[发明专利]基于EWC的在线雷达目标识别方法

说明书

本发明公开了一种基于EWC的在线雷达目标识别方法，属于雷达技术领域，其主要思路为：确定第p批原始雷达高分辨距离像训练数据S_p的目标类别l_p和第p批原始雷达高分辨距离像测试数据T_p的目标类别Tl_p；p＝1,2,…,P，P1；建立卷积神经网络模型，得到训练好的卷积神经网络；然后得到S_p中m个数据的Fisher信息矩阵；确定第1批原始雷达高分辨距离像测试数据T₁的目标类别Tl₁至第P批原始雷达高分辨距离像测试数据T_P的目标类别Tl_P，以及第1批原始雷达高分辨距离像测试数据的预测目标类别l′₁至第P批原始雷达高分辨距离像测试数据的预测目标类别l′_P；进而得到第1个类别识别正确目标至第个类别识别正确目标，将此时得到的个类别识别正确目标为一种基于EWC的在线雷达目标识别结果。

技术领域

本发明属于雷达技术领域，特别涉及一种基于EWC的在线雷达目标识别方法，即基于弹性权重巩固(Elastic Weight Consolidation,EWC)的在线雷达目标识别方法，适用于在线学习雷达目标识别任务。

背景技术

随着现代战争先进技术的发展，雷达目标识别技术的需求愈加强烈；雷达高分辨距离像(High Resolution Range Profile，HRRP)是用宽带雷达信号获取的目标散射点子回波在雷达射线上投影的向量和的幅度波形，高分辨距离像HRRP样本反映着在一定雷达视角时，目标上散射体(如机头、机翼、机尾方向舵、进气孔、发动机等等)的雷达散射截面积(RCS)沿雷达视线(RLOS)的分布情况，体现了散射点的相对几何关系；因此，HRRP样本包括了目标丰富的结构信息，比如目标尺寸，散射点结构等，对目标识别与分类很有价值。

基于深度学习的目标检测方法近年来发展十分迅速，卷积神经网络作为深度学习中的一种，成为当前语音分析和图像识别领域的研究热点，卷积神经网络的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量，其优点在网络的输入是多维图像时表现的更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程；卷积网络是为识别二维形状而特殊设计的一个多层感知器，这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性。

目前，由于雷达的特殊性，需要在线对不断获取的数据进行识别；随着数据的增加，许多算法在对新数据的训练识别过程中会对以往的数据特征产生遗忘，导致对以往数据的识别能力迅速下降。

发明内容

针对上述现有技术存在的不足，本发明的目的在于提出一种基于EWC的在线雷达目标识别方法，该种基于EWC的在线雷达目标识别方法利用高分辨距离像HRRP对目标的特征进行提取和识别，特别是利用弹性权重巩固(Elastic Weight Consolidation,EWC)来防止当前数据训练过程中对以往数据特征的遗忘，使得雷达在对当前数据训练识别的同时还能保证对以往数据的识别能力，并且保留以往数据的特征。

本发明的技术思路：通过HRRP数据集进行短时傅里叶变换后的数据，训练端到端的卷积神经网络模型，并在每批数据训练中加入EWC提高网络模型对数据特征的记忆能力，保证对当前数据识别能力的同时保持对以往数据特征的识别能力。

为达到上述技术目的，本发明采用如下技术方案予以实现。

一种基于EWC的在线雷达目标识别方法，包括以下步骤：

步骤1，确定第p批原始雷达高分辨距离像训练数据S_p和第p批原始雷达高分辨距离像测试数据T_p，以及确定第p批原始雷达高分辨距离像训练数据S_p的目标类别l_p和第p批原始雷达高分辨距离像测试数据T_p的目标类别Tl_p；p＝1,2,…,P，P＞1；