[发明专利]一种基于宽带雷达数据和GRU神经网络的卫星目标识别方法

摘要

本发明提供了一种基于宽带雷达数据和GRU神经网络的卫星目标识别方法，该方法主要包括数据划分和深度学习模型两大部分，通过将轨道高度和雷达观测角度信息引入到卫星目标识别，实现宽带雷达HRRP训练数据的划分和测试数据的匹配对应；采用GRU神经网络提取HRRP数据的有效特征，以划分后的HRRP训练数据作为输入，通过网络训练确定GRU神经网络的权重空间，以便提取HRRP测试数据的深层本质特征，将这些特征输入到分类器，实现卫星目标识别。本发明能够充分利用已有的宽带雷达数据，采用GRU神经网络这一深度学习模型来提取雷达HRRP数据的深层次特征，有利于提取出训练数据的有效特征，降低测试数据的搜索范围和计算量，提高了卫星目标识别的精度。

主权项

1.一种基于宽带雷达数据和GRU神经网络的卫星目标识别方法，其特征在于，包括：步骤一、对宽带雷达HRRP数据进行预处理，所述预处理包括包络对齐操作和幅度归一化操作；步骤二、使用目标距离、雷达观测角度信息计算出预处理后的宽带雷达HRRP数据的卫星轨道高度，并依据卫星轨道高度对HRRP数据进行划分，得到不同轨道高度范围的HRRP数据；步骤三、基于不同轨道高度范围的HRRP数据的雷达观测角度，采用聚类方法对HRRP数据进一步划分，得到不同轨道高度范围的多个HRRP数据簇；步骤四、对多个HRRP数据簇中的数据分别构造训练集；步骤五、构建GRU神经网络深度学习模型，所述GRU神经网络深度学习模型由输入层、隐藏层和输出层组成；设计GRU神经网络深度学习模型的网络结构与参数，主要包括隐藏层设计、各层单元数、优化器、损失函数、激活函数和Dropout等；步骤六、将多个HRRP数据簇的训练集分别输入到设计好的GRU神经网络深度学习模型，进行网络的学习训练，得到多个HRRP数据簇对应的训练好的GRU神经网络模型；在训练过程中，预留出用于验证的部分数据，构成验证集；同时，根据训练集和验证集的损失函数值、识别精度的变化值，确定网络训练的迭代次数，当损失函数值和识别精度的变化值在稳定区间时，网络学习训练完成，得到多个HRRP数据簇的GRU神经网络模型；步骤七、将宽带雷达HRRP测试数据按照步骤一进行数据预处理，并依据测试数据的轨道高度和雷达观测角度完成测试数据的匹配对应，确定测试数据所对应的训练数据簇，将测试数据输入到该训练数据簇在步骤六中得到的GRU神经网络模型中，以编码器模块的输出作为测试数据所提取出的特征，将该特征输入到选定的分类器，进行卫星目标识别，同时验证GRU神经网络模型特征学习的效果。