[发明专利]基于机器学习的谐波雷达目标分类方法及系统

权利要求书

1.一种基于机器学习的谐波雷达目标分类方法，其特征在于，包括如下步骤：

步骤S1：基于机器学习构建分类模型；

步骤S2：通过分类模型对谐波雷达待测目标进行分类。

2.根据权利要求1所述的基于机器学习的谐波雷达目标分类方法，其特征在于，所述步骤S1包括如下步骤：

步骤S1.1：选取多种谐波雷达目标类型，每种谐波雷达目标类型通过不同的谐波雷达目标获得，并将所有谐波雷达目标作为分类模型的数据集；

步骤S1.2：针对数据集中的训练集中的谐波雷达目标，将谐波雷达置于距谐波雷达目标预定距离处，发射不同的谐波雷达发射功率，计算得到不同发射功率时谐波雷达接收信号的功率谱图；

步骤S1.3：根据不同发射功率对应的接收信号的功率谱图，分别记录谐波雷达在不同发射功率时对应接收信号中互调频点处的谐波响应功率，绘制不同互调频点处不同谐波雷达发射功率对应的谐波响应功率曲线；

步骤S1.4：根据不同互调频点处不同谐波雷达发射功率对应的谐波响应功率曲线得到谐波雷达目标的目标分类特征，根据目标分类特征得到目标分类特征向量；

步骤S1.5：采用机器学习集成学习分类，经步骤S1.2～步骤S1.4提取谐波雷达目标对应的目标分类特征向量，训练分类模型；

步骤S1.6：选取数据集中的测试集对分类模型的分类效果进行评估。

3.根据权利要求2所述的基于机器学习的谐波雷达目标分类方法，其特征在于，所述步骤S1.1包括如下步骤：

步骤S1.1.1：选取M种谐波雷达目标中的非线性待测电路类型，分别针对每种非线性待测电路类型采用不同的待测电路进行实现；

步骤S1.1.2：将不同非线性待测电路类型对应的不同待测电路作为分类模型的数据集，将数据集分成W组子集数据，W＞2；将每组子集数据分别做一次测试集，每次选一组子集数据作为测试集，其余的W-1组子集数据作为训练集。

4.根据权利要求2所述的基于机器学习的谐波雷达目标分类方法，其特征在于，所述步骤S1.2包括如下步骤：

步骤S1.2.1：针对训练集中每个待测电路，从起始功率P_b按照等功率间隔ΔP逐渐增加得到谐波雷达的发射功率P_tr，上调功率∑次，直至谐波雷达的发射功率P_tr达到上限功率P_e，则P_e＝P_b+∑·ΔP；

步骤S1.2.2：在每个发射功率下，将谐波雷达接收信号中感知带宽为B的时域采样数据取出N1个采样点时域数据x＝{x₁，x₂，...，x_N1}，进行N1个采样点时域数据变换，得到与频率f＝{f₁，f₂，...，f_N1/2}对应的频域数据X＝{X₁，X₂，...，X_N1/2}；

其中，x₁表示时域采样第1个采样点数据；x₂表示时域采样第2个采样点数据；x_N1表示时域采样第N1个采样点数据；f₁表示频域采样第1个频点；f₂表示频域采样第2个频点；f_N1/2表示频域采样第N1/2个频点；X₁表示f₁对应的频域数据；X₂表示f₂对应的频域数据；X_N1/2表示f_N1/2对应的频域数据；

步骤S1.2.3：由步骤S1.2.2所得频域数据X＝{X₁，X₂，...，X_N1/2}计算得到对应发射功率下，频域中不同频点对应的响应功率P_re＝{P₁，P₂，...，P_N1/2}；

其中，P₁表示X₁对应的响应功率；P₂表示X₂对应的响应功率；P_N1/2表示X_N1/2对应的响应功率。