基于不确定性和数据拒判的雷达目标分类方法技术

本发明专利技术公开了一种基于不确定性和数据拒判的雷达目标分类方法，其实现步骤是：构建训练集而后利用生成的具有不确定性表示能力的损失函数训练卷积神经网络；处理待测试雷达回波；计算处理后的测试雷达回波不确定性指标；判断测试雷达回波是否拒判；若拒判，则将测试雷达回波样本作为受到污染的低质量雷达回波信号；若不拒判，输出该测试雷达回波的目标分类结果。本发明专利技术拒判杂波、欺骗式干扰等低质量雷达回波信号，提升了雷达自动识别系统的分类识别率。同时采用不确定性指标作为拒判准则相较于其他拒判方法，更为有效的辨别低质量雷达回波。回波。回波。

【技术实现步骤摘要】
基于不确定性和数据拒判的雷达目标分类方法


[0001]本专利技术属于通信
，更进一步涉及雷达信号处理
中的一种基于不确定性和数据拒判的雷达目标分类方法。本专利技术可以在存在杂波、信噪比较低、欺骗式环境中，对雷达回波进行可信的分类。

技术介绍

[0002]在实际应用中，雷达远距离跟踪到目标并不断得到目标的脉冲回波数据，现有目标识别方法对得到的每一个脉冲回波数据进行决策而不加以拒判。然而实际工程应用中采集到的目标回波数据会受到各种因素的影响，例如：其他目标的杂波、天气因素以及敌机对抗性干扰等问题。这些受到干扰的低质量数据，它们的信号支撑区部分与训练库内数据严重失配，不包含可以提取的可分类别特征，RATR系统不能够准确的对其进行分类识别。如果不加以筛选，这些受到污染的雷达回波与可分的高质量雷达回波混在一起，会严重降低最终的分类识别率，如何合理有效的去除低质量雷达回波数据是雷达目标分类的难题之一。
[0003]Jian Chen在其发表的论文“Target
‑
attentional CNN for Radar Automatic Target Recognition with HRRP”(发表期刊：Singal Processing，DOI：10.1016/j.sigpro.2022.108497)中提出了一种基于注意力加权的CNN卷积识别网络的雷达目标识别方法。该方法借助卷积层提取HRRP深层语义特征，而后将提取后的特征依序送入LSTM模型中得到不同距离单元的加权权重，借助加权权重对原始特征加权后得到最终的特征而后送入分类层进行HRRP目标判别。借助注意力加权的方式该方法虽然可以在高质量雷达信号识别中取得了较好的识别性能，但是，该方法仍然存在不足之处是：由于该方法建立在训练集与测试集同分布的前提条件下以此检验网络性能，并不具备拒判能力，所以在存在杂波、欺骗式干扰的真实环境中，受到干扰的雷达回波依然会被误判为其他目标，这造成分类方法的误判，而使得识别率下降，严重影响了RATR系统的可靠性。
[0004]西安电子科技大学在其申请的专利文献“基于随机森林和数据拒判的地面目标分类方法”(专利申请号：201810874485.5，授权公告号：CN 109190673 B)中提出了一种基于随机森林的数据拒判目标识别方法。该方法具体步骤如下：第一步，对训练样本集进行预处理；第二步，提取训练样本集中特征矩阵；第三步，训练随机森林分类器；以上为训练阶段，在测试阶段，第一步，使用同样的方法对测试样本进行预处理；第二步，提取测试样本特征向量；第三步，计算输出概率向量；最后，输出的概率向量与提前人为设置的阈值进行对比，若输出概率向量大于预设的阈值则根据概率向量输出测试样本类别；反之，则拒判该雷达回波。虽然该方法可以对低质量雷达回波样本拒判，但是该方法存在的问题在于，类别概率向量只能代表模型的判别结果，并不能代表模型对判别结果的置信程度，且模型存在过度自信的问题，导致直接以类别概率向量作为拒判准则难以有效区分低质量雷达回波样本与高质量雷达回波样本。除此之外，该方法预先设置的阈值并不具备鲁棒性且严重依赖于研究人员的先验知识，难以调试。

技术实现思路

[0005]本专利技术的目的在于针对上述现有技术存在的不足，提出一种基于不确定性和数据拒判的雷达目标分类方法。旨在解决实测环境下目标识别率较低以及现有拒判方法采用的拒判准则难以有效辨别低质量雷达回波这两个关键问题。
[0006]实现本专利技术目的的思路是，本专利技术在对与训练集分布差异不大的高质量雷达回波信号正确分类的同时，对杂波、欺骗式干扰等低质量雷达回波信号加以拒判以此解决实测环境下目标识别率较低的问题。同时本专利技术借助主观逻辑量化雷达回波的不确定性指标，在网络训练时即有意识的拉开高质量雷达回波样本与低质量雷达回波样本之间的差距，在测试时以网络对测试样本的不确定性指标作为拒判准则，更为准确的区分了低质量雷达回波样本与高质量雷达回波样本。通过解决上述两个问题能够在存在干扰的真实实测环境中，有效的对不同雷达目标进行可信分类。
[0007]本专利技术的具体步骤如下：
[0008]步骤1，生成训练集：
[0009]步骤1.1，将雷达接收到的至少有两种不同类别的雷达回波与其对应类别标签组成样本集；
[0010]步骤1.2，依次利用重心对齐方法、二范数归一化方法，对样本集中的每一个HRRP雷达回波做数据预处理，将预处理处理后的样本集作为训练集；
[0011]步骤2，构建卷积神经网络：
[0012]步骤2.1，搭建一个17层的卷积神经网络，其结构依次为：第一卷积层、第一BN层、第一激活层、第一池化层、第二卷积层、第二BN层、第二激活层、第二池化层、第三卷积层、第三BN层、第三激活层、第三池化层、第四卷积层、第四BN层、第四激活层、第四池化层、全连接层；其中全连接层为分类层，其余层为特征提取层部分；
[0013]步骤2.2，将第一至第四卷积层的卷积核大小均设置为9，卷积核的个数依次设置为32，64，128，128，第一至第四激活层均采用ReLU的激活函数实现，第一至第四池化层均设置为最大值池化，全连接层输出节点数设置为K，K代表飞机目标的类别总数；
[0014]步骤3，生成具有不确定性表示能力的损失函数如下：
[0015][0016]其中，N代表训练集中样本的总数，i表示训练集中样本的编号，α
i
代表训练集中第i个样本对应的狄利克雷分布参数，λ与μ代表权重系数，λ与μ为在[0,1]范围内任意选取的一个数，u
i
代表训练集中第i个样本对应的雷达回波不确定性指标，L
ace
(
·
)代表借助狄利克雷分布产生不同的雷达回波结果，以此建模雷达回波结果的不确定性指标的损失函数，L
EUC1
(
·
)代表借助KL散度更好的建模雷达回波结果的不确定性指标的损失函数，L
EUC2
(
·
)代表将u
i
融入平方项损失函数中，借助对分对以及分错的训练雷达回波采取不同的操作以此拉开低质量雷达回波与高质量雷达回波之间的差距的损失函数；
[0017]步骤4，利用生成的具有不确定性表示能力的损失函数训练卷积神经网络；
[0018]步骤5，处理待测试雷达回波；
[0019]步骤5.1，将高分辨率雷达实时接收的一个目标HRRP回波信号作为测试雷达回波；
[0020]步骤5.2，采用与步骤1.2相同的方法，处理实时接收到的HRRP信号，得到处理后的
测试雷达回波；
[0021]步骤6，计算处理后的测试雷达回波不确定性指标；
[0022]步骤6.1，将处理后的测试雷达回波输入到训练好的卷积神经网络中，由该网络的全连接层输出证据向量；
[0023]步骤6.2，计算测试雷达回波的不确定性指标；
[0024]步骤7，判断测试雷达回波的不确定性指标是否大本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于不确定性和数据拒判的雷达目标分类方法，其特征在于，构建卷积神经网络，利用生成的具有不确定性表示能力的损失函数训练卷积神经网络；该方法的具体步骤包括如下：步骤1，生成训练集：步骤1.1，将雷达接收到的至少有两种不同类别的雷达回波与其对应类别标签组成样本集；步骤1.2，依次利用重心对齐方法、二范数归一化方法，对样本集中的每一个HRRP雷达回波做数据预处理，将预处理处理后的样本集作为训练集；步骤2，构建卷积神经网络：步骤2.1，搭建一个17层的卷积神经网络，其结构依次为：第一卷积层、第一BN层、第一激活层、第一池化层、第二卷积层、第二BN层、第二激活层、第二池化层、第三卷积层、第三BN层、第三激活层、第三池化层、第四卷积层、第四BN层、第四激活层、第四池化层、全连接层；其中全连接层为分类层，其余层为特征提取层部分；步骤2.2，将第一至第四卷积层的卷积核大小均设置为9，卷积核的个数依次设置为32，64，128，128，第一至第四激活层均采用ReLU的激活函数实现，第一至第四池化层均设置为最大值池化，全连接层输出节点数设置为K，K代表飞机目标的类别总数；步骤3，生成具有不确定性表示能力的损失函数如下：其中，N代表训练集中样本的总数，i表示训练集中样本的编号，α
i
代表训练集中第i个样本对应的狄利克雷分布参数，λ与μ代表权重系数，λ与μ为在[0,1]范围内任意选取的一个数，u
i
代表训练集中第i个样本对应的雷达回波不确定性指标，L
ace
(
·
)代表借助狄利克雷分布产生不同的雷达回波结果，以此建模雷达回波结果的不确定性指标的损失函数，L
EUC1
(
·
)代表借助KL散度更好的建模雷达回波结果的不确定性指标的损失函数，L
EUC2
(
·
)代表将u
i
融入平方项损失函数中，借助对分对以及分错的训练雷达回波采取不同的操作以此拉开低质量雷达回波与高质量雷达回波之间的差距的损失函数；步骤4，利用生成的具有不确定性表示能力的损失函数训练卷积神经网络；步骤5，处理待测试雷达回波；步骤5.1，将高分辨率雷达实时接收的一个目标HRRP回波信号作为测试雷达回...

【专利技术属性】
技术研发人员：杜兰，尹林伟，陈健，李晨，周宇，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：