[发明专利]基于双并行网络的雷达高分辨率一维距离像目标识别方法及系统

权利要求书

1.一种基于双并行网络的雷达高分辨率一维距离像目标识别方法，其特征在于，包含如下内容：

构建目标识别模型并利用预设波段宽带雷达试验场实测数据作为样本数据对模型进行训练优化，其中，该模型包含：两个并行分别对输入的雷达高分辨率一维距离像数据序列相关性特征进行提取和映射分类的分支网络，用于对两个分支网络输出进行数据加权融合的融合层，用于对加权融合后的输出序列进行分类识别的输出层；

利用训练优化后的目标识别模型来识别待检测范围内的高分辨率一维距离像目标。

2.根据权利要求1所述的基于双并行网络的雷达高分辨率一维距离像目标识别方法，其特征在于，两个分支网络中，采用异构的神经网络结构来构建分支网络。

3.根据权利要求1或2所述的基于双并行网络的雷达高分辨率一维距离像目标识别方法，其特征在于，两个分支网络中，其中一个分支网络采用LSTM网络结构来提取输入雷达高分辨率一维距离像数据序列前后关联时序特征信息并进行分类映射，另一分支网络采用GRU网络结构来提取输入雷达高分辨率一维距离像数据序列散射中心聚集时序特征信息并进行分类映射。

4.根据权利要求3所述的基于双并行网络的雷达高分辨率一维距离像目标识别方法，其特征在于，LSTM网络结构中，针对输入的雷达高分辨率一维距离像数据序列，通过遗忘门、输入门和输出门来更新当前计算时刻的记忆单元和隐藏状态，将输入的雷达高分辨率一维距离像数据序列前面时刻信息与当前计算时刻信息进行关联，利用时序相关性来提取数据序列特征。

5.根据权利要求3所述的基于双并行网络的雷达高分辨率一维距离像目标识别方法，其特征在于，GRU网络结构中，利用重置门设置先前时刻信息遗忘程度，利用更新门设置当前时刻信息重要程度，通过重置门和更新门来更新当前时刻的隐藏状态，利用当前时刻信息量来确定并调整当前时刻信息与先前时刻历史信息权重，以通过稀释历史信息数据来提取输入的雷达高分辨率一维距离像数据序列散射中心聚集时序特征。

6.根据权利要求3所述的基于双并行网络的雷达高分辨率一维距离像目标识别方法，其特征在于，所述融合层采用动态门结构权值融合调整策略对两个分支网络输出进行加权融合，其中，对两个分支网络输出进行加权融合的权值随网络特征提取状况进行动态调整。

7.根据权利要求6所述的基于双并行网络的雷达高分辨率一维距离像目标识别方法，其特征在于，动态门结构权值融合调整策略进行加权融合的过程表示为:F_a＝d_LSTM*F_LSTM+d_GRU*F_GRU，其中，F_a表示加权融合后输出，I_LSTM-forget表示所有时刻输入数据经输入门后生成LSTM网络输入门的门控单元序列，Z_GRU-update表示随数据输入生成更新门的门控单元序列，d_LSTM、d_GRU分别表示两个分支网络中利用对应门控单元序列二范数之比来获取的权值。

8.根据权利要求1所述的基于双并行网络的雷达高分辨率一维距离像目标识别方法，其特征在于，所述输出层采用softmax及classification分类器来输出输入序列类别，其中，利用softmax输出输入序列所述类别的概率大小，利用classification选取所属类别概率最大的一项类别作为最终输出结果。

9.根据权利要求1所述的基于双并行网络的雷达高分辨率一维距离像目标识别方法，其特征在于，采用收集的C波段宽带雷达对已知若干类型目标的试验场测所得数据作为模型训练优化的样本数据，并将样本数据划分为用于模型学习训练的训练样本和用于测试调优的测试样本，分别利用训练样本和测试样本对模型进行训练优化，其中，试验场测所得数据中包含已知若干类型目标飞行所述有方位角。

10.一种基于双并行网络的雷达高分辨率一维距离像目标识别方法，其特征在于，包含：模型构建模块及目标识别模块，其中，

模型构建模块，用于构建目标识别模型并利用预设波段宽带雷达试验场实测数据作为样本数据对模型进行训练优化，其中，该模型包含：两个并行分别对输入的雷达高分辨率一维距离像数据序列相关性特征进行提取和映射分类的分支网络，用于对两个分支网络输出进行数据加权融合的融合层，用于对加权融合后的输出序列进行分类识别的输出层；

目标识别模块，用于利用训练优化后的目标识别模型来识别待检测范围内的高分辨率一维距离像目标。