[发明专利]基于迁移学习的雷达载频参数变化稳健目标识别方法

说明书

本发明公开了一种基于迁移学习的雷达载频参数变化稳健目标识别方法，主要解决在雷达载频参数变化场景下的运动目标实时识别问题。本发明的实现步骤为：(1)生成训练集；(2)生成微调集；(3)构建自编码器神经网络；(4)构建前馈神经网络；(5)训练自编码器神经网络；(6)训练前馈神经网络；(7)目标识别。本发明利用迁移学习的思想，将特定载频下雷达目标识别学习到的知识迁移到新载频下雷达目标识别学习问题中，利用少量的新载频下的微调数据集对模型进行实时更新，提高了目标识别的实时性和识别准确率。

技术领域

本发明属于雷达技术领域，更进一步涉及雷达目标分类技术领域中的一种基于迁移学习的雷达载频参数变化稳健目标识别方法。本发明可以在雷达载频参数变化的场景下，对空中、地面等运动目标进行实时识别。

背景技术

雷达目标识别是指利用运动目标的雷达回波信号实现对目标类型的判定。现阶段，基于目标回波信号的微多普勒特征是常规窄带雷达实现目标识别的重要方式之一。微多普勒特征的提取主要是通过分析雷达回波中的微多普勒调制特性，从中提取能反映目标自身结构信息的稳定特征，通过对特征进行分析可获得目标尺寸、运动状态、属性等参数的估计，为目标分类或者识别提供基础。现有文献所提出的基于微多普勒特征的分类方法大多都有一个前提假设，即训练样本和测试样本中的雷达工作参数保持不变。而在雷达实际工作情况下，为了提高雷达系统的抗干扰性能以及解决盲速、距离模糊等问题，雷达载频参数和脉冲重复频率参数都会发生变化，这意味着训练样本和测试样本中的雷达工作参数将不匹配。

中国人民解放军信息工程大学在其申请的专利文献“基于雷达时域回波的目标识别特征提取方法”(专利申请号：CN201510458912.8，申请公开号：CN105093199 A)中提出了一种目标识别特征提取方法。该方法的具体步骤是：第一步，对目标回波信号进行去均值和能量归一化等预处理工作；第二步，对高速运动目标进行脉内运动补偿；滤除耦合在雷达回波中的目标速度,距离等非结构属性；第三步，充分利用滤波后信号的幅相信息,提取信号的积谱作为目标的识别特征。该方法充分利用信号的幅相信息，将信号的积谱作为目标的识别特征，由于回波积谱特征没有经过距离压缩，不存在信息量的丢失，可实现窄带雷达对目标的个体识别。但是，该方法仍然存在不足之处是：该方法采用提取信号的积谱特征进行目标识别，积谱特征为人工提取的特征，这种人工提取特征的方法比较依赖人工设计，同时信号的积谱特征仅对目标速度距离等参数稳健，在新的载频下识别时，仍会出现由于模型失配问题，解决模型失配的常规做法是建立各种雷达载频参数下的样本库并分别训练对应的分类模板，根据测试样本的回波信号载频选取合适的分类模板，但是由于开展雷达录取数据实验的成本较高，新载频下的样本数据量较少，同时由于建立模板库方法的灵活性差，无法实时根据载频参数变化对模板库进行更新，因而无法实现对空中、地面等目标的实时识别。

张天翼等学者在其发表的论文“基于微多普勒的窄带雷达目标分类系统设计”(哈尔滨工程大学硕士论文，2019)中提出了一种基于微多普勒特征时频图像特征识别的方法。该方法的具体步骤是：第一步，利用短时傅里叶变化方法对窄带雷达回波信号处理，得到时频图像；第二步，构建并训练CNN-LeNet-5网络；第三步，将时频图像处理后输入CNN-LeNet-5网络,利用Dropout算法减少网络的过拟合情况。该方法相对于传统的人工特征提取方法而言,避免了人为主观干预,实现了特征的自主学习及识别,具备较好的稳定性和较高的识别准确率。但是，该方法仍然存在的不足之处是：该方法虽然可以利用CNN-LeNet-5网络自动选择目标特征并减少模板库的建设代价，但在不同的雷达载频参数下提取到的特征是相同的，由于雷达载频参数变化会影响目标的微多普勒调制效应，从而改变了原有特征在特征空间的散布情况，导致该方法的识别准确率大幅下降。

发明内容

本发明的目的在于针对上述现有技术存在的不足，提出一种基于迁移学习的雷达载频参数变化稳健目标识别方法，用于解决现有技术中由于测试回波信号载频参数变化导致的模型失配，建立模板库的方法实验成本较高、实时性差导致的无法实现对空中、地面等目标的实时识别的问题；以及载频参数变化导致的原有特征在特征空间的散布变化，进而导致识别率下降的问题。