体方法为：将待测的雷达回波信号进行傅里叶变换(FFT)，得到多普勒谱分布；对雷达回波信号进行短时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络融合特征的雷达目标识别方法，其特征在于，具体步骤包括：步骤1、将待测的雷达回波信号进行变换，得到多普勒谱分布和时频谱分布；步骤2、对多普勒谱分布和时频谱分布分别进行预处理；步骤3、利用一维CNN模型对预处理后的多普勒谱分布提取特征，得到多普勒谱分布特征，利用二维CNN模型对预处理后的时频谱分布提取特征，得到时频谱分布特征，并将时频谱分布特征展开为一维向量；将展开后的时频谱分布特征与多普勒谱分布特征连接，得到融合特征矢量；步骤4、将融合特征矢量输入多层神经网络模型中，提取并输出特征；将特征输入softmax分类器模型进行目标识别，得到特征对应的目标识别类型。2.如权利要求1所述的方法，其特征在于，所述对多普勒谱分布和时频谱分布分别进行预处理，具体方法为：对多普勒分布和时频谱分布分别进行最大值归一化处理。3.如权利要求1所述的方法，其特征在于，步骤1的具体方法为：将待测的雷达回波信号进行傅里叶变换，得到多普勒谱分布。4.如权利要求1所述的方法，其特征在于，步骤1的具体方法为：对雷达回波信号进行短时傅里叶变换，得到时频谱分布。5.如权利要求1所述的方法，其特征在于，所述多层神经网络模型为全连接的多层神经网络模型。6.一种基于卷积神经网络融合特征的雷达目标识别系统，针对如权利要求1
‑
5所述...

【专利技术属性】
技术研发人员：王才，汤涛，高梅国，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：