[发明专利]海面目标一维距离像降噪卷积神经网络识别方法

说明书

本发明公开了一种海面目标一维距离像降噪卷积神经网络识别方法，属于雷达信号处理领域。针对低信噪比条件，合理地对原始HRRP数据进行预处理，构建不同信噪比条件下的多类海面目标数据集，利用深度学习技术构建了一维降噪卷积神经网络，在保持高信噪比数据无波动的基础上，提升了低信噪比数据的信噪比，利用卷积神经网络的残差结构，减轻深层次神经网络的学习负担，进而构建了集降噪分类一体化的智能海面目标分类识别模型，提升了海面目标的识别正确率，改善了低信噪比条件下的海面目标识别性能，增强了对海雷达在复杂海面环境下的分类识别能力，具有推广应用价值。

技术领域

本发明隶属于雷达信号处理领域，具体涉及一种海面目标一维距离像降噪卷积神经网络识别方法。

背景技术

可靠的海面目标识别方法对海上目标侦察各环节都十分重要。目前，高分辨宽带雷达技术已经广泛应用于目标识别领域，高分辨一维距离像(HRRP)表征了散射中心沿雷达视线方向的分布情况，包含了目标的结构特征，因其易于获取和处理等优势，在雷达海面目标识别领域中有着重要作用。

现已有多种HRRP目标识别方法，如基于子空间的HRRP目标识别算法、基于散射中心模型的HRRP雷达目标识别方法等。其中，基于子空间的识别算法中，针对非线性问题，需利用核函数先升维再降维提取特征信息，而核函数中存在许多人为设计的参数，其参数的选取是否合理将直接影响目标识别效果；基于散射中心模型的识别算法中，需要依据各散射中心提取目标的特征信息进行分类识别。然而在实际雷达探测过程中，海面环境复杂多变，获得HRRP的信噪比往往较低，这一问题在远距离探测场景中尤为突出，低信噪比会对前述的两种特征信息提取方式产生较大影响，导致其识别精确度和鲁棒性都面临着极大的挑战。而人工智能中的深度学习技术可以自动提取目标本质特征，这种端到端的学习方式在提升海面目标识别的精确性、鲁棒性和智能性等方面具有潜在优势。

针对海面目标识别可能同时面临高信噪比和低信噪比的复杂情况，如何在保持高信噪比条件下目标识别正确率的基础上，提升低信噪比条件下的海面目标识别正确率，是提升复杂海面环境下目标识别能力的关键，也是海面目标HRRP识别技术的研究重点之一。

发明内容

针对低信噪比条件，如何合理地对原始HRRP数据进行预处理，构建不同信噪比条件下的多类海面目标数据集，并利用深度学习技术构建一维降噪卷积神经网络(DnCNN)，在保持高信噪比数据基本无波动的前提下，降低低信噪比数据中噪声的不利影响，减轻深层次神经网络的学习负担，进而构建集降噪分类一体化的海面目标HRRP智能分类识别模型，进一步提升低信噪比条件下的海面目标识别正确率，避免人为因素影响，提高对海雷达在复杂海面环境下的分类识别能力和鲁棒性。

本发明所述海面目标一维距离像降噪卷积神经网络识别方法包括以下步骤：

步骤1针对海面目标识别需求，获取多种典型海面环境下的含噪目标HRRP数据，对目标HRRP数据进行加噪和距离平移扩充，对扩充后的数据集按固定比例构建模型的训练集和测试集；接着根据海面目标HRRP的特性，将HRRP转变为二维图像，根据HRRP信息赋予二维图像坐标轴物理含义，便于提取不同的特征信息；具体步骤包括：

为更加贴近真实海面环境，首先对数据进行加噪处理，添加不同信噪比的随机噪声来模拟不同情况下的海面环境，同时为满足具有深层次特征信息自主学习能力的海面目标分类识别模型对数据集的要求，对加噪处理后的数据进行数据集扩充，最后对扩充后的数据集按一定比例构建模型的训练集和测试集。

首先，获取多类无噪声干扰的海面目标HRRP样本数据x_nj(n＝1,2,...,N；j＝1,2,...,C)，x_nj为M维向量，表示第j类目标在第n个方位角对应的样本数据，C为目标类别数，N为方位角个数，即每类目标含有N个方位角的样本数据，每个方位角的样本数据长度为M。产生随机噪声序列NOISE，为保证无噪声数据与随机噪声以给定的信噪比进行叠加，可先依据给定的信噪比SNR估算出随机噪声序列的有效功率PN：