[发明专利]基于谱图切分预处理和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谱图切分预处理和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，然后对样本进行谱图变换，紧接着的CNN层可在保留HRRP样本内所蕴含的序列相关性的同时，提取出HRRP包络中所含的信息，再通过双向RNN对时序相关性建模，提取出其高层次特征，最后通过softmax函数进行目标分类。

技术领域

本发明属于雷达目标识别领域，具体的讲，涉及一种基于谱图切分预处理和卷积神经网络的雷达HRRP目标识别方法。

背景技术

高分辨宽带雷达的距离分辨率远小于目标尺寸，其回波也被称为目标的一维高分辨距离像(High Resolution Range Profile，HRRP)。HRRP中包含了对分类和识别极有价值的结构信息，如目标的径向尺寸、散射点分布等，具有广阔的工程应用前景。因此，基于HRRP的雷达自动目标识别方法逐步成为雷达自动目标识别领域研究的热点。

但传统的识别方法中存在了一些问题，其中包括：(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。基于深度学习的雷达高分辨距离像识别方法大致可分为以下三类：(1)基于编码器-解码器结构的深度学习方法。(2)基于卷积神经网络(CNN)结构的深度学习方法。(3)基于循环神经网络(RNN)的深度学习方法：该方法基于序列相关性进行建模，虽然对物理结构特征进行建模描述，但是存在以下几个问题：(1)HRRP的时域特征在雷达目标分类中是应用最广泛的，但HRRP复回波与目标姿态关系很大，即使目标姿态存在微小的变化，在距离单元边缘的散射点有可能会移动到相邻的数个单元中，这会对HRRP的时域特征产生较大影响；(2)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；(3)单向的RNN在预测时只能利用当前时刻及当前时刻之前的结构信息，无法很好利用HRRP中蕴含的整体结构信息先验。

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谱图切分预处理和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，然后对样本进行谱图变换，紧接着的CNN层可在保留HRRP样本内所蕴含的序列相关性的同时，提取出HRRP包络中所含的信息，再通过双向RNN对时序相关性建模，提取出其高层次特征，最后通过softmax函数进行目标分类。

为解决上述技术问题，本发明采用如下的技术方案：

一种基于谱图切分预处理和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；