雷达目标识别方法、装置、雷达系统和存储介质制造方法及图纸

本申请提供一种雷达目标识别方法、装置、雷达系统和存储介质，涉及雷达数据处理技术领域。雷达包括具有可重构全息超表面的信号发射端和具有可重构全息超表面的信号接收端，所述目标识别方法包括：以所述信号发射端的发射数据和所述信号接收端基于目标物体的接收数据为输入，以所述目标物体的分类结果为输出，创建目标分类模型；对所述目标分类模型进行预训练，确定模型参数；获取待识别数据，根据所述待识别数据和参数确定后的目标分类模型对待识别的目标物体进行分类。本申请不需要对所有目标和障碍物进行建模，可以降低算法复杂度，可以快速识别出目标物体的类别，提高识别效率。提高识别效率。提高识别效率。

【技术实现步骤摘要】
雷达目标识别方法、装置、雷达系统和存储介质


[0001]本专利技术涉及雷达数据处理
，特别是涉及一种雷达目标识别方法、装置、雷达系统和存储介质。

技术介绍

[0002]雷达目标识别是指基于含有噪声或干扰的雷达信号来判断感知目标是什么。常见的雷达目标识别任务包括对物体的识别，以及对人物动作等的识别。
[0003]目前对于雷达目标识别的硬件常采用相控阵作为雷达天线，相控阵是由多个天线单元组成的阵列，从馈源馈入的信号通过功率分配器平均分配到每个天线单元处，通过移相器可以调节每个天线单元处信号的相移，所有天线单元辐射的信号叠加形成需要的波形，从而实现波束成形，通过改变移相器参数，雷达可以收集不同波形下的目标反射信号，最终生成空间点云。一方面，由于相控阵依赖的移相器、功率分配器等硬件元件具有较高的功耗，因此在给定功率消耗限制的情况下，相控阵雷达的探测精度十分有限且相控阵中移相器等硬件的成本也很高。另一方面，相控阵对于目标物体识别所采用的算法具有高复杂度，低实时性的问题，比如在多目标和多障碍物的环境中，需要对所有目标和障碍物进行建模，然后使用高复杂度的最大似然方法进行求解，在给定算力约束的情况下，求解的时间会很长，无法实时给出目标识别结果。

技术实现思路

[0004]有鉴于此，本申请的目的在于提出一种雷达目标识别方法、装置、雷达系统和存储介质，本申请能够针对性的解决现有采用相控阵天线进行目标识别的识别精度低、识别速度慢的问题。
[0005]基于上述目的，第一方面，本申请提出了一种雷达目标识别方法，所述雷达包括多个具有可重构全息超表面的信号发射端和多个具有可重构全息超表面的信号接收端，所述目标识别方法包括：以所述信号发射端的发射数据和所述信号接收端基于目标物体的接收数据为输入，以所述目标物体的分类结果为输出，创建目标分类模型；对所述目标分类模型进行预训练，确定模型参数；获取待识别数据，根据所述待识别数据和参数确定后的目标分类模型对待识别的目标物体进行分类。
[0006]可选地，目标分类模型包括多组一一对应的卷积层和池化层，所述目标分类模型还包括全连接层；所述信号发射端的发射数据和所述信号接收端基于目标物体的接收数据通过所述多组一一对应的卷积层和池化层的处理之后输出至所述全连接层，所述全连接层用于对所述目标物体进行分类。
[0007]可选地，信号发射端的发射数据包括信号发射端的可重构全息超表面的发射幅度，所述信号接收端基于目标物体的接收数据包括接收端的可重构全息超表面的接收幅度，接收信号的相位向量和接收信号的幅度向量。
[0008]可选地，对所述目标分类模型进行预训练，确定模型参数，包括：获得预训练数据，
所述预训练数据包括根据不同类别的目标物体、信号发射端不同的幅度向量、信号接收端不同的幅度向量得到的多组训练数据；利用所述预训练数据对所述模型参数进行优化。
[0009]可选地，利用所述预训练数据对所述模型参数进行优化，包括：通过交叉熵确定损失函数；利用所述预训练数据和参数优化算法对所述模型参数进行优化，将损失函数最小值时的模型参数作为所述目标分类模型的模型参数。
[0010]可选地，根据所述待识别数据和参数确定后的目标分类模型对待识别的目标物体进行分类，包括：对所述待识别数据进行卷积和非线性变换；对非线性变换后的待识别数据进行池化操作，得到池化输出值；根据所述池化输出值对所述待识别的目标物体进行分类。
[0011]可选地，根据所述池化输出值对所述待识别的目标物体进行分类的公式为：
[0012][0013]其中，z为池化输出值，z
i
是池化输出值z的第i个元素，表示目标物体属于第i类的概率。
[0014]第二方面，还提供了一种雷达目标识别装置，所述雷达包括多个具有可重构全息超表面的信号发射端和多个具有可重构全息超表面的信号接收端，所述装置包括：模型创建模块，用于以所述信号发射端的发射数据和所述信号接收端基于目标物体的接收数据为输入，以所述目标物体的分类结果为输出，创建目标分类模型；参数计算模块，用于对所述目标分类模型进行预训练，确定模型参数；目标识别模块，用于获取待识别数据，根据所述待识别数据和参数确定后的目标分类模型对待识别的目标物体进行分类。
[0015]第三方面，还提供了一种雷达系统，包括雷达、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述雷达包括多个具有可重构全息超表面的信号发射端和多个具有可重构全息超表面的信号接收端，所述雷达用于发射雷达信号以及接收雷达信号，以对目标物体进行识别；所述处理器运行所述计算机程序以实现第一方面所述的方法。
[0016]第四方面，还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行实现第一方面任一项所述的方法。
[0017]总的来说，本申请至少存在以下有益效果：
[0018]本实施例提供的一种雷达目标识别方法，雷达的信号发射端和信号接收端均采用可重构全息超表面，可以降低系统成本，通过将信号发射端的发射数据和信号接收端基于目标物体的接收数据为输入，以目标物体的分类结果为输出，创建目标分类模型，对目标分类模型进行预训练，以确定模型参数，再获取待识别数据，根据待识别数据和参数确定后的目标分类模型对待识别的目标物体进行分类。不需要对所有目标和障碍物进行建模，可以降低算法复杂度，在目标分类模型训练完成的情况下，可以快速识别出目标物体的类别，提高识别效率。
附图说明
[0019]在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本申请
公开的一些实施方式，而不应将其视为是对本申请范围的限制。
[0020]图1示出本申请的一种雷达目标识别方法的流程图；
[0021]图2示出本实施例的可重构全息超表面RHS的结构示意图；
[0022]图3示出本实施例的雷达的信号传输过程示意图；
[0023]图4示出示出本实施例的目标分类模型的结构示意图；
[0024]图5示出了根据本申请实施例的一种雷达目标识别装置的结构示意图；
[0025]图6示出了本申请实施所提供的一种雷达系统的示意图：
[0026]图7示出了本申请实施所提供的计算机可读存储介质的示意图。
具体实施方式
[0027]下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关专利技术，而非对该专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关专利技术相关的部分。
[0028]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0029]本实施例中，雷达包括具有可重构全息超表面(reconfigurable holographic surface，RHS)的信号发射端本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种雷达目标识别方法，其特征在于，所述雷达包括具有可重构全息超表面的信号发射端和具有可重构全息超表面的信号接收端，所述目标识别方法包括：以所述信号发射端的发射数据和所述信号接收端基于目标物体的接收数据为输入，以所述目标物体的分类结果为输出，创建目标分类模型；对所述目标分类模型进行预训练，确定模型参数；获取待识别数据，根据所述待识别数据和参数确定后的目标分类模型对待识别的目标物体进行分类。2.根据权利要求1所述的方法，其特征在于，所述目标分类模型包括多组一一对应的卷积层和池化层，所述目标分类模型还包括全连接层；所述信号发射端的发射数据和所述信号接收端基于目标物体的接收数据通过所述多组一一对应的卷积层和池化层的处理之后输出至所述全连接层，所述全连接层用于对所述目标物体进行分类。3.根据权利要求1所述的方法，其特征在于，所述信号发射端的发射数据包括信号发射端的可重构全息超表面的发射幅度，所述信号接收端基于目标物体的接收数据包括接收端的可重构全息超表面的接收幅度，接收信号的相位向量和接收信号的幅度向量。4.根据权利要求1所述的方法，其特征在于，所述对所述目标分类模型进行预训练，确定模型参数，包括：获得预训练数据，所述预训练数据包括根据不同类别的目标物体、信号发射端不同的发射幅度、信号接收端不同的接收幅度、不同接收信号的相位向量和不同接收信号的幅度向量得到的多组训练数据；利用所述预训练数据对所述模型参数进行优化。5.根据权利要求4所述的方法，其特征在于，所述利用所述预训练数据对所述模型参数进行优化，包括：通过交叉熵确定损失函数；利用所述预训练数据和参数优化算法对所述模型参数进行优化，将损失函数最小值时的模型参数作为所述目标分类模型的模型参数。...

【专利技术属性】
技术研发人员：张浩波，张笑语，
申请(专利权)人：杭州腓腓科技有限公司，
类型：发明
国别省市：