一种基于CNN的目标结构重构方法技术

本发明专利技术属于重构技术领域，公开了一种基于CNN的目标结构重构方法。首先基于球头锥弹头导弹实测RCS序列对球头锥弹头导弹的三维结构进行重构，进而将重构出来的模型进行后续的分类或识别。本发明专利技术用以解决现有的窄带雷达的目标重构精度低的问题。标重构精度低的问题。标重构精度低的问题。

【技术实现步骤摘要】
一种基于CNN的目标结构重构方法


[0001]本专利技术属于重构
，具体涉及一种基于CNN的目标结构重构方法。

技术介绍

[0002]雷达散射截面(RCS，Radar Cross Section)是雷达识别目标的重要信息，是衡量目标散射特性的一个基本指标，其通过测量和计算雷达波的有效散射截面积，来完成对于目标散射大小程度的衡量。空中目标已经相当丰富，包括各种航空器、航天器、火箭、导弹等，这其中的每一种飞行器下又分为不同子类，如导弹按指导方式可以分为有线制导导弹、反辐射导弹、红外制导导弹等。导弹的飞速发展使战争的破坏性不断扩大，这也给现代战争的战略战术带来越来越巨大而深远的影响。
[0003]导弹从定义上讲，是依靠自身动力装置推进，由制导系统控制其飞行弹道， 用战斗部摧毁目标的武器。虽然导弹种类繁多，但其具有相似的结构特征，即可 分为弹体、主翼、尾翼三部分，如图所示为地空导弹弹体的分解图。
[0004]图17中1
‑
5，7
‑
11，13为弹体部分，包括导引舱、仪器舱、战斗部舱、燃料舱、发动机舱、箱间段、级间段、过渡舱段及一些连接部件；6为主翼部分，该部分为弹体上的主要翼面，产生升力托举导弹，并起稳定操纵作用；12为尾翼部分，该部分可以保证导弹具有足够的恢复力矩和阻尼力矩，因此通常安置在距导弹重心较远处的尾部。上述三部分是诸多导弹都具有的结构，且不同型号导弹的弹体长度、主翼高度这类信息区别较大。

技术实现思路

[0005]本专利技术提供一种基于CNN的目标结构重构方法，用以解决现有的窄带雷达的目标重构精度低的问题。
[0006]本专利技术通过以下技术方案实现：
[0007]一种基于CNN的目标结构重构方法，所述重构方法具体为，首先基于球头锥弹头导弹实测RCS序列对球头锥弹头导弹的三维结构进行重构，进而将重构出来的模型进行后续的分类或识别。
[0008]一种基于CNN的目标结构重构方法，结构重构包括以下步骤：
[0009]步骤1：球头锥弹头导弹生成训练数据集；
[0010]步骤2：基于步骤1的训练数据集，利用球头锥弹头导弹实测RCS序列对弹体结构进行重构；
[0011]步骤3：基于步骤1的训练数据集，利用球头锥弹头导弹实测RCS序列对主翼结构进行重构；
[0012]步骤4：基于步骤1的训练数据集，利用球头锥弹头导弹实测RCS序列对尾翼结构进行重构；
[0013]步骤5：将步骤2得到的弹体结构重构模型、步骤3得到的主翼结构重构模型和步骤4得到的尾翼结构重构模型传输至HSR模块；
[0014]步骤6：HSR模块精准地重构出三维结构。
[0015]一种基于CNN的目标结构重构方法，所述圆柱体的长度为R、半径为r，设入射角θ是电磁波入射方向和垂直于柱体轴线方向之间的夹角；由物理光学的相关知识可得圆柱体目标散射截面σ随入射角θ的变化满足：
[0016][0017]式中σ取极小值的条件为kRsinθ＝mπ，m≠0，m是一个整数，k为传播系数。
[0018]一种基于CNN的目标结构重构方法，所述步骤2利用球头锥弹头导弹实测 RCS序列对弹体结构进行重构具体为，当观测角度相同时，将得到的球头锥体RCS 序列参数与圆柱体RCS序列参数，即为弹体重构的参数。
[0019]一种基于CNN的目标结构重构方法，所述步骤3利用球头锥弹头导弹实测 RCS序列对主翼结构进行重构具体为，当观测角度相同时，将得到的主翼高度RCS 序列参数与主翼宽度RCS序列参数，即为主翼重构的参数。
[0020]一种基于CNN的目标结构重构方法，所述步骤4利用球头锥弹头导弹实测 RCS序列对尾翼结构进行重构具体为，当观测角度相同时，将得到的尾翼高度RCS 序列参数与尾翼宽度RCS序列参数，即为尾翼重构的参数。
[0021]一种基于CNN的目标结构重构方法，所述步骤5的HSR模块的训练具体包括以下步骤：
[0022]步骤5.1：每一个输入数据为一张excel表格包含球头锥底面半径a、球头锥半径b、弹体长度h三个参数信息的组合，a的值介于0.05m
‑
0.25m之间，a的平均最小尺寸差值为0.02m；b的值介于0.02m
‑
0.1m，b的平均最小尺寸差值为0.01m 左右；h的值介于2.3m
‑
5.6m之间，h的平均最小尺寸差值为0.33m。
[0023]步骤5.2：基于步骤5.1的取值范围确定a的取值有11种，b的取值有9种， h的取值有11种；将a值、b值和h值进行组合有1089种组合，作为RCS信息的输入；
[0024]步骤5.3：每一个输入数据还包含包含俯仰角phi，水平极化HH，垂直极化 VV三种输入信息；
[0025]步骤5.4：phi取值为0
‑
180，步长为0.1，每张excel中有1800条phi、HH、 VV的数据组合；
[0026]步骤5.5：将步骤5.2的1089种组合按训练集：测试集＝8：2的比例训练；
[0027]步骤5.6：基于步骤5.5的训练集分别训练球头锥半径预测器、球头锥底面半径预测器和弹体长度预测器；
[0028]步骤5.7：基于步骤5.6的三个预测器分别在测试集上对a、b、h三个标签进行预测，弹体重构模型训练完成。
[0029]一种基于CNN的目标结构重构方法，所述步骤5.5的HSR模块使用CNN模型进行训练；所述训练具体为，首先进行参数初始化操作；随后进入前向传播过程，输入数据经过若干个卷积层和池化层完成特征提取，再经过全连接层得到输出值；然后将输出值与真实值作比较并计算误差；如果误差值大于设定的阈值则进入反向传播步骤，计算误差对于全连接层、池化层、卷积层的梯度并优化参数，若误差值不大于阈值则输出最优的参数；最后依据误差进行权值更新并重复上述步骤。
[0030]一种基于CNN的目标结构重构方法，所述步骤5.1中a的平均最小尺寸差值为0.02m；b的平均最小尺寸差值为0.01m左右；h的平均最小尺寸差值为0.33m。
[0031]一种基于CNN的目标结构重构方法，所述步骤5.2具体为，当b的极大极小值分别为0.02m、1m且步长为0.01m时，覆盖所有种类平底锥弹头的球头锥半径值，且足以依据该信息将不同种类的球头锥半径分开，此时的b有9种可能的取值；同理令a的极大值、极小值、步长分别为0.05m、0.25m、0.02m，h的极大值、极小值、步长分别为2.3m、5.6m、0.33m时仍然能达到该效果，此时a 和h均有11种可能的取值。
[0032]本专利技术的有益效果是：
[0033]本专利技术具有高精确性，基于RCS序列的结构重构准确率较高，为未来基于结构信息进行目标识别打下良好基础。
[0034]本专利技术具有高效性，将excel文件类比为图片，利用卷积神经网络进行深度学习，大大提高识别效率。
[0035]本专利技术具有灵活本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CNN的目标结构重构方法，其特征在于，所述重构方法具体为，首先基于球头锥弹头导弹实测RCS序列对球头锥弹头导弹的三维结构进行重构，进而将重构出来的模型进行后续的分类或识别。2.根据权利要求1所述一种基于CNN的目标结构重构方法，其特征在于，结构重构包括以下步骤：步骤1：球头锥弹头导弹生成训练数据集；步骤2：基于步骤1的训练数据集，利用球头锥弹头导弹实测RCS序列对弹体结构进行重构；步骤3：基于步骤1的训练数据集，利用球头锥弹头导弹实测RCS序列对主翼结构进行重构；步骤4：基于步骤1的训练数据集，利用球头锥弹头导弹实测RCS序列对尾翼结构进行重构；步骤5：将步骤2得到的弹体结构重构模型、步骤3得到的主翼结构重构模型和步骤4得到的尾翼结构重构模型传输至HSR模块；步骤6：HSR模块精准地重构出三维结构。3.根据权利要求2所述一种基于CNN的目标结构重构方法，其特征在于，所述圆柱体的长度为R、半径为r，设入射角θ是电磁波入射方向和垂直于柱体轴线方向之间的夹角；由物理光学的相关知识可得圆柱体目标散射截面σ随入射角θ的变化满足：式中σ取极小值的条件为kRsinθ＝mπ，m≠0，m是一个整数，k为传播系数。4.根据权利要求2所述一种基于CNN的目标结构重构方法，其特征在于，所述步骤2利用球头锥弹头导弹实测RCS序列对弹体结构进行重构具体为，当观测角度相同时，将得到的球头锥体RCS序列参数与圆柱体RCS序列参数，即为弹体重构的参数。5.根据权利要求2所述一种基于CNN的目标结构重构方法，其特征在于，所述步骤3利用球头锥弹头导弹实测RCS序列对主翼结构进行重构具体为，当观测角度相同时，将得到的主翼高度RCS序列参数与主翼宽度RCS序列参数，即为主翼重构的参数。6.根据权利要求2所述一种基于CNN的目标结构重构方法，其特征在于，所述步骤4利用球头锥弹头导弹实测RCS序列对尾翼结构进行重构具体为，当观测角度相同时，将得到的尾翼高度RCS序列参数与尾翼宽度RCS序列参数，即为尾翼重构的参数。7.根据权利要求2所述一种基于CNN的目标结构重构方法，其特征在于，所述步骤5的HSR模块的训练具体包括以下步骤：步骤5.1：每一个输入数据为一张excel表格包含球头锥底面半径a、球头锥半径b、弹体长度h三个参数信息的组合，a的值介于0.05m
‑
0.25m之间，a的平均...

【专利技术属性】
技术研发人员：魏长安，杨京礼，姜守达，孙超，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：