[发明专利]一种针对复杂动态多目标微动信号智能处理方法及系统

说明书

本发明公开一种针对复杂动态多目标微动信号智能处理方法及装置，该方法步骤包括：S1.获取对多目标检测的雷达回波并转换为二维的时频图像；S2.对时频图像中多目标的多模态微动曲线进行目标级分离，分离出各单目标微动曲线；S3.对各单目标微动曲线中所包含的各模态微动信号进行解耦，分解得到各模态微动信号；S4.对分解得到的各模态微动信号进行微动特征提取，并使用预先基于深度学习神经网络模型训练好的分类器对提取到的微动特征进行识别。本发明具有实现方法简单、能够实现动态多目标微动特征的提取以及分类识别，且分类识别精度高、鲁棒性好等优点。

技术领域

本发明涉及雷达目标特性检测技术领域，尤其涉及一种针对复杂动态多目标微动信号智能处理方法及系统。

背景技术

雷达微多普勒效应就是指由目标微动对回波信号附加的频率调制。目标微动包括目标的进动、章动，以及目标结构部件的旋转、摆动等。作为一种重要的目标特性，微动特征在雷达目标探测与目标识别领域具有很高的军用和民用价值，可有效提取地面目标、空中目标的运动特性和结构特征。随着ISAR(逆向合成孔径)雷达分辨力的提升，使用多普勒雷达进行目标微动特征的提取和精细化判读已经成为了当前研究的热点。而由于在复杂动态多目标背景下，多目标、多模态产生的微多普勒信息会在分析带宽内产生严重混叠，在复杂动态多目标背景要实现目标微动特征的识别、解耦、分类处理目前仍然是充满挑战的前沿课题。

目前能够针对动态多目标背景实现目标微动特征的有效识别的研究方案较少，这其中关键的多分量微多普勒信号解耦方法的分离效果通常都需要依赖于预先选定的参数和图像骨架质量，并且存在泛化困难的问题。

作为机器学习领域的一个新研究方向，深度学习可以从大量的输入数据中自学习有效的特征表示，从而自主提取有效的特征表示。利用深度学习技术，直接基于数据驱动实现对于微动特征的提取和分类具有广阔的应用前景。针对微动目标特性，目前通常是仅是直接使用深度学习网络方法来识别特定的单一目标特征，而动态多目标产生的微多普勒信息会在分析带宽内产生严重混叠，直接使用该类单一的深度学习网络方法要实现动态多目标的微动信号分类，不仅分类实现复杂，而且分类精度不高以及鲁棒性不强，尤其是在强噪声背景下识别率会迅速下降。

发明内容

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种实现方法简单、能够实现动态多目标微动特征的提取以及分类识别，且分类识别精度高、鲁棒性好的针对复杂动态多目标微动信号智能处理方法及系统。

为解决上述技术问题，本发明提出的技术方案为：

.一种针对复杂动态多目标微动信号智能处理方法，步骤包括：

S1.雷达信号处理：获取对多目标检测的雷达回波并转换为二维的时频图像；

S2.曲线分离：对所述时频图像中多目标多模态微动曲线进行目标级分离，分离出各单目标微动曲线；

S3.微动信号解耦：对各所述单目标微动曲线中所包含的各模态微动信号进行解耦，分解得到各模态微动信号；

S4.微动特征识别：对分解得到的所述各模态微动信号进行微动特征提取，并使用预先基于深度学习神经网络模型训练好的分类器对提取到的微动特征进行识别。

进一步的，所述步骤S1的步骤包括：

S101.对接收到的雷达回波信号做dechirp(去调频)处理生成参考信号；

S102.将接收到的所述雷达回波信号与生成的所述参考信号在频域做脉冲压缩处理，形成目标一维距离像；

S103.对目标进行连续观测，将连续观测中得到的一系列所述一维目标距离像按时间顺序排列，形成所述时频图像。

进一步的，所述步骤S2的步骤包括：