[发明专利]一种基于MDR-Net的雷达目标识别系统及方法

说明书

本发明公开一种基于新型MDR‑Net的雷达目标识别算法，包括有雷达数据预处理模块、多维度稀疏性特征提取模块(MDS)、基于MDS模块的多维雷达目标识别网络(MDR‑Net)和分类器模块，所述MDS模块具有很强的对稀疏性数据进行特征提取的能力，并且专门设计加强了非线性，可采用高精度MDS模块(HMDS)，也可采用轻量级MDS模块(LMDS)；基于HMDS或LMDS模块可分别搭建HMDR‑Net或LMDR‑Net，HMDR‑Net识别精度更高，LMDR‑Net可节省大量的计算成本和参数存储空间，更能满足雷达自动目标识别技术对实时性运算的要求，两种MDR‑Net对雷达数据均能实现比传统方法和其他神经网络更高的识别准确率；分类器模块可选择单层或三层的神经网络全连接层或全局平均值池化等方法。

技术领域

本发明属于雷达目标识别领域，尤其涉及一种基于新型MDR-Net的雷达目标识别算法。

背景技术

雷达自动目标识别(Radar Automatic Target Recognition,RATR)技术可以提供目标的属性、类别、型号等关键特征，能全天候的工作并且对雷达传感器的环境变化具有鲁棒性。为从雷达信号中获得目标更丰富的信息，RATR技术越来越着眼于高分辨雷达的研究。合成孔径雷达(Synthetic Aperture Radar,SAR)图像是一种高分辨雷达图像，与高分辨距离像(High Range Resolution Profile,HRRP)相比，其可以提供目标的二维分辨信息，包含目标更丰富的细节特征。传统的雷达目标识别算法如K邻算法(KNN)、支持向量机(SVM)、多任务关系学习(MTRL)等，往往设计难度较高，特征提取及分类器算法的组合繁琐，难以实现很高的识别准确率。此外，多任务学习的思想也广泛应用于RATR技术中。

近年来深度学习不断被应用于雷达目标识别系统中。卷积神经网络是深度学习算法的一种，深度卷积神经网络模型相比较于传统的雷达目标识别算法,不需要人工进行复杂而耗时的特征提取算法设计,只需要设计有效的神经网络模型，而且识别准确度高。申请号为CN201911203317.4、名称为一种基于深度学习的高分辨率雷达目标识别算法的发明专利申请提出了一种VGG-Inception雷达目标识别网络，基于VGG网络融合了Inception模块，这种结构增强了网络提取雷达稀疏数据特征的能力，但是还存在特征提取和学习能力不够强，网络参数量和计算量比较多的不足。因此，研制一种高性能，高稳定性，低计算成本的雷达目标识别系统已成为急需。

发明内容

本发明的目的是提供一种高分辨率雷达目标识别系统，相比传统方法，能够对高分辨率雷达信号实现极高的识别准确度，同时省去人工提取特征和人为选择分类器的步骤，克服了传统方法中特征提取和分类困难的问题，参数量更低，实时性更好。在雷达目标识别领域，传统的深度神经网络算法可能会失效。这是因为每个雷达样本数据量较少，尤其HRRP是一维数据，数据量明显少于传统图像数据量；同时雷达数据收集比较困难，难以有效训练深度学习模型。基于此，深层神经网络的下采样层对于雷达数据来说过多了，这会使得算法失效。

本发明提出的解决方法是设计了多维度稀疏性特征提取模块(Multi-dimensional sparse feature extraction module，MDS)，具体包括高精度MDS模块(High-precision multi-dimensional sparse feature extraction module，HMDS)和轻量级MDS模块(Lightweight multi-dimensional sparse feature extraction module，LMDS)。进而采用一种新的基于MDS模块的卷积神经网络结构MDR-Net实现高分辨雷达目标识别，具体包括基于HMDS模块的HMDR-Net和基于LMDS模块的LMDR-Net。MDR-Net的可有多种网络深度和结构。本发明提出的雷达目标识别算法包括：雷达数据预处理模块；雷达目标识别模块和分类器模块。