[发明专利]基于卷积神经网络的空间目标多模式雷达分类方法

权利要求书

1.基于卷积神经网络的空间目标多模式雷达分类方法，其特征在于，包括以下步骤：

步骤1，建立进动空间目标的微多普勒频率及基频回波模型；

步骤2，根据进动空间目标基频回波模型，获得进动空间目标的一维距离像和时频谱图；从而得到进动空间目标的多模式数据样本库；

步骤3，构建基于空域图像融合的卷积神经网络，即特征提取网络及分类网络；

步骤4，对多模式数据样本库中的数据进行预处理，得到预处理后的多模式数据；将预处理后的多模式数据划分为训练集和测试集，利用训练集对基于空域图像融合的卷积神经网络进行优化；采用优化后的基于空域图像融合的卷积神经网络对测试集进行目标分类，输出对应类别。

2.根据权利要求1所述的基于卷积神经网络的空间目标多模式雷达分类方法，其特征在于，步骤1包含以下子步骤：

子步骤1a，建立进动空间目标的运动模型，获得进动空间目标的距离函数；

子步骤1b，根据所述进动空间目标的距离函数，获得雷达观测下进动空间目标的相位函数，进而计算进动空间目标的微多普勒频率；

子步骤1c，基于物理光学法，计算进动空间目标的雷达目标截面积函数；

子步骤1d，设置雷达发射信号类型，根据所述进动空间目标的相位函数和雷达目标截面积函数，构建进动空间目标的基频回波模型。

3.根据权利要求2所述的基于卷积神经网络的空间目标多模式雷达分类方法，其特征在于，所述建立进动空间目标的运动模型，获得进动空间目标的距离函数；其中，进动空间目标为在空间进行进动的目标，当目标进行进动时，同时具有自旋和圆锥运动两种运动形式；即进动空间目标在围绕自身对称轴进行自旋的同时，还围绕一个与自身对称轴相交的轴进行圆锥运动；具体为：

首先，建立全局坐标系OXYZ，参考坐标系O′X′Y′Z′以及局部坐标系Qxyz；其中，全局坐标系是三维空间中固定的坐标系，雷达位于原点；参考坐标系的三个轴与全局坐标系平行，其原点为目标的质心；局部坐标系的原点与参考坐标系相同，跟随目标一起运动；

其次，设进动空间目标在参考坐标系中绕X′、Y′和Z′轴的初始转角分别为α、β和γ，目标上任一点P在局部坐标系中的位置为r_p＝(x_p,y_p,z_p)^T，则经过初始旋转后，点P在参考坐标系中的位置表示为R_Init·r_p；

其中，R_Init＝R_x·R_y·R_z为初始旋转矩阵，R_x、R_y和R_z分别为目标绕x、y和z轴的初始旋转矩阵，即

再次，设目标在本地坐标系中的自旋角速度为w_s＝(w_sx,w_sy,w_sz)^T，w_sx、w_sy和w_sz分别为x、y和z轴上的自旋角速度分量，Ω_s＝||w_s||为标量自旋角速度，||·||为取范数操作，则目标在t时刻的自旋矩阵为：

其中，I为单位矩阵，为目标自旋的斜对称矩阵，即

最后，设进动空间目标在本地坐标系中的圆锥运动角速度为w_c＝(w_cx,w_cy,w_cz)^T，w_cx、w_cy和w_cz分别为目标在x、y和z轴上的圆锥运动角速度分量，Ω_c＝||w_c||为标量圆锥运动角速度，则目标在t时刻的圆锥运动矩阵为：

其中，为目标圆锥运动的斜对称矩阵，即

因此，目标上任一点P在全局坐标系中的距离函数表示为：

R(t)＝r₀+R_s·R_c·R_Init·r_p

其中，r₀为全局坐标系原点到参考坐标系原点的矢量。