[发明专利]基于高斯混合和张量循环神经网络的雷达目标识别方法

说明书

本发明公开了一种基于高斯混合模型和张量循环神经网络模型的雷达目标识别方法，主要解决现有技术无法有效对目标区域和噪声区域进行划分，且无法有效利用HRRP数据内部时序相关性的问题，其方案是：获取雷达高分辨距离像HRRP数据，并对其进行预处理；使用预处理后的数据迭代的训练高斯混合模型和循环神经网络模型参数，获得训练好的混合模型。对于测试数据，使用混合模型确定其聚类类别，再使用混合模型中的张量循环神经网络进行特征提取与分类。本发明能自动确定HRRP数据中的目标区域，有效的对目标进行特征提取，自动地对目标区域和噪声区域做划分，有效提高目标的识别准确率。可用于各类雷达对目标的高分辨距离像HRRP进行识别。

技术领域

本发明属于雷达技术领域，涉及到一种雷达目标识别方法，可用于各类雷达对目标的高分辨距离像HRRP进行识别。

背景技术

随着科技的进步以及飞机、船只这些交通工具的多样化发展，雷达目标识别所面临的挑战也越来越严峻。雷达目标的识别正确与否发挥着举足轻重的地位，研究具有高识别率的雷达目标识别方法意义重大。

高分辨距离像HRRP是宽带雷达信号获取的目标散射点复子回波在雷达射线上投影的向量和，通过发出某一波长的高频信号，通过反射成像时间和位置，从而得出高分辨率距离像，它提供了目标散射点沿距离方向的分布信息，具有目标重要的结构特征，对目标识别与分类十分有价值，因而成为雷达目标识别的新技术。

雷达目标识别中最重要的步骤就是目标特征提取，所提取的目标特征直接影响后续的分类和识别。已有文献证明从HRRP中提取出来的一些特征，如使用Relax算法对原始HRRP数据提取强散射点信息，能够较为有效地完成分类和识别任务。但是这些方法都有两个共同的缺陷：无法有效利用HRRP数据的时序性以及在建模时无法区分噪声区域与数据区域，使得目标识别准确率较低。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于高斯混合和张量循环神经网络的雷达自动目标识别方法，以提高目标识别准确率。

本发明通过自动的对高分辨距离像HRRP数据的噪声区域和数据区域进行划分，并针对不同的划分区域使用不同的权值矩阵进行特征的提取与分类，得到较高的目标识别准确率，其实现步骤包括如下：

(1)获取雷达高分辨距离像HRRP数据，该HRRP数据包括N个距离像s以及N个距离像中各距离像对应的类别标识y；将述N个距离像中的每个距离像作为一个样本，将各距离像对应的类别标识作为样本的类别标识，得到N个样本及其类别标识，N为正整数；

(2)对N个样本分别进行重心对齐、能量归一和滑窗的预处理，得到N个预处理后的包含多个时刻的样本序列x＝[x₁，x₂，...，x_t，...，x_T]，其中x_t是样本的第t个时刻的序列段，t＝1，2，...，T，T表示经过滑窗操作后序列的长度；

(3)对于(2)中经过滑窗预处理的样本序列x及对应的(1)中的类别标识y，随机选取80％作为训练样本集tr，剩余20％作为测试样本集te；

(4)设置高斯混合模型的参数，构造张量循环神经网络模型：

(4a)记高斯混合模型中混合元素的个数为K，高斯混合模型中K个权重系数为π_i，均值向量为μ_i，精度矩阵为diag(λ_i)，该diag(λ_i)为以精度向量λ_i＝[λ_i1,λ_i2,...,λ_ij,...,λ_id]为主对角线，其余元素为0的矩阵，λ_ij是随机变量第j维的方差的倒数，i＝1,2,...,K，j＝1,2,...d，d是滑窗的窗长；