[发明专利]一种基于宽度学习的雷达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宽度学习的雷达高分辨距离像目标识别方法，包括：获取高分辨距离像数据并生成训练集；构建宽度学习模型；利用所述训练集对所述宽度学习模型进行训练，得到经训练的宽度学习模型；利用所述经训练的宽度学习模型对待识别的原始高分辨距离像数据进行识别，获取识别结果。本发明使用宽度学习模型对雷达高分辨距离像数据的高维特征进行提取，在保证识别精度的前提下，可以快速地对雷达目标进行识别，在预测精度、识别时间方面有着较为明显的优势。

技术领域

本发明属于雷达技术领域，具体涉及一种基于宽度学习的雷达高分辨距离像目标识别方法，可用于对高分辨距离像目标进行识别。

背景技术

宽带雷达目标的回波被称为高分辨距离像。高分辨距离像是目标各散射点子回波沿雷达视线方向的投影分布图，其中包含了目标散射点相对位置和幅度等信息，具有易于获取和处理的优点，对目标分类和识别十分有价值，因此成为雷达自动目标识别领域研究的热点。

目前大多研究基于高分辨距离像的雷达自动目标识别技术的文献大多基于深度网络，现阶段已经取得了较好的识别效果。但是随着数据量的增加，为了取得较高的精度，大多数的深度网络包含大量的参数与较多的网络层数，因此需要大量的计算资源和较长的建模周期与识别时间。此外，由于大多深度网络使用反向传播算法来最小化网络的实际输出与目标输出之间的误差，进而逐层更新权重，也导致深度网络的建模速度变慢，十分耗时。这对于工程中实时性要求较高的雷达目标识别系统来说，是一项必须克服的难题。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于宽度学习的雷达高分辨距离像目标识别方法。本发明要解决的技术问题通过以下技术方案实现：

本发明提供了一种基于宽度学习的雷达高分辨距离像目标识别方法，包括：

S1：获取高分辨距离像数据并生成训练集；

S2：构建宽度学习模型；

S3：利用所述训练集对所述宽度学习模型进行训练，得到经训练的宽度学习模型；

S4：利用所述经训练的宽度学习模型对待识别的原始高分辨距离像数据进行识别，获取识别结果。

在本发明的一个实施例中，所述S1包括：

S1a：提取宽带雷达回波信号中的高分辨距离像数据并进行预处理，得到高分辨距离像时域特征数据；

S1b：根据模二范数归一化处理后的高分辨距离像时域特征数据建立雷达目标数据库，并对所述雷达目标数据库内的各个目标类别设置标签值；

S1c：从所述雷达目标数据库中选取预定数量的样本组成训练集。

在本发明的一个实施例中，所述预处理包括：

对所述高分辨距离像数据进行模二范数归一化处理：

其中，X表示模二范数归一化处理后的高分辨距离像时域特征数据，x表示原始高分辨距离像数据，||·||₂表示求模二范数操作。

在本发明的一个实施例中，所述S1还包括：

从所述雷达目标数据库中选取预定数量的样本组成测试集，并且所述测试集中的高分辨距离像数据和所述训练集中的高分辨距离像数据具有任意的俯仰角度。

在本发明的一个实施例中，所述S2包括：

S2a：将处理后的高分辨距离像时域特征数据进行幂变换操作：

U＝X^k

其中，U为幂变换后的数据，X为模二范数归一化处理后的高分辨距离像时域特征数据，k为幂变换系数；