[发明专利]一种基于复数神经网络的雷达目标RCS识别方法及装置

说明书

本发明涉及一种基于复数神经网络的雷达目标RCS识别方法及装置。对目标的复数RCS数据采用复数神经网络进行识别分类，其中，复数卷积层对复数RCS数据进行复数卷积后用Complex Relu激活函数进行激活后再进行最大池化操作；第一实数卷积层对复数特征进行实数卷积后用Relu激活函数进行激活后再进行最大池化操作；第二实数卷积层对最大实数特征进行实数卷积后用Relu激活函数激活后再进行平均池化操作，最终输出分类特征向量。本发明实现了对具有更加丰富目标特征信息的复数RCS数据的深度学习识别，能有效提高目标的识别准确率。

技术领域

本发明涉及雷达目标识别技术领域，尤其涉及一种基于复数神经网络的雷达目标RCS识别方法及装置。

背景技术

自二战雷达用于军用空中目标探测以来，具有全天候、远距离探测功能的军用雷达作为战场“千里眼”几十年来一直是各国科研人员的研究热点。

目标RCS(雷达散射截面)作为雷达探测的主要特征，经常被用来对军事进行探测、追踪与识别。原始RCS数据是复数数据，相比单一的实部幅值RCS信息，复数RCS具有更丰富的表征能力，复数RCS不仅实部幅值可以表达非常多的目标大小信息，其虚部相位还含有丰富的目标距离信息，如果能全部用于目标的识别将有效提高目标识别准确率。现有的基于神经网络的雷达目标RCS识别方法都是仅仅利用了目标RCS的实部幅值数据，如何进一步提高原始RCS信息利用率进而提高目标的识别准确率对于军事目标的识别应用具有十分重要意义。

发明内容

本发明要解决的技术问题在于解决以往不能用神经网络对复数RCS数据进行识别应用的问题，针对现有技术中的缺陷，提供一种基于复数神经网络的雷达目标RCS识别方法及装置。

为了解决上述技术问题，本发明提供了一种基于复数神经网络的雷达目标RCS识别方法，包括：

复数神经网络的复数卷积层对目标的复数RCS数据进行复数卷积，输出复数特征向量，利用Complex Relu激活函数对复数特征向量进行激活，得到复数激活特征向量，对复数激活特征向量进行最大池化操作，得到复数特征；其中，复数卷积层的滤波器为W＝A+iB，目标的复数RCS数据为h＝x+iy，复数特征向量为W*h＝(A*x-B*y)+i(B*x+A*y)，ComplexRelu激活函数为复数激活特征向量为A、B、x和y是实数矩阵；

复数神经网络的第一实数卷积层对复数特征进行实数卷积，输出第一实数特征向量，利用Relu激活函数对第一实数特征向量进行激活，得到第一实数激活特征向量，对实数激活特征向量进行最大池化操作，得到最大实数特征；

复数神经网络的第二实数卷积层对最大实数特征进行实数卷积，输出第二实数特征向量，利用Relu激活函数对第二实数特征向量进行激活，得到第二实数激活特征向量，对第二实数激活特征向量进行平均池化操作，得到平均实数特征；

复数神经网络的全连接层对平均实数特征进行处理，得到全连接特征向量；

复数神经网络的softmax分类器对全连接特征向量进行分类，输出分类特征向量；分类特征向量用于确定目标的类型。

可选地，对复数神经网络的训练包括如下步骤：

基于不同类型目标的复数RCS数据构建复数向量数据集；其中，复数向量数据集包括训练数据集和测试数据集；

对训练数据集和测试数据集进行复批归一化处理，得到复批训练数据集和复批测试数据集；

基于复批训练数据集构建复数神经网络；其中，复数神经网络包括复数卷积层、第一实数卷积层、第二实数卷积层、全连接层和softmax分类器，复数卷积层采用ComplexRelu激活函数和最大池化，第一实数卷积层采用Relu激活函数和最大池化，第二实数卷积层采用Relu激活函数和平均池化；