[发明专利]基于N2N和Bert的雷达HRRP目标识别方法

说明书

本发明公开了一种基于N2N和Bert的雷达HRRP目标识别方法，包括以下步骤：S1，收集数据并划分训练集和测试集，通过雷达采集的HRRP数据，需要对每个类别进行采样，分别选出训练集和测试集，之后进行合并，保证每个类别的数据形式都有被采样到；S2，用N2N模块进行降噪；S3，经过N2N模块的数据，经过卷积神经网络模块提取，调整下通道数，以便输入到Bert模型中；S4，用Bert处理CNN提取的有效特征，提取更加深层的特征；S5，在分类层对特征进行分类；S6，将经过S1处理后的HRRP测试集送入S5步骤中已训练完成的模型中进行测试。

技术领域

本发明属于雷达目标识别技术领域，具体涉及一种基于N2N和Bert的雷达HRRP目标识别方法。

背景技术

一维高分辨距离像(HRRP)是高分辨宽带雷达对目标的回波。高分辨宽带雷达的距离分辨率远远小于目标尺寸，其雷达目标回波信号往往存在多样性和敏感性的特点，导致其特征难以捕捉与区分。在雷达目标识别领域，HRRP中包含了对分类和识别极其重要的物理结构信息，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。

随着人工智能的发展，深度学习的方法逐渐被应用到了雷达目标识别中。基于监督学习的方法可以自动的提取训练数据的可分性特征，主要可以分为循环神经网络深度学习法，卷积神经网络深度学习法和编码器-解码器的方法。第一种方法采用的是时域切分法，使得特征高度冗余，无法高效利用先验信息，后两种方法可以对HRRP数据整体包络信息进行有效提取，但忽略了序列相关性，没有充分利用HRRP数据中的时序信息。

深度学习的方法大大提高了HRRP目标识别的准确率和鲁棒性，但是在噪声环境下，由于噪声对数据的影响十分大，许多深度学习方法的识别率和鲁棒性还有待提高。在噪声环境下的HRRP目标检测任务有待进一步研究。

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N2N和Bert的雷达目标识别方法，提出了一种基于N2N和Bert的雷达HRRP目标识别框架，先对数据进行预处理，降低敏感性，通过N2N网络对数据进行降噪，再通过卷积神经网络提取局部特征和结构信息，再通过Bert提取深层特征，时序特征，最后采用注意力机制，并且使用softmax进行目标识别。

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N2N和Bert的雷达HRRP目标识别，包括以下步骤：

S1，收集数据并划分训练集和测试集，通过雷达采集的HRRP数据，需要对每个类别进行采样，分别选出训练集和测试集，之后进行合并，保证每个类别的数据形式都有被采样到。训练集和测试集比例保持在7:3，将训练数据集记为D＝{(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，进行数据预处理，包括强度归一化和重心对齐；

S2，用N2N模块进行降噪；

S3，经过N2N模块的数据，经过卷积神经网络模块提取，调整下通道数，以便输入到Bert模型中；

S4，用Bert处理CNN提取的有效特征，提取更加深层的特征；

S5，在分类层对特征进行分类；

S6，将经过S1处理后的HRRP测试集送入S5步骤中已训练完成的模型中进行测试。

优选地，S1中，进行数据预处理，具体步骤如下：