[发明专利]基于二维加权残差卷积神经网络的雷达目标识别方法

说明书

本发明公开了一种基于二维加权残差卷积神经网络的雷达目标识别方法，包括：构造加权残差卷积神经网络；基于Toepliz矩阵将一维雷达频域目标信号构造为二维数据平面；根据信号类别生成训练集；使用加权残差卷积神经网络对训练集数据进行训练，并得到训练后的模型，使用该模型完成雷达目标识别。本发明将原本为一维的地面侦察雷达频域目标信号构造为二维数据平面进行训练，与直接使用一维信号进行训练相比，可训练性大大增强，测试准确率更高；本发明提出了一种加权残差模块，残差结构能够大幅降低运算复杂度并有效地减缓神经网络反向传播过程梯度消失以及梯度爆炸问题。

技术领域

本发明属于雷达目标识别技术，特别是一种基于二维加权残差卷积神经网络的雷达目标识别方法。

背景技术

雷达目标识别是指从雷达接收到的目标反射回波信号中提取具有鲁棒性的目标雷达特征，并利用这些特征自动识别目标的类型或型号的一种技术。进入21世纪，由于现代军事战争环境的复杂，以及敌对目标和任务的多元化，如何在恶劣的环境中及时发现、检测和对目标进行有效识别，是战争制胜的关键所在。雷达作为一种重要的远距离探测传感器，在军事上发挥着重要价值，雷达目标识别技术也已经成为现代军事发展的有力杠杆，更是现代电子战的核心应用。

目前，已经发展出许多自动提取雷达深层特征的目标识别的方法，如支持向量机(SVM)、极限学习机(ELM)。但上述方法仅仅用到了目标的时域特征并且目标识别的准确率较低。

加权残差卷积神经网络由于其良好的迁移性，以及能够提取目标的深层特征，更好地表现目标的本质信息，具有良好的鲁棒性，近年来也被用于雷达目标识别上。

专利申请号为201710838721.3的发明专利公开了一种基于一维卷积神经网络的雷达高分辨距离像目标识别方法，专利申请号为201811405815.2的发明专利公开了一种基于深度残差多尺度一维加权残差卷积神经网络的雷达目标识别方法，上述两个专利的都是使用一维卷积神经网络训练一维雷达频域目标信号来实现目标识别。一维卷积核因受其维度限制，只能横向滑动进行特征提取，无法很好的捕获远距离的相关特征。

发明内容

本发明的目的在于提供一种基于二维加权残差卷积神经网络对地面侦察雷达的目标识别方法，能够提取更多具有相关性的特征，计算效率更高，卷积更充分，提取特征更深。

实现本发明目的的技术解决方案为：一种基于二维加权残差卷积神经网络的地面侦察雷达目标识别方法，包括以下步骤:

步骤1、构造加权残差卷积神经网络，包括十层加权残差模块、五层卷积下采样层、一层最大池化层以及两层全连接层；

步骤2、基于Toepliz矩阵，将一维雷达信号构造成二维数据平面；

步骤3、把上述经过步骤2处理好的数据，按照一定比例生成训练集和测试集；

步骤4、将生成好的训练集放入步骤1构造的网络中进行训练，得到训练后的模型；

步骤5、利用测试集对训练后的模型进行测试。

本发明与现有技术相比，其显著优点为：(1)加权残差卷积神经网络相较于其他的目标识别方法具有提取特征更深，识别能力更强的优势，与地面侦察雷达的契合性好；(2)基于Toepliz矩阵实现了用原始一维地面侦察雷达频域目标信号构造为二维数据平面，极大地提升了地面侦察雷达频域目标信号的识别性能；(3)加权残差模块先使用1×1的卷积核降低输入信号的通道维度以减小计算复杂度，之后分别通过三种不同尺度的卷积核进行特征提取，使得该模块能够提取不同感受野下的特征结构，并使用加权求和的方式进行特征融合，以提取更广泛的特征并减小计算量；同时，加权残差模块能够减小网络的计算量并减缓反向传播过程中梯度消失以及梯度爆炸问题；(4)二维加权残差卷积神经网络相较于一维有卷积性能更强，提取特征更深，学习能力更强的优势。

下面结合附图对本发明作进一步详细描述。

附图说明