[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

说明书

本发明公开了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，属于雷达与人工智能领域，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；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；本发明解决了现有技术无法对雷达未知目标进行准确识别的问题。

技术领域

本发明涉及雷达与人工智能领域，具体涉及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。

背景技术

典型雷达未知目标识别的方法：

A、基于目标聚类的方法：在获得雷达目标信号之后，对雷达数据进行预处理获得其特征数据，通过聚类的方法，在聚类空间中，将同属于一类的雷达目标信号聚集，不同类的雷达目标信号远离。

B、基于神经网络特征提取的方法：在获得雷达目标信号之后，对雷达数据进行预处理送入神经网络进行特征提取，获得高维向量。对高维向量进行分析，获得每一类雷达信号的特征数据，通过比较距离等相似度判决的方法区分已知与未知目标。

典型雷达未知目标识别方法存在的缺点

A、基于目标聚类的方法：目前雷达主要以多功能雷达为主，同一类雷达也会有不同工作模式，其信号特征也各不相同，对雷达数据进行预处理无法有效获得同一类雷达的典型特征数据。通过聚类的方法，在聚类空间中，也会将同一类雷达信号分成多类，无法达到聚类的目的。且该方法对目标数据量要求过大，在接收到较少数据时，聚类效果不明显。

B、基于神经网络特征提取的方法：该方法很大程度依赖于神经网络的构造，且需要对损失函数进行针对性的设计，对提取出来的特征向量也要通过降维等方法来确定判决门限，识别效果的好坏受到以上多方面的影响。

发明内容

针对现有技术中的上述不足，本发明提供的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解决了现有技术无法对雷达未知目标进行准确识别的问题。

为了达到上述发明目的，本发明采用的技术方案为：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，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；

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。

进一步地，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；