【技术实现步骤摘要】
本专利技术实施例涉及雷达数据处理，具体涉及一种雷达目标识别方法、装置及设备。
技术介绍
1、随着雷达技术的不断发展，雷达系统不仅能够探测目标的位置和速度，而且具有对目标的属性或类型进行分类识别的能力。雷达目标识别已成为现代雷达技术的关键挑战之一。所谓雷达目标识别，是通过对雷达回波数据中的幅度、相位、频谱和极化等特征信息的分析，来对遥远目标进行辨认的技术。传统的雷达目标识别方法依赖于人工提取目标特征，不仅识别效率低而且识别准确率也低。
2、目前，传统机器学习算法如支持向量机、k-最近邻等在雷达目标识别中已经被广泛应用。支持向量机是一种监督学习算法，其目标是找到一个最优的超平面，可以将不同类别的数据分隔开。在雷达目标识别中，支持向量机可以利用特征向量对雷达回波进行分类，从而识别目标。由于支持向量机的性能高度依赖于核函数的选择和参数调整，若选择不当会影响模型的性能，且在处理噪声较多或重叠类别的情况下，可能会出现过拟合或分类错误的问题。k-最近邻算法根据数据点的邻近程度进行分类，即根据距离度量找到最接近的k个邻居，并根据它们的标签进行决策。在雷达目标识别中，k-最近邻可根据雷达数据点的特征进行相似性度量并识别目标。由于k-最近邻对于数据中的噪声和冗余特征敏感，因此可能导致模型泛化能力较差。
3、综上所述，现有基于传统机器学习算法的雷达目标识别准确率低，亟需改进。
技术实现思路
1、本专利技术实施例提供一种雷达目标识别方法、装置及设备，用以解决现有方法识别准确率低的问
2、第一方面，本专利技术实施例提供一种雷达目标识别方法，包括：
3、获取样本数据集，样本数据集包括多个样本的雷达数据及对应的类型标签，多个样本的雷达数据是在不同背景环境下采集的；
4、从样本数据集中的每个样本的雷达数据中提取点迹特征，并将提取到的点迹特征转换为预设大小的特征矩阵；
5、将样本数据集按照预设比例划分为训练数据集、验证数据集和测试数据集；
6、采用训练数据集对雷达目标识别模型进行训练，采用验证数据集对雷达目标识别模型进行验证，采用测试数据集对雷达目标识别模型进行测试，当雷达目标识别模型在测试数据集上的识别率大于预设阈值时，得到训练好的雷达目标识别模型，雷达目标识别模型基于卷积神经网络模型构建；
7、获取目标样本的雷达数据，从目标样本的雷达数据中提取点迹特征，并将其转换为预设大小的特征矩阵；
8、将目标样本的特征矩阵输入训练好的雷达目标识别模型中，得到目标样本的类型信息。
9、一种实施例中，采用训练数据集对雷达目标识别模型进行训练，包括：
10、以训练数据集中各样本的特征矩阵作为雷达目标识别模型的输入，以训练数据集中各样本对应的类型标签作为雷达目标识别模型的期望输出，采用超参数优化的方式对雷达目标识别模型进行训练。
11、一种实施例中，采用超参数优化的方式对雷达目标识别模型进行训练，包括：
12、创建优化实例，用于搜索最优的学习率和权重衰减参数；
13、定义目标函数，用于通过不同的超参数组合来训练雷达目标识别模型，并返回雷达目标识别模型在验证数据集上的平均准确率，超参数组合包括学习率和权重衰减参数；
14、通过迭代不同的超参数组合来最大化雷达目标识别模型在验证数据集上的平均准确率，在每尝试一个新的超参数组合时，调用目标函数进行雷达目标识别模型的多次训练和验证评估；
15、从搜索中得到最优的学习率和权重衰减参数，使用最优的学习率和权重衰减参数重新构建雷达目标识别模型，并使用整个训练数据集进行训练，直至雷达目标识别模型在测试数据集上的识别率大于预设阈值；
16、在对雷达目标识别模型进行训练的过程中，加入早停机制以防止过拟合。
17、一种实施例中，雷达目标识别模型包括1个卷积层、1个池化层和1个全连接层；卷积层中卷积核的大小为3×3，步长为1，并使用零填充；池化层中池化大小为2×2，步长为2；卷积层和池化层后使用批量归一化以便加速训练；激活函数为relu函数，损失函数使用交叉熵，使用dropout正则化方法避免过拟合。
18、一种实施例中，获取目标样本的雷达数据，包括：
19、通过用户数据报协议与雷达终端进行通信，接收雷达终端发送的目标样本的雷达数据。
20、一种实施例中，所述方法还包括：将目标样本的类型信息发送至雷达终端，以便在雷达终端上进行实时显示。
21、一种实施例中，背景环境包括城市、山地、沙漠和海边；类型标签包括旋翼无人机、民航、空飘球和鸟。
22、第二方面，本专利技术实施例提供一种雷达目标识别装置，包括：
23、获取模块，用于获取样本数据集，样本数据集包括多个样本的雷达数据及对应的类型标签，多个样本的雷达数据是在不同背景环境下采集的；
24、提取模块，用于从样本数据集中的每个样本的雷达数据中提取点迹特征，并将提取到的点迹特征转换为预设大小的特征矩阵；
25、划分模块，用于将样本数据集按照预设比例划分为训练数据集、验证数据集和测试数据集；
26、训练模块，用于采用训练数据集对雷达目标识别模型进行训练，采用验证数据集对雷达目标识别模型进行验证，采用测试数据集对雷达目标识别模型进行测试，当雷达目标识别模型在测试数据集上的识别率大于预设阈值时，得到训练好的雷达目标识别模型，雷达目标识别模型基于卷积神经网络模型构建；
27、接收模块，用于获取目标样本的雷达数据，从目标样本的雷达数据中提取点迹特征，并将其转换为预设大小的特征矩阵；
28、识别模块，用于将目标样本的特征矩阵输入训练好的雷达目标识别模型中，得到目标样本的类型信息。
29、第三方面，本专利技术实施例提供一种电子设备，包括：
30、至少一个处理器和存储器；
31、存储器存储计算机执行指令；
32、至少一个处理器执行存储器存储的计算机执行指令，使得至少一个处理器执行如第一方面任一项所述的雷达目标识别方法。
33、第四方面，本专利技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现如第一方面任一项所述的雷达目标识别方法。
34、本专利技术实施例提供的雷达目标识别方法、装置及设备，通过获取样本数据集，样本数据集包括多个样本的雷达数据及对应的类型标签，多个样本的雷达数据是在不同背景环境下采集的；从样本数据集中的每个样本的雷达数据中提取点迹特征，并将提取到的点迹特征转换为预设大小的特征矩阵；将样本数据集按照预设比例划分为训练数据集、验证数据集和测试数据集；采用训练数据集对雷达目标识别模型进行训练，采用验证数据集对雷达目标识别模型进行验证，采用测试数据集对雷达目标识别模型进行测试，当雷达目标识别模型在测试数据集上的识别率大于预设阈值时，得到训练好的本文档来自技高网...
【技术保护点】
1.一种雷达目标识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述采用所述训练数据集对所述雷达目标识别模型进行训练，包括：
3.根据权利要求2所述的方法，其特征在于，所述采用超参数优化的方式对所述雷达目标识别模型进行训练，包括：
4.根据权利要求1所述的方法，其特征在于，所述雷达目标识别模型包括1个卷积层、1个池化层和1个全连接层；所述卷积层中卷积核的大小为3×3，步长为1，并使用零填充；所述池化层中池化大小为2×2，步长为2；所述卷积层和所述池化层后使用批量归一化以便加速训练；激活函数为ReLU函数，损失函数使用交叉熵，使用Dropout正则化方法避免过拟合。
5.根据权利要求1所述的方法，其特征在于，所述获取目标样本的雷达数据，包括：
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：将所述目标样本的类型信息发送至所述雷达终端，以便在所述雷达终端上进行实时显示。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述背景环境包括城市、山地、沙漠和海边；所述类型标签包括旋
8.一种雷达目标识别装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：至少一个处理器和存储器；
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-7任一项所述的雷达目标识别方法。
...【技术特征摘要】
1.一种雷达目标识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述采用所述训练数据集对所述雷达目标识别模型进行训练，包括：
3.根据权利要求2所述的方法，其特征在于，所述采用超参数优化的方式对所述雷达目标识别模型进行训练，包括：
4.根据权利要求1所述的方法，其特征在于，所述雷达目标识别模型包括1个卷积层、1个池化层和1个全连接层；所述卷积层中卷积核的大小为3×3，步长为1，并使用零填充；所述池化层中池化大小为2×2，步长为2；所述卷积层和所述池化层后使用批量归一化以便加速训练；激活函数为relu函数，损失函数使用交叉熵，使用dropout正则化方法避免过拟合。
5.根据权利要求1所述的方法...
【专利技术属性】
技术研发人员：胡扬，徐好，王星，
申请(专利权)人：四川九洲防控科技有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。