[发明专利]一种基于雷达一维距离像的目标识别方法及系统

权利要求书

1.一种基于雷达一维距离像的目标识别方法，其特征在于，所述目标识别方法包括：

获取待识别回波数据；

将所述待识别回波数据输入目标识别模型，获得所述待识别回波数据对应的目标类型；其中，所述目标识别模型的输入为回波数据，所述目标识别模型的输出为目标类型；所述目标识别模型是基于傅里叶变换、梅林变换和卷积神经网络模型建立的；所述目标识别模型的建立方法具体包括：

获取训练样本集，所述训练样本集包括多个目标的训练样本对，每一训练样本对包括一个输入和一个输出，输入为样本的不同回波数据构成的集合，输出为样本对应的类型；其中，各目标的回波数据是由同一雷达生成的；

对每一所述训练样本对的所述回波数据进行傅里叶梅林变换，获得频域训练样本对，各所述频域训练样本对组成频域训练样本集；

构建一维卷积神经网络模型；

利用所述频域训练样本集训练所述一维卷积神经网络模型，获得目标识别模型。

2.根据权利要求1所述的目标识别方法，其特征在于，所述对每一所述训练样本对的所述回波数据进行傅里叶梅林变换之前，还包括：

对每一所述训练样本对的回波数据进行归一化处理，获得归一化处理后的训练样本对。

3.根据权利要求1所述的目标识别方法，其特征在于，所述对每一所述训练样本对的所述回波数据进行傅里叶梅林变换，获得频域训练样本对，具体包括：

对每一训练样本对的回波数据进行傅里叶变换，获得频域回波数据；

对所述频域回波数据进行取模运算，获得取模后的频域回波数据；

对取模后的频域回波数据进行梅林变换，获得梅林回波数据，所述梅林回波数据和样本对应的类型组成频域训练样本对。

4.根据权利要求1所述的目标识别方法，其特征在于，所述利用所述频域训练样本集训练所述一维卷积神经网络模型，获得目标识别模型，具体包括：

获取最大迭代次数，初始化一维卷积神经网络模型的学习率；

对所述频域训练样本集的频域训练样本对进行分组，获得多组频域训练样本组；

将一组频域训练样本组标记为目标训练样本组，并将所述目标训练样本组输入所述一维卷积神经网络模型进行训练，以更新所述一维卷积神经网络模型的学习率；

更新迭代次数；

判断所述迭代次数是否小于所述最大迭代次数，获得第一判断结果；

当第一判断结果表示是，则从所述频域训练样本集中选取除目标训练样本组以外的一组频域训练样本组作为新的目标训练样本组，返回“将所述目标训练样本组输入所述一维卷积神经网络模型进行训练”；

当第一判断结果表示否，则将当前的一维卷积神经网络模型确定为目标识别模型。

5.一种基于雷达一维距离像的目标识别系统，其特征在于，所述目标识别系统包括：

数据获取模块，用于获取待识别回波数据；

识别模块，用于将所述待识别回波数据输入目标识别模型，获得所述待识别回波数据对应的目标类型；其中，所述目标识别模型的输入为回波数据，所述目标识别模型的输出为目标类型；所述目标识别模型是基于傅里叶变换、梅林变换和卷积神经网络模型建立的；所述目标识别模型的建立子系统包括：

样本集获取模块，用于获取训练样本集，所述训练样本集包括多个目标的训练样本对，每一训练样本对包括一个输入和一个输出，输入为样本的不同回波数据构成的集合，输出为样本对应的类型；其中，各目标的回波数据是由同一雷达生成的；

傅里叶梅林变换模块，用于对每一所述训练样本对的所述回波数据进行傅里叶梅林变换，获得频域训练样本对，各所述频域训练样本对组成频域训练样本集；

神经网络构建模块，用于构建一维卷积神经网络模型；

训练模块，用于利用所述频域训练样本集训练所述一维卷积神经网络模型，获得目标识别模型。

6.根据权利要求5所述的目标识别系统，其特征在于，所述目标识别系统还包括：

归一化处理模块，用于对每一所述训练样本对的回波数据进行归一化处理，获得归一化处理后的训练样本对。