[发明专利]基于多尺度卷积神经网络的雷达HRRP目标识别方法

说明书

本发明公开了一种基于多尺度卷积神经网络的雷达HRRP目标识别方法，该方法首先进行预处理降低HRRP样本中的敏感性，然后后接的多尺度卷积神经网络可在保留HRRP样本内所蕴含的序列相关性同时，提取出HRRP包络中所含的信息，最后采用基于RNN的深度学习方法进行目标识别：该方法基于序列相关性进行建模，对物理结构特征进行建模描述，最后通过softmax进行分类识别。

技术领域

本发明属于雷达目标识别领域，具体的讲，涉及一种基于多尺度卷积神经网络的雷达HRRP目标识别方法。

背景技术

雷达是一种无线电探测电子设备，它通过无线电波的后向散射回波来发现目标并测定其空间方位、大小以及形状等信息，具有全天时、全天候以及探测距离远等优势，雷达成为探测战场周围环境的重要工具，在军事领域中具有举足轻重的作用，这一背景下，雷达自动目标识别技术作为雷达应用的重要方向便应运而生了。

传统方法中存在了一些问题，包括：(1)特征提取的方式大多是无监督且有损的，这意味着基于变换的特征提取方法不能很好地将目标关注于寻找最大可分性特征上，可分性的信息将不可避免地在特征提取的过程中损失掉一部分，不利于后端分类器的识别。(2)特征提取方法的选择高度依赖于研究人员对于HRRP数据的认知和经验的积累，在某些缺乏先验信息的情况下难以达到令人满意的效果。

为了解决传统方法在特征提取上存在的问题，近年来，基于深度学习的方法被引入到了雷达目标识别领域之中。深度学习可基于监督学习方法自动地提取样本的可分性特征，改善了传统模型在特征提取方面的不足。但通常用到的基于编码器-解码器结构或是基于卷积神经网络的结构都是前馈网络，前馈网络在通过卷积操作后仍然可以保持原先的位置关系，但它最大的劣势是当样本中包含时间顺序信息时，它不会去考虑序列中的信息，因为样本的处理在各个时刻是独立的。

用基于循环神经网络(RNN)的深度学习方法可以改善HRRP时序信息不能被提取处理的问题：该方法基于序列相关性进行建模，对物理结构特征进行建模描述，但还存在一个问题：对HRRP的局部性的强度信息采用原始的时域切分方法，得到的特征存在高度冗余性，给后续RNN建模带来困难；虽然CNN可以代替时域切分法对样本进行处理，但当层数变多时，前层的信息可能会丢失，不能被很好的利用起来。

发明内容

鉴于以上存在的技术问题，本发明用于提供一种基于多尺度卷积神经网络的雷达HRRP目标识别方法，该方法首先进行预处理降低HRRP样本中的敏感性，然后后接的多尺度卷积神经网络可在保留HRRP样本内所蕴含的序列相关性同时，提取出HRRP包络中所含的信息，最后采用基于RNN的深度学习方法进行目标识别：该方法基于序列相关性进行建模，对物理结构特征进行建模描述，最后通过softmax进行分类识别。

为解决上述技术问题，本发明采用如下的技术方案：

一种基于多尺度卷积神经网络的雷达HRRP目标识别方法，包括以下步骤：

S1，采集数据集，将雷达采集到的HRRP数据集依据目标的种类进行合并，每种种类的样本分别在不同的数据段里选择训练样本和测试样本，在训练集和测试集的选取过程中，保证所选取的训练集样本与雷达所成姿态涵盖测试集样本与雷达所成的姿态，各类目标训练集和测试集样本数的比例为8:2，将挑选的数据集记作T＝{(x_i,y_k)}_{i∈[1,n],k∈[1,c]}，其中x_i表示第i个样本，y_k表示样本属于第k类，一共采集了c类目标，n表示样本总数；

S2，对经过S1所提取数据集中的样本做预处理；

S3，用多尺度卷及神经网络对预处理后的样本进行特征提取；

S4，设计识别网络RNN；

S5，对由S1采集到的测试数据进行训练阶段的步骤S2预处理操作；