基于SE-Res2Net-101的多普勒雷达杂波识别与分类方法技术

本发明专利技术公开基于SE

【技术实现步骤摘要】
基于SE
‑
Res2Net
‑
101的多普勒雷达杂波识别与分类方法


[0001]本专利技术涉及多普勒雷达领域，具体是基于SE
‑
Res2Net
‑
101的多普勒雷达杂波识别与分类方法。

技术介绍

[0002]在现有的技术中，识别杂波是根据杂波通常在一定的空间范围内分布，其物理尺寸比雷达分辨单元要大的多，常分为两大类：面杂波和体杂波。当然，也有“点”或离散的杂波，例如电视塔、建筑物等特殊结构。而杂波和目标雷达相似，所以需要通过雷达波长、极化特征、照射区域、照射方向甚至地面形状等通过物理的方法来识别。先后建立了几种雷达杂波统计模型,包括瑞利分布、对数正态分布、韦伯尔分布和K分布等等，对杂波进行分析,建立准确的杂波统计模型以及相应的仿真方法,一方面可以为雷达模拟器提供逼真的杂波环境模型；另一方面,也有助于雷达杂波滤波器的设计和实现，提高抑制杂波的能力,提高雷达探测性能。
[0003]对于天气雷达回波反射率图像中，经常受昆虫、飞鸟、树木、建筑物、山体等阻挡等问题而产生杂波的问题，所以,雷达环境特性的研究,对提高雷达性能有着十分重要的意义,特别是面对现代目标隐身技术和超低空突防的威胁,愈加显得重要。因此，现提出基于SE
‑
Res2Net
‑
101的多普勒雷达杂波识别与分类方法。

技术实现思路

[0004]本专利技术的目的在于提供基于SE
‑
Res2Net
‑
101的多普勒雷达杂波识别与分类方法，解决当前需要通过地面地形数字化模拟且需要提供DEM的杂波检测技术难题，从雷达反射率Z
H
、差分反射率Z
DR
、相关系数ρ
HV
、差分传播相移率K
DP
这些变量进行建立杂波预测模型，以帮助减少杂波识别的成本以及准确度，基于SE注意力机制的残差卷积网络的识别多普勒雷达中的杂波并进行生物杂波与地杂波分类方法，实现了准确度更高、预测速度更快、实现更简单的杂波检测方法。
[0005]本专利技术的目的可以通过以下技术方案实现：
[0006]基于SE
‑
Res2Net
‑
101的多普勒雷达杂波识别与分类方法，所述杂波识别与分类方法包括以下步骤：
[0007]步骤1、提取基数据中的雷达反射率Z
H
、差分反射率Z
DR
、相关系数ρ
HV
和差分传播相移率K
DP
数值数据。
[0008]步骤2、将步骤1中的Z
H
、Z
DR
、ρ
HV
、K
DP
数值数据预处理生成数据集。
[0009]步骤3、构建SE
‑
Res2Net
‑
101模型。
[0010]步骤4、将训练集数据输入到SE
‑
Res2Net
‑
101中进行模型训练。
[0011]步骤5、将测试数据集输入到训练好的模型中，通过模型给出的预测概率来进行杂波判断。
[0012]进一步的，所述步骤2中数值数据预处理，预处理包括以下步骤：
[0013]S1、对读出来的雷达反射率Z
H
、差分反射率Z
DR
、相关系数ρ
HV
、差分传播相移率K
DP
进行维度上的验证，并删除不符合前述数据维度的文件，其中N0H、N0C、N0K、N0X的维度均为360*1200，N0R的维度为360*230。
[0014]S2、对N0R读取出来的数据维度进行处理。
[0015]S3、提取需要的杂波。
[0016]S4、对N0H数据进行拆分生成30*30维度的矩阵，将N0H最多出现雷达回波分类作为标签，并统计该分类在30*30矩阵出现的次数，出现次数少于百分之二点五的矩阵直接抛弃。
[0017]S5、对N0X、N0C、N0K、N0R数据只需要取N0H中所提取到的维度，并将不是对应杂波标签的N0X、N0C、N0K、N0R的值取成当前矩阵所对应标签的平均值来填充。
[0018]S6、对上述的N0X、N0C、N0K、N0R、N0H提取出来的有效数据进行结构化存储且将对应的文件名分别以文本格式记录，对于杂波，将N0H文件提取出来的数值是作为标签，对于非杂波，所有的标签均记为0。
[0019]S7、从对应的标签的文本文件中读取对应的N0C、N0K、N0R、N0X数据，并以第一维度进行叠加，得到由4个30*30的矩阵叠加成一个120*30的矩阵，矩阵中包含了训练数据所涉及到的数据。
[0020]S8、将S7提供的数据中将按7:2:1的比例划分为训练集，使用python动态生成Bash脚本，使用批处理进行数据的划分。
[0021]进一步的，所述构建SE
‑
ResNet
‑
101模型具体为：
[0022]1)SE
‑
Res2Net
‑
101在先前的ResNet基础上进行改进，通过堆叠层数实现比大卷积核扩大感受野。
[0023]2)构建Res2Net_module，ResNet中的Bottleneckblock内部的3
×
3的卷积核改进成多尺度非同层级的卷积组合，且不同层级的layer进行残差设置防止出现训练使梯度弥散和梯度爆炸情况，这种结构称为Res2Net_module。
[0024]3)构建SE_Res2Net_module，由于使用Z
H
、Z
DR
、ρ
HV
、K
DP
四种变量在判断杂波时需要进行权重考虑，在每一个Res2Net_module后加入压缩激发注意力模块se_module，让模型自我学习四种变量的权重关系度，使得模型判断杂波时更为准确，将Res2Net_module和se_module两个模块结合称为SE_Res2Net_module。
[0025]4)初始化SE
‑
Res2Net
‑
101神经网络模型训练参数，设置输入为batch_size为256、通道数为4、长和宽分别为30和30的矩阵，即输入维度为256*4*30*30。输出为256*杂波分类个数，其中256代表batch_size,学习率lr为0.001。隐藏层的卷积核大小分为二种，分别为1*1,、3*3，给出SE_Res2Net_module重复次数为[3,4,23,3]，构建出101层数，并将网络最后的outfeatures设置为杂波的类型个数。
[0026]进一步的，所述构建Res2Net_module在Res2Net_module第一个1
×
1的卷积层之后，将input划分到N个子特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于SE
‑
Res2Net
‑
101的多普勒雷达杂波识别与分类方法，其特征在于，所述杂波识别与分类方法包括以下步骤：步骤1、提取基数据中的雷达反射率Z
H
、差分反射率Z
DR
、相关系数ρ
HV
和差分传播相移率K
DP
数值数据；步骤2、将步骤1中的Z
H
、Z
DR
、ρ
HV
、K
DP
数值数据预处理生成数据集；步骤3、构建SE
‑
Res2Net
‑
101模型；步骤4、将训练集数据输入到SE
‑
Res2Net
‑
101中进行模型训练；步骤5、将测试数据集输入到训练好的模型中，通过模型给出的预测概率来进行杂波判断。2.根据权利要求1所述的基于SE
‑
Res2Net
‑
101的多普勒雷达杂波识别与分类方法，其特征在于，所述步骤2中数值数据预处理，预处理包括以下步骤：S1、对读出来的雷达反射率Z
H
、差分反射率Z
DR
、相关系数ρ
HV
、差分传播相移率K
DP
进行维度上的验证，并删除不符合前述数据维度的文件，其中N0H、N0C、N0K、N0X的维度均为360*1200，N0R的维度为360*230；S2、对N0R读取出来的数据维度进行处理；S3、提取需要的杂波；S4、对N0H数据进行拆分生成30*30维度的矩阵，将N0H最多出现雷达回波分类作为标签，并统计该分类在30*30矩阵出现的次数，出现次数少于百分之二点五的矩阵直接抛弃；S5、对N0X、N0C、N0K、N0R数据只需要取N0H中所提取到的维度，并将不是对应杂波标签的N0X、N0C、N0K、N0R的值取成当前矩阵所对应标签的平均值来填充；S6、对上述的N0X、N0C、N0K、N0R、N0H提取出来的有效数据进行结构化存储且将对应的文件名分别以文本格式记录，对于杂波，将N0H文件提取出来的数值是作为标签，对于非杂波，所有的标签均记为0。S7、从对应的标签的文本文件中读取对应的N0C、N0K、N0R、N0X数据，并以第一维度进行叠加，得到由4个30*30的矩阵叠加成一个120*30的矩阵，矩阵中包含了训练数据所涉及到的数据。S8、将S7提供的数据中将按7:2:1的比例划分为训练集，使用python动态生成Bash脚本，使用批处理进行数据的划分。3.根据权利要求1所述的基于SE
‑
Res2Net
‑
101的多普勒雷达杂波识别与分类方法，其特征在于，所述构建SE
‑
ResNet
‑
101模型具体为：1)SE
‑
Res2Net
‑
101在先前的ResNet基础上进行改进，通过堆叠层数实现比大卷积核扩大感受野；2)构建Res2Net_module，ResNet中的Bottleneck block内部的3
×
3的卷积核改进成多尺度非同层级的卷积组合，且不同层级的layer进行残差设置防止出现训练使梯度弥散和梯度爆炸情况，这种结构称为Res2Net_module；3)构建SE_Res2Net_module，由于使用Z
H
、Z
DR
、ρ
HV
、K
DP
四种变量在判断杂波时需要进行权重考虑，在每一个Res2Net_module后加入压缩激发注意力模块se_module，让模型自我学习四种变量的权重关系度，使得模型判断杂波时更为准确，将Res2Net_module和se_module两个模块结合称为SE_Res2Net_module；
4)初始化SE
‑
Res2Net
‑
101神经网络模型训练参数，设置输入为batch_size为256、通道数为4、长和宽分别为30和30的矩阵，即输入维度为256*4*30*30；输出为256*杂波分类个数，其中256代表batch_size,学习率lr为0.001；隐藏层的卷积核大小分为二种，分别为1*1,、3*3，给出SE_Res2Net_module重复次数为[3,4,23,3]，构建出101层数，并将网络最后的out features设置为杂波的类型个数。4.根据权利要求3所述的基于SE
‑
Res2Net
‑
101的多普勒雷达杂波识别与分类方法，其特征在于，所述构建Res2Net_module在Res2Net_module第一个1
×
1的卷积层之后，将input划分到N个子特征集，定义为X
i
,i∈1,2,3,
…
,N，每个通道输入特征为且通道特征维度都为3*3；在N个输入子集的进行卷积叠加的模块中使用残差结构来防止由于叠加层数过多而导致出现训练使梯度弥散和梯度爆炸情况；除了X1以外，所有的N
‑
1个子特征集都包含3*3的卷积核K
i
()，经过卷积核K
i
()的X
i
为y
i
＝K
i
(X
i
)，X
...

【专利技术属性】
技术研发人员：曾晨，许小龙，崔萌萌，江结林，程勇，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：