[发明专利]基于姿态自适应卷积网络的高分辨距离像目标识别方法

说明书

本发明公开了一种基于姿态自适应卷积网络的高分辨距离像目标识别方法，其步骤为：(1)构建姿态自适应卷积网络；(2)生成训练数据集和辅助数据集；(3)对训练数据集进行预处理；(4)生成自适应卷积核；(5)训练姿态自适应卷积网络；(6)目标识别。本发明通过构建姿态自适应卷积网络，利用目标高分辨距离像回波与目标姿态角信息训练网络，能够有效地解决高分辨距离像回波姿态敏感性问题。而且本发明构造的网络是一种端到端的模型，易训练和使用，识别性能更高，收敛速度更快。

技术领域

本发明属于雷达技术领域，更进一步涉及雷达自动目标识别RATR技术领域中的一种基于姿态自适应卷积网络的高分辨距离像目标识别方法。本发明可以针对高分辨距离像姿态敏感性的问题，对空中、地面运动的不同目标进行实时识别。

背景技术

高分辨距离像是用宽带雷达获取的目标散射点子回波在雷达射线上投影的向量和，它提供了目标散射点沿距离方向的分布情况，是目标重要的结构特征，对于目标识别很有价值。但是目标的高分辨距离像对目标的姿态角非常敏感，通常只能在一定的小范围内进行松弛，当运动目标的姿态角发生变化时，雷达接收到的高分辨距离像的幅度与相位均会产生明显变化，增大了高分辨距离像目标识别难度，降低了目标识别的准确率。

厦门大学在其申请的专利文献“基于深度迁移学习的直推式雷达高分辨距离像识别方法”(专利申请号：CN201810932270.4，申请公开号：CN109117793 A)中提出了一种雷达高分辨距离像识别方法。该方法的具体步骤是：第一步，对真实目标信号与辅助仿真数据进行预处理；第二步，利用训练数据集训练深度模型；第三步，采用域适应的方法将直推式迁移学习策略引入深度学习。该方法有效提高样本量少、姿态非完备的雷达高分辨距离像的识别性能，考虑到了高分辨距离像的姿态敏感性问题。但是，该方法仍然存在的不足之处是：该方法利用将直推式迁移学习策略引入深度学习，在训练和测试过程操作流程复杂，需要较多的处理时间，导致该方法在实时性方面的性能较差。

西安电子科技大学在其申请的专利文献“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：CN201710838721.3，申请公开号：CN107728143 A)中提出了一种雷达高分辨距离像目标识别方法。该方法的具体步骤是：第一步，确定Q个不同雷达，并获取Q个不同雷达的高分辨雷达回波；第二步，从Q个不同雷达的高分辨雷达回波中获取Q类高分辨距离成像数据，并将Q类高分辨距离成像数据分为训练样本集和测试样本集，然后对样本集进行预处理；第三步，设定一维卷积神经网络模型，利用训练样本集训练模型，得到训练好的卷积神经网络；第四步，使用测试样本集对训练好的卷积神经网络进行目标识别，得到基于一维卷积神经网络的雷达高分辨距离像目标识别结果。该方法可以采用多层卷积神经网络结构进行雷达高分辨距离像目标识别，但是，该方法仍然存在的不足之处是：由于高分辨距离像对姿态角非常敏感，通常只能在一定的范围内进行松弛敏感性，但该方法同时训练目标在不同姿态角下的数据，利用端到端的学习方法，训练一个固定模型，该模型无法根据输入目标回波信号具体的姿态角对模型结构进行调整，对比考虑了目标姿态信息的多模型结构，不能有效的解决雷达高分辨距离像的姿态敏感性问题，识别性能下降。

发明内容

本发明的目的是针对上述现有技术存在的不足，提出了一种基于姿态自适应卷积网络的高分辨距离像目标识别方法，用于解决现有技术中简单卷积神经网络模型无法考虑雷达高分辨距离像的姿态信息对识别的影响，复杂模型不能满足目标识别实时性要求的问题。

实现本发明目的的思路是，为有效利用目标回波信号的领域知识中的姿态角信息，通过构造姿态自适应卷积核生成子网络，利用目标姿态角信息生成自适应卷积核，不同的姿态信息会产生不同的自适应卷积核，通过自适应卷积核引入姿态信息对目标回波识别的影响；通过构造回波特征提取子网络对目标回波进行特征提取，将姿态角信息生成自适应卷积核作为回波特征提取子网络的卷积核，将两个网络之间建立联系，构成一个端到端的姿态自适应卷积网络，容易训练，操作简单，满足实时性的要求。

本发明实现的具体步骤包括如下：