[发明专利]基于多通道复用卷积神经网络的雷达目标识别方法

说明书

本发明公开了一种基于多通道复用卷积神经网络的雷达目标识别方法，包括：将雷达信号处理单元输出的一维目标频域信号通过奇偶交替循环右移构造为二维数据矩阵信号，按类别生成训练集和测试集；构造由多通道复用模块组成的卷积神经网络；使用训练集对卷积神经网络进行训练，使用测试集进行训练结果的衡量。本发明提出基于奇偶交替循环右移的二维数据构造方式，在构造的数据可以有效抑制网络训练过程中的过拟合现象，提高分类的可靠性；此外，还提出一种多通道复用模块，在提高网络对目标识别的正确率的同时，还可以降低网络的复杂度压缩网络模型需要的存储计算资源，减少训练时间。

技术领域

本发明属于雷达目标识别技术，具体涉及一种基于多通道复用卷积神经网络的雷达目标识别方法。

背景技术

雷达目标识别是指通过提取雷达目标回波中的目标特征，并利用其对目标进行分类识别的一种技术。在军事战争环境日益复杂，以及敌对目标和任务日益多元化的今天，雷达作为一种重要的传感器，在军事上发挥着重要价值，使用雷达对敌对目标进行检测和有效识别，也成为了战场信息感知的重要手段。

自动提取雷达深层特征进行目标识别的传统方法主要有支持向量机、极限学习机，但上述的方法目标识别的准确率都较低。近年来人工智能技术发展迅猛，基于深度学习的雷达目标识别方法，因其具有较高的识别率和鲁棒性，而逐渐成为研究热点。

另一方面，由于战场环境的限制，用于对雷达目标进行识别的设备往往存储计算资源都十分有限，很多对于存储计算资源需求较高的深度学习算法都难以在移植到小型化设备上进行使用。因此，网络模型的轻量化成为了一个重要的问题。

专利CN202011067886.3公开了一种基于二维加权残差卷积神经网络的雷达目标识别方法，该方法使用Toeplitz矩阵将一维雷达目标信号二维化，使用加权残差模块组成的网络对信号进行分类。该方法存在大量尺寸较大的卷积核以及尺寸较大的权值计算全连接层，使得网络需求较高的计算量。专利CN201911062937.0公开了一种神经网络模型的量化方法、装置及计算机可读存储介质，该方法对目标卷积核进行拆分，得到多个子卷积核，并利用多个量化卷积核替代目标卷积核，但是卷积模块中存在实现相似功能的相同结构，使得网络存在冗余，导致算力的浪费。

发明内容

本发明的目的在于提供一种具有更高识别率的同时更加节约计算资源的基于多通道复用卷积神经网络的雷达目标识别方法。

实现本发明目的的技术解决方案为：一种基于多通道复用卷积神经网络的雷达目标识别方法，包括以下步骤：

步骤1、基于奇偶交替循环右移矩阵，将一维雷达目标频域信号构造成二维数据；

步骤2、将上述经过步骤1处理好的数据，按照一定比例生成训练集和测试集；

步骤3、构造由多通道复用模块组成的卷积神经网络；

步骤4、将步骤2中生成好的训练集放入步骤3中构造的网络中进行训练；

步骤5、使用步骤2中生成好的训练集对步骤4中训练好的网络进行测试。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于多通道复用卷积神经网络的雷达目标识别方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于多通道复用卷积神经网络的雷达目标识别方法的步骤。