[发明专利]一种雷达高分辨距离像开集识别方法及装置

说明书

本发明公开了一种基于卷积神经网络的雷达高分辨距离像开集识别方法及装置，该方法包括：获取雷达高分辨距离像并建立训练样本集和测试样本集；对训练样本集和测试样本集中的数据进行预处理，得到预处理后的训练样本集和测试样本集；构建卷积神经网络模型；利用预处理后的训练样本集训练卷积神经网络模型，得到训练好的卷积神经网络；利用预处理后的测试样本集对训练好的卷积神经网络进行开集识别，得到基于卷积神经网络的雷达高分辨距离像开集识别结果。本发明提供的方法不仅可用于对库内已知类别目标进行识别分类，同时可拒判库外未知类别目标，提高了目标识别准确率，进而提升了雷达了的自动化和智能化水平。

技术领域

本发明属于雷达技术领域，具体涉及一种基于卷积神经网络的雷达高分辨距离像开集识别方法及装置。

背景技术

雷达的距离分辨率正比于匹配滤波后的接收脉冲宽度，且雷达发射信号的距离单元长度满足：ΔR＝cτ/2＝c/2B，其中ΔR为雷达发射信号的距离单元长度，c为光速，τ为匹配接收的脉冲宽度，B为雷达发射信号的带宽。大的雷达发射信号带宽提供了高的距离分辨率(HRR，high resolution range)。实际上雷达距离分辨率的高低是相对于观测目标而言的，当所观测目标沿雷达视线方向的尺寸为L时，如果LΔR，则对应的雷达回波信号宽度与雷达发射脉冲宽度(匹配处理后的接收脉冲)近似相同，通常称为“点”目标回波，这类雷达为低分辨雷达，如果ΔRL，则目标回波成为按目标特性在距离上延伸的“一维距离像”，这类雷达为高分辨雷达(表示远远小于)。

高分辨雷达发射宽带相干信号(线性调频或步进频率信号)，雷达通过目标对发射电磁波的后向散射，接收到回波数据。通常回波特性采用简化的散射点模型计算得到，即采用忽略多次散射的波恩(Born)一级近似。高分辨雷达回波中呈现出的起伏和尖峰，反映着在一定雷达视角时目标上散射体(如机头、机翼、机尾方向舵、进气孔、发动机等等)的雷达散射截面积(RCS)沿雷达视线(RLOS)的分布情况，体现了散射点在径向的相对几何关系，常称为高分辨距离像(HRRP，high resolution range profile)。因此，HRRP样本包含目标重要的结构特征，对目标识别与分类很有价值。

传统的针对高分辨距离像数据的目标识别方法主要采用支持向量机直接对目标进行分类，或者使用基于限制玻尔兹曼机的特征提取方法先将数据投影到高维空间中再用分类器分类数据。但上述方法仅仅利用了信号的时域特征，且目标识别准确率不高。

近年来，针对雷达高分辨距离像数据的目标识别方法，主要都针对于闭集识别，这种识别要求测试样本集中的数据类别与训练样本集中的数据类别保持一致。然而在实际应用中，雷达并非仅捕获库内目标的高分辨距离像，还会捕获诸多库外未知类别目标的高分辨距离像。在这种情况下，已有的闭集识别算法无法对库外未知类别数据进行拒判，反而会将其误判为库内的某一种类，这种情况大大降低了雷达的目标识别准确率。

于是，一些研究人员开始针对雷达高分辨距离像的开集识别进行研究。如柴晶等人在支持向量域描述(SVDD)的基础上，提出了多核支持向量域描述(Multi kernel SVDD)模型来更加灵活地描述HRRP数据在高维特征空间中的多模分布，从而提高雷达HRRP的识别和拒判性能。张学锋等人提出了一种基于最大相关分类器(Maximum correlationclassifier，MCC)、支持向量机(Support vector machine，SVM)以及关联向量机(Relevance vector machine，RVM)的多分类器融合算法来实现雷达HRRP的拒判和识别功能。然而，以上两种算法均需要依赖特定形式的核函数来提取特征，这种做法限制了模型提取足够可分特征的能力，从而影响了目标识别的准确率和雷达的智能化水平。

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卷积神经网络的雷达高分辨距离像开集识别方法及装置。本发明要解决的技术问题通过以下技术方案实现：

一种基于卷积神经网络的雷达高分辨距离像开集识别方法，包括：