[发明专利]基于二维卷积网络的雷达高分辨距离像目标识别方法

说明书

本发明公开了一种基于二维卷积网络的雷达高分辨距离像目标识别方法，思路为：确定Q个不同雷达，所述Q个不同雷达的检测范围内存在目标，然后从Q个不同雷达的高分辨雷达回波中获取Q类高分辨距离成像数据，并将Q类高分辨距离成像数据分为训练样本集和测试样本集，然后将Q类高分辨距离成像数据记为原始数据x；根据原始数据x，计算得到短时傅里叶变换后的数据x″″；设定二维卷积神经网络模型，该二维卷积神经网络模型包括五层，然后使用训练样本集和短时傅里叶变换后的数据x″″对该二维卷积神经网络模型进行构建，得到训练好的卷积神经网络；使用测试样本集对训练好的卷积神经网络进行目标识别，得到基于二维卷积网络的雷达高分辨距离像目标识别结果。

技术领域

本发明属于雷达技术领域，特别涉及一种基于二维卷积网络的雷达高分辨距离像目标识别方法，适用于对高分辨距离像数据进行目标识别，以及用于环境检测和航迹跟踪。

背景技术

雷达的距离分辨率正比于匹配滤波后的接收脉冲宽度，且雷达发射信号的距离单元长度满足：△R为雷达发射信号的距离单元长度，c为光速，τ为匹配接收的脉冲宽度，B为雷达发射信号的带宽；大的雷达发射信号带宽提供了高的距离分辨率(HRR)。实际上雷达距离分辨率的高低是相对于观测目标而言的，当所观测目标沿雷达视线方向的尺寸为L时，如果L＜＜△R，则对应的雷达回波信号宽度与雷达发射脉冲宽度(匹配处理后的接收脉冲)近似相同，通常称为“点”目标回波，这类雷达为低分辨雷达；如果L＞＞△R，则目标回波成为按目标特性在距离上延伸的“一维距离像”，这类雷达为高分辨雷达；＜＜表示远远小于，＞＞表示远远大于。

高分辨雷达工作频率相对于一般目标位于光学区(高频区)，发射宽带相干信号(线性调频或步进频率信号)，雷达通过目标对发射电磁波的后向散射，接收到回波数据。通常回波特性采用简化的散射点模型计算得到，即采用忽略多次散射的波恩(Born)一级近似。

高分辨雷达回波中呈现出的起伏和尖峰，反映着在一定雷达视角时目标上散射体(如机头、机翼、机尾方向舵、进气孔、发动机等等)的雷达散射截面积(RCS)沿雷达视线(RLOS)的分布情况，体现了散射点在径向的相对几何关系，常称为高分辨距离像(HRRP)。因此，HRRP样本包含目标重要的结构特征，对目标识别与分类很有价值。

目前，已经发展出许多针对高分辨距离像数据的目标识别方法，例如，可以直接使用较为传统的支持向量机直接对目标进行分类，或者使用基于限制玻尔兹曼机的特征提取方法先将数据投影到高维空间中再用分类器分类数据；但上述各种方法仅仅利用了信号的时域特征，且目标识别准确率不高。

发明内容

针对上述现有技术存在的不足，本发明目的在于提出一种基于二维卷积网络的雷达高分辨距离像目标识别方法，该种基于二维卷积网络的雷达高分辨距离像目标识别方法是一种针对高分辨距离像数据的基于二维卷积网络的雷达高分辨距离像目标识别方法，能够提高目标的识别的准确率。

本发明的主要思路：确定Q个不同雷达，所述Q个不同雷达的检测范围内存在目标，然后从Q个不同雷达的高分辨雷达回波中获取Q类高分辨距离成像数据，并将Q类高分辨距离成像数据分为训练样本集和测试样本集，然后将Q类高分辨距离成像数据记为原始数据x；其中，Q为大于0的正整数；根据原始数据x，计算得到短时傅里叶变换后的数据x””；设定二维卷积神经网络模型，该二维卷积神经网络模型包括五层，然后使用训练样本集和短时傅里叶变换后的数据x””对该二维卷积神经网络模型进行构建，得到训练好的卷积神经网络；使用测试样本集对训练好的卷积神经网络进行目标识别，得到基于二维卷积网络的雷达高分辨距离像目标识别结果。

为达到上述技术目的，本发明采用如下技术方案予以实现。

一种基于二维卷积网络的雷达高分辨距离像目标识别方法，包括以下步骤：