【技术实现步骤摘要】
一种基于特征融合的电磁目标智能识别方法及系统
[0001]本专利技术属于电磁目标信号智能识别
,尤其涉及一种基于特征融合的电磁目标智能识别方法及系统。
技术介绍
[0002]目前多场所呈现高信号密度、强干扰的环境,并且电磁目标种类和规模数量也在不断增加,怎样通过雷达获取到的目标数据精确而又快速地确定目标类别是一项急需解决的问题。传统的方法主要依据目标的运动特征来识别目标类型,梁聪等人以雷达幅度序列作为特征,提取目标在运动过程中每个运动过程的幅度,之后再按时间排列,以此实现目标识别(梁聪,尹扬帆.基于深度神经网络的雷达幅度序列目标识别[J].电脑知识与技术:学术版,2020,16(13):2.),但该特征对现场环境要求较高,在复杂的背景噪声下可能效果较差。高敏等人在获得一次雷达和二次雷达的数据后,以距离、方位、俯仰、X、Y五个运动数据作为特征完成了民航飞机和无人机的识别(高敏,刘洪.基于深度学习的飞行目标识别[J].舰船电子工程,2020,40(10):5.),但这种方法特征参数过于稀疏,当待识别目标种类增多时准确率可能会有大幅下降。并且上述方法特征单一,如何充分利用目标特性,融合多种特征是研究的一个重点。另一方面在分类器的选择上,早期多以贝叶斯网络或SVM(Support Vector Machine,支持向量机)等浅层学习为主(但波、高山、戢治洪.基于多特征多分类器的海面舰船目标识别技术[J].舰船电子工程,2020,40(8):5.),它们虽然对训练样本的数量要求不高,但受限于其线性建模方式,在应用中显得愈 ...
【技术保护点】
【技术特征摘要】
1.一种基于特征融合的电磁目标智能识别方法,其特征在于,包括以下步骤:步骤一,对接收到的电磁目标信号s(t)进行高分辨距离像、对角积分双谱及模糊函数主脊智能表征,并作为后续MobileNet
‑
LSTM网络的输入;步骤二,用MobileNet网络将二维智能表征对角积分双谱降到一维,并与一维智能表征高分辨距离像、模糊函数主脊进行特征融合;步骤三,对一段连续时间内的每一个时间片重复上述步骤,并将这些时间片组成的特征输入到LSTM网络进行识别,从而获得电磁目标识别结果。2.根据权利要求1所述的方法,其特征在于,所述的步骤一具体为:接收到的电磁目标信号x(t)表示为:其中,f0和分别为载波频率和初始相位,g(t)为矩形脉冲,x(t)为电磁目标信号;(1)计算电磁目标信号的高分辨距离像(HRRP):经过模数转换之后,第n次回波的HRRP为:X
n
=[x
n1
,x
n2
,
…
,x
nL
],i=1,2,
…
,L其中,L为HRRP的距离单元数,x
ni
为第n次回波第i个距离单元的离散值;采用对HRRP复信号取模的方式处理,对每个距离单元取模后得到如下所示:X
n
=[|x
n1
|,|x
n2
|,
…
,|x
nL
|](2)计算电磁目标信号的对角积分双谱:对于平稳随机电磁目标信号x(t),其三阶累积量c
3x
(τ1,τ2)为c
3x
(τ1,τ2)=E{x
*
(t)x(t+τ1)x(t+τ2)}其中,τ1,τ2分别为两个不同的延时;其二维傅里叶变换就是双谱B
x
(ω1,ω2):其中,ω1,ω2分别为两个不同的频率;对所得的二维双谱数据沿平行于主对角线或次对角线的直线序列进行积分,其表达式为:为:其中,S1(a)和S2(a)分别是沿平行于主对角线的直线和平行于次对角线的直线积分后所得到的积分双谱;
基于对角积分双谱特征提取方法有两个步骤:1)计算信号的双谱;2)对双谱沿平行于次对角线的直线积分,得到对角积分双谱,并将其作为特征用于特征融合或者分类识别等的输入;(3)计算电磁目标信号的模糊函数主脊:对于电磁目标信号x(t),其模糊函数χ
x
(τ,ξ)定义为:其中,τ为时延,ξ为频移,t为时间;信号在经时延τ和频移ξ后的自相关函数即是信号的模糊函数,由模糊函数就能够挖掘出描述信号能量分布信息的有效特征;对于连续电磁目标信号x(t),其时域的自相关概念为:由分数傅里叶变换启发,定义任何分数域中的分数位移算子为:其中,α
x
和ρ分别是方向角和径向距离;上式描述了信号时延和频移的表示,则分数自相关运算计算方式如下:其中,
*
p和C
p
分别为分数自相关运算符和分数自相关因子;令μ=μ
′
+[(ρcosα
x
)/2],将上式扩展到分数域:[C
...
【专利技术属性】
技术研发人员:刘明骞,杨珂,张俊林,李进,张卫东,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。