[发明专利]基于辐射源特征子空间知识的未知雷达目标识别方法

权利要求书

1.一种基于辐射源特征子空间知识的未知雷达目标识别方法，其特征在于，包括以下步骤：

S1、采用已知雷达目标数据构建训练集，采用训练集对分类识别模型进行训练，得到训练完成的分类识别模型；

S2、获取训练完成的分类识别模型对输入的雷达目标测试样本处理输出的高维特征向量，基于高维特征向量，构建中心矩阵，对中心矩阵进行奇异值分解，得到零值域子空间；

S3、计算测试样本在值域子空间与零域子空间的投影的向量长度的比值，确定判决门限；

所述步骤S3包括以下分步骤：

S31、将已知雷达的测试样本输入训练完成的分类识别模型，得到已知雷达对应的高维特征向量；

S32、将步骤S31中每一个高维特征向量投影至零值域子空间，并计算投影到值域子空间与零域子空间的向量的长度的比值，其计算公式为：

a∈R^1×nv₁∈R^n×mv₂∈R^n×(n-m)

其中，ζ₁为测试样本对应的比值，a为步骤S31中测试样本通过分类识别模型获得的高维特征向量，v₁为值域子空间，v₂为零域子空间，|| ||²为向量的二范数，n为训练完成的分类识别模型输出的高维特征向量的维度，m为已知雷达目标的种类数；

S33、统计已知雷达目标的比值范围，确定判决门限；

S4、基于判决门限，判断新的待识别的雷达目标属于已知的雷达目标或未知的雷达目标。

2.根据权利要求1所述的基于辐射源特征子空间知识的未知雷达目标识别方法，其特征在于，所述步骤S1中分类识别模型包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第一全连接层、第二全连接层、第三全连接层和softmax层；

所述输入层的数据维度为100*100*3；

所述第一卷积层、第二卷积层和第三卷积层的卷积核大小均为3*3，深度均为32；

所述第一卷积层、第二卷积层和第三卷积层用于在实施过程中均采用0填充方式，以步长为1不断地移动卷积核得到相应感受野的特征信息，并将特征信息进行组合；

所述第一池化层、第二池化层和第三池化层均为最大池化层，最大池化层的核尺寸为2*2；

所述第一池化层、第二池化层和第三池化层用于在实施过程中采用0填充的方式，以步长为2进行移动。

3.根据权利要求1所述的基于辐射源特征子空间知识的未知雷达目标识别方法，其特征在于，所述步骤S1中训练完成的分类识别模型包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第一全连接层、第二全连接层和第三全连接层。

4.根据权利要求3所述的基于辐射源特征子空间知识的未知雷达目标识别方法，其特征在于，所述第一全连接层、第二全连接层和第三全连接层的结构均为：每个输入节点分别与每一个输出节点连接，其具体表达式为：

其中，c_i为第i个输出节点的值，n为输入节点的数量，w_ik为第k个输入节点和第i个输出节点的连接权重，a_k为第k个输入节点的输入值，b_i为第i个输出节点的偏置，σ()为激活函数。

5.根据权利要求1所述的基于辐射源特征子空间知识的未知雷达目标识别方法，其特征在于，所述步骤S2中包括以下分步骤：

S21、采用训练完成的分类识别模型对每一个已知雷达目标测试样本进行处理，得到高维特征向量；

S22、记录所有已知雷达目标测试样本经训练完成的分类识别模型进行处理后的高维特征向量；

S23、计算步骤S22中每个高维特征向量的中心值；

S24、将每个中心值组成中心矩阵，对中心矩阵进行奇异值分解，得到零值域子空间。