[发明专利]基于深度卷积神经网络的雷达一维距离像目标识别方法

说明书

本发明公开了基于深度卷积神经网络的雷达一维距离像目标识别方法，包括以下步骤：采集数据集，对采集到的数据进行预处理，从预处理后的数据中提取特征，设立阈值将采集到的雷达HRRP信号分成低信噪比和高信噪比样本两个部分，构建基于稳健玻尔兹曼的特征增强算法，构建基于卷积神经网络和基于LSTM的双向循环神经网络的HRRP目标识别模型，使用梯度下降算法对构建的网络模型的参数进行微调，得到有效的目标识别模型。本发明构建小样本稳健性和噪声稳健性的雷达HRRP自动目标识别技术具有很强的工程实用性，从特征提取和分类器的设计方面，提出了一种基于卷积神经网络+循环神经网络的雷达一维距离像目标识别模型。

技术领域

本发明属于雷达目标识别领域，涉及一种基于深度卷积神经网络的雷达一维距离像目标识别方法。

背景技术

雷达自动目标识别是依据电磁散射理论，通过提取雷达回波信号中的特征，并对特征进行处理，来确定雷达目标所属的种类、型号等属性。自从20世纪60年代以来，美国专门建立了“弹道导弹预警系统”，从此便将雷达识别列入了重要开发计划，随后又将HRRP(高分辨率距离像)自动目标识别列入重要研发计划，并且在美国的高校内建立了雷达识别平台，在这个基础上，美国的多所高校运用雷达仿真软件建立用于仿真的HRRP信号，并以此为基础建立了很多完备的多目标HRRP数据库。随后，在90年代，俄罗斯也针对雷达识别领域建立了完备的目标数据库，这些都为雷达目标的识别奠定了坚实的基础。经过多年发展，雷达的自动识别已经能在完备的数据库中达到很好的效果。随着技术的发展，在实际的雷达目标识别中，待识别的目标一般不是出自于雷达HRRP数据库，而是实际作战中的高速非合作目标，因此雷达HRRP自动目标识别的内容逐步从合作目标、完备目标数据库识别发展向非合作目标的HRRP自动识别过渡。相比合作目标、完备HRRP数据库的雷达HRRP目标识别，高速非合作目标的识别存在两大难题：1.小样本识别；2.低信噪比HRRP稳健识别，小样本识别难题指的是当训练样本个数接近或小于样本维度时产生的诸如参数估计不准确、分类器的识别性能以及推广性能急剧下降等一系列问题。解决这些问题最简单的办法是增加训练样本数量，然而通常对于高速非合作的敌方目标(如战斗机等)，雷达很难检测并持续跟踪获得大量HRRP样本，无法满足很多分类器估计模型参数的基本要求，导致算法失效。低信噪比HRRP稳健识别的成因是在实际工程中，用于训练样本库中的HRRP数据集通常由合作情况下的实验获取或者直接由电磁仿真程序生成，其信噪比较高；但测试阶段一般在实际战场条件下进行，一方面此时电磁环境非常复杂，目标回波中总会含有一定的噪声导致所获取的HRRP信噪比较低，而高信噪比下训练，低信噪比下识别是雷达实际工作应用中不可避免的模式。因此解决高信噪比下训练低信噪比下测试是非常有意义的。

发明内容

为解决上述问题，本发明针对上述提到的高速非合作目标HRRP识别中存在的不足，构建小样本稳健性和噪声稳健性的雷达HRRP目标自动识别技术具有很强的工程实用性，从特征提取和分类器的设计方面，提出了一种基于深度卷积神经网络的雷达一维距离像目标识别技术。

为实现上述目的，本发明的技术方案为基于深度卷积神经网络的雷达一维距离像目标识别方法，包括以下步骤：

S1：采集数据集，将N个雷达采集到的HRRP数据集依据目标的种类进行合并，其中目标的种类为5，每种种类的数据分别在不同的数据段里选择训练样本和测试样本，在训练集和测试集样本的选取过程中，保证所选取的训练集的数据与雷达所成姿态涵盖测试数据集与雷达所成的姿态，各类目标训练集和测试集的样本数的比例为8:2，将挑选的数据集记作其中X_i表示第i个样本，y_k表示第k种目标，i₀表示样本总数。

S2：对S1采集到的数据进行预处理，对挑选的数据集T中的每一个样本使用补偿对齐法进行对齐，然后再对对齐的样本加入小强度的高斯随机噪声，随机左右平移很小的单位扩充数据集，再对扩充后的数据集进行能量归一化得到归一化后的数据；