[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

说明书

本发明公开了一种基于卷积神经网络的空间目标多模式雷达分类方法，属于雷达信号处理技术领域；本发明建立了进动空间目标的微多普勒频率及雷达回波模型，进而基于一维距离像和时频谱图进行多模式数据库的构建；此外，设计了基于空域图像融合的卷积神经网络，用于融合空间目标的多模式雷达数据从而进行目标分类，可弥补现有方法目标特征库不完备、网络参数不共用以及不易扩展的不足，对于不同的多模式雷达数据，网络特征提取及融合的参数完全共用，降低了网络结构的复杂度和网络的计算量，为基于雷达数据的空间态势感知、多信源雷达数据融合以及空间目标分类奠定了一定的基础。

技术领域

本发明属于雷达信号处理技术领域，尤其涉及基于卷积神经网络的空间目标多模式雷达分类方法，用于融合空间目标的多模式雷达数据，增强空间目标雷达特征的差异性，从而提升空间目标的分类效果。

背景技术

雷达因其可全天时、全天候工作的优点，在国防军事(战场侦察和态势跟踪等)、国民经济(如交通运输、气象预报和资源探测等)和科学研究(如航天、大气物理和天体研究等)领域都得到了广泛的应用。

随着算法和硬件的发展，深度学习方法，尤其是卷积神经网络逐渐应用于目标分类领域。卷积神经网络以其良好的空间特征提取和自学习能力不断提升目标分类的精度。在基于仿真的雷达数据的目标分类方面，G.Qing等人提出了基于极化距离矩阵和卷积神经网络的简单散射体(圆锥、柱锥和球锥目标)分类方法，在无噪声条件下分类精度达100％，然而缺乏低信噪比下的实验分析。在基于实测雷达数据的目标分类方面，J.Wang等人提出了基于卷积神经网络的地面目标去噪和分类方法，并利用MSTAR(Mobile Surveillanceand Target Acquisition Radar)数据对地面目标进行了分类，分类精度达82％。然而，雷达多模式数据融合方法可以进一步提升分类效果，且模型在低信噪比条件下的表现更具鲁棒性。

由于雷达回波数据特征和录取方式的多样性，为了形成对目标清晰、完整和准确的信息描述，从而提升目标分类的精度，基于特征融合与图像融合的雷达目标分类方法吸引了越来越多的注意与研究。在特征融合方面，B.Ding等人提出了基于全局特征和局部特征的分类网络；为降低融合后特征矩阵引发的计算量激增，D.Karimi等人提出了一种RS-LDASR(Random Subspace-Linear Discriminant Analysis and Sparse Regularization)特征选择算法。然而，基于特征融合的分类方法，需要人工提取和选择最具可分性的特征，对先验知识的要求较高。在图像融合方面，多信源数据的选择和融合网络的设计是主要的研究方法。其中，选择不同信源的数据将决定网络学习到何种特征，而融合网络的设计将决定网络学习到目标的何种尺度的特征，同时决定了网络的复杂度。N.Wang等人基于卷积神经网络分别提取了SAR(Synthetic Aperture Radar)强度图和梯度图的特征向量，将二者的特征向量融合为新的多通道特征图从而提升目标分类精度。然而，当扩展至更多信源融合时，需要重新设计更为复杂的网络，且网络参数量将急剧上升。Z.Chen等人将多基地雷达接收到的回波分别进行特征提取，并将提取处的特征向量进行融合后用于分类，然而该方法并没有完全共用信源间特征提取网络的参数，使得基于多基地雷达接收数据的分类精度较低。

发明内容

为了解决上述问题，本发明的目的在于提供基于卷积神经网络的空间目标多模式雷达分类方法，本发明建立了空间目标的微多普勒频率及雷达回波模型，进而基于一维距离像和时频谱图进行多模式数据库的构建；此外，设计了基于空域图像融合的卷积神经网络，用于融合空间目标的多模式雷达数据从而进行目标分类，可弥补现有方法目标特征库不完备、网络参数不共用以及不易扩展的不足，为基于雷达数据的空间态势感知、多信源雷达数据融合以及空间目标分类奠定了一定的基础。