[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

说明书

本发明属于雷达目标识别领域，特别涉及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及系统，通过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。本发明通过对HRRP序列数据进行多通道编码提取特征，并通过权值调整能够进一步提升网络模型的稳健性，提升目标识别准确率，便于实际场景应用。

技术领域

本发明属于雷达目标识别领域，特别涉及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及系统。

背景技术

雷达高分辨一维距离像(High-Resolution Range Profile,HRRP)是宽带雷达发射的信号经过目标散射后，在雷达径向上所接收到回波的投影向量和。HRRP包含目标在接收天线径向的目标散射点的结构分布信息，通过分析可得目标自身的尺寸结构，等效散射中心分布的参数，是如今目标识别分类的重要数据来源。SAR图像拥有丰富的目标二维结构信息，然而成像需要目标一定的转角积累，这次在实际应用中较难以获取非合作目标的高机动飞行过程中数据，而HRRP获取难度低，成像简单。因此HRRP被广泛应用于雷达自动目标识别(Radar Automatic Target Recognition,RATR)领域。在利用HRRP对目标进行快速与准确识别分类中，如何利用已知数据提取全面特征，完成对目标信息分析处理是当前研究的热点问题。

在传统的HRRP数据处理中，由于数据维度高，存在信息冗余的情况而采用先降维后统计识别的方法，通过检验待测样本的后验概率确定其类型，该类方法主要有AGC，Gamma模型，Gamma Mixture模型等，但此类样本自由度低，仅适用于小样本数据进行目标识别。且对目标统计特征描述不全面，无法完全掌握目标的特性从而影响目标识别的准确度。此外，因子分析(FA)模型可以更好的掌握目标特性，但是鲁棒性不强，受目标的姿态敏感性影响巨大。为了得到目标的全面模型，因子分析需要在前期训练阶段掌握大量的目标数据进行建模统计。以上方法是将HRRP数据看作是互相独立的距离单元回拨序列组合，没有考虑雷达接收子回波之间的关联性，进而影响目标识别效果。

发明内容

为此，本发明提供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及系统，对HRRP序列数据进行多通道编码提取特征，并通过权值调整提升网络模型的稳健性，提升目标识别准确率，便于实际场景应用。

按照本发明所提供的设计方案，提供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，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。

作为本发明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，进一步地，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。

作为本发明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，进一步地，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。