一种基于特征融合的电磁目标智能识别方法及系统技术方案

本发明专利技术公开了一种基于特征融合的电磁目标智能识别方法及系统，属于目标识别技术领域，首先对接收到的电磁目标信号提取高分辨距离像、对角积分双谱及模糊函数主脊进行智能表征，并作为后续MobileNet

【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，在应用中显得愈加吃力。随着人工智能的发展，越来越多的人尝试使用神经网络进行目标识别。LUND
é
N J等人提出了一种一维CNN(Convolutional Neural Networks，卷积神经网络)结构,并使用了由多基地雷达获得的多种目标的HRRP构成的数据集进行检测,证明了CNN对HRRP(High Resolution Range Profile，高分辨距离像)进行分类识别的可行性(LUND
é
N J,KOIVUNEN V.Deep learning for hrrp
‑
based target recognition in multistatic radar systems[C]//2016IEEE Radar Conference(RadarConf).2016:1
‑
6.)。Housseini等人使用一种深层结构的CNN对合成孔径雷达产生的二维图像进行分类识别，取得了不错的效果(HOUSSEINI A E,TOUMI A,KHENCHAF A.Deep learning for target recognition from sar images[C]//Detection Systems Architectures&Technologies.2017.)。梁聪等人更进一步，将DNN的隐含层增加，提出了使用多隐层DNN进行目标识别的方法，通过仿真实验可以看出相对于单隐层DNN(Deep Neural Networks，深度神经网络)，其识别准确率获得了大幅提高(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.)。随着越来越丰富的特征被选择，使用一段连续时间的数据进行识别成为了一个研究方向。张耀天等人使用HRRP和时频信息作为特征，以LSTM(Long Short
‑
Term Memory，长短期记忆网络)为分类器完成了使用一段时间特征进行识别的研究(张耀天,吴智昌,魏少明,等.基于CNN+LSTM的空间目标识别[C]//第十二届全国信号和智能信息处理与应用学术会议论文集.2018.)。DU C等人使用了判别式的条件变分自编码器处理目标识别问题(DU C,
CHEN B,XU B,et al.Factorized discriminative conditional variational auto
‑
encoder for radar hrrp target recognition[J].Signal Processing,2019,158(MAY):176
‑
189.)，而XU B等人使用了带有Attention机制的循环神经对每个HRRP样本内的分帧进行建模，取得了更好的效果(XU B,CHEN B,WAN J,et al.Target
‑
aware recurrent attentional network for radar hrrp target recognition[J].Signal Processing,2018,155(FEB.):268
‑
280.)。然而上述方法一方面选取的特征较为单一，无法有效区分各个目标特性，另一方面计算量过大，无法有效应对实时变化的战场环境。
[0003]上述电磁目标识别方法大多仅针对单一特征，鲜有考虑基于特征融合的识别方法。然而在许多实际应用中紧靠单一特征并不能有效区分目标，例如MARKX询问信号的5种模式拥有极度相似的高分辨距离像，当遇到这种目标时仅靠高分辨距离像就不能有效识别目标，这使得现有基于单特征的方法拥有很大的局限性，因此，亟需一种新的电磁目标智能识别方法及系统。
[0004]通过上述分析，现有技术存在的缺点为：(1)目前针对电磁目标的识别的研究大多仅对单一特征进行提取，无法包含目标不同的物理特性；(2)由于现由方法使用的神经网络拥有较高的时间复杂度，需要大量时间用于训练及识别，这使得现有方法无法适用于需要快速响应的电磁环境。
[0005]解决以上问题及缺陷的难度为：需要在复杂的特征信息中选取有利于目标识别的特征，并以合适的方式进行特征级融合来提高识别的准确度；但同时较多的特征又会使网络结构更加复杂，增加时间复杂度，因此需要寻找方法来减少训练及识别时间。

技术实现思路

[0006]为了克服上述现有技术的缺点，本专利技术的目的在于提供了一种基于特征融合的电磁目标智能识别方法及系统，实现基于特征融合的电磁目标信号智能识别可以快速、准确的识别目标类型，不仅可以增加响应速度，为下一步的指挥决策提供坚实基础，而且可以有效提高针对多种不同目标类型的鲁棒性。
[0007]为了实现上述目的，本专利技术采取的技术方案为：
[0008]一种基于特征融合的电磁目标智能识别方法，包括以下步骤：
[0009]步骤一，对接收到的电磁目标信号x(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；
[0010]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；
[0011]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本文档来自技高网...

【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：