[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

说明书

本发明公开一种基于雷达一维距离像的目标识别方法及系统。本发明对训练样本对的回波数据进行傅里叶梅林变换处理后，再将其输入一维卷积神经网络模型进行训练。由于傅里叶梅林变换具有时移不变性和尺度不变性，其尺度不变性可使得距离像在梅林变换域对方位角和姿态角的变化不敏感；其时移不变性使得傅里叶梅林变换能适应信号的时间平移与尺度变化，故一维距离像经傅里叶梅林变换后可以得到稳定的特征向量，降低了距离像的姿态敏感度，平移敏感度和幅度敏感度，增强了距离像的鲁棒性，提高了目标识别的准确性。

技术领域

本发明涉及雷达技术领域，特别是涉及一种基于雷达一维距离像的目标识别方法及系统。

背景技术

在当前的目标识别领域，对雷达一维距离像的识别使用的是模式识别的经典流程，其中对一维距离像预处理主要使用包络对齐来降低其姿态和平移敏感性，但是在实际情况中，包络对齐在距离像局部噪声比较强的情况下并不能很好的发挥作用，而非相干平均等提高距离像数据信噪比的方法均是以包络对齐为基础的。因此，一维距离像的平移敏感性和姿态敏感性会降低目标识别的准确性。

发明内容

本发明的目的是提供一种基于雷达一维距离像的目标识别方法及系统，能够降低距离像的姿态敏感度，平移敏感度和幅度敏感度，增强距离像的鲁棒性，提高目标识别的准确性。

为实现上述目的，本发明提供了如下方案：

一种基于雷达一维距离像的目标识别方法，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。

可选的，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。

可选的，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。

可选的，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；