[发明专利]基于机器学习的谐波雷达目标分类方法及系统

说明书

本发明提供了一种基于机器学习的谐波雷达目标分类方法及系统，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目标进行分类。本发明通过发射混频信号，改变发射功率，计算不同二阶互调频点的发射‑谐波响应功率曲线特征作为谐波雷达目标分类特征的方法，利用多个二阶互调频点的谐波信息，实现对谐波雷达目标特征的有效提取，并基于机器学习算法实现了目标特征的分类。

技术领域

本发明涉及近场非线性目标谐波雷达探测的技术领域，具体地，涉及一种基于机器学习的谐波雷达目标分类方法及系统。

背景技术

谐波雷达主要利用非线性目标的谐波再辐射特性，通过向目标发射特定的电磁波信号，并根据接收到的非线性目标再辐射信号，来实现对常见非线性目标如一般的金属结点物体和带有PN结二极管(PN junction diode)的电子装置的检测，定位和分类。由于谐波雷达具有传统雷达所不具有的抗线性干扰特性，目前其广泛地应用于军事反恐，安检，保密检查，交通城建等领域。

不同的电路装置包含不同的非线性元器件组合，在谐波雷达特定电磁信号的照射下产生不同表现的谐波响应，表现出不同的特性曲线。通过分析谐波雷达接收到的不同谐波响应可实现对谐波雷达目标的识别和分类，进而判断非线性目标的可能范围，实现特定目标电路的精确筛选和识别；另一方面也可有效排除非目标物体虚警的影响，提高检测的可靠性和准确率。对谐波雷达目标的有效分类，对于可疑目标的识别，可疑目标范围的判断，以及减少虚警等都非常重要，在实际应用场景中对于针对特定目标的探测筛选也具有重要的意义。

谐波雷达目标分类过程主要为：首先，向非线性待测目标发射特定频率和特定波形的电磁波，接收回波信号并计算信号的频谱图，计算不同谐波频点的谐波响应功率，接着通过数值分析方法提取其中包含的谐波响应信息，进而提取目标分类特征，计算可用于分类的目标特征向量。最后，基于分类特征向量采用相关的数据训练分类模型实现目标分类。

谐波雷达目标分类的关键在于目标分类特征提取和分类模型构建。由于谐波响应主要取决于谐波雷达的发射信号参数，即主要取决于谐波雷达发射信号的波形，频率和功率，因此通过分析谐波响应和发射波形，频率或功率的关系，即可提取到待测目标的分类特征。目前用于谐波雷达探测的方法多采用特定的波形以降低环境噪声的影响，发射信号频率根据信号组成成分的不同分为：单频信号，双频信号和多频信号。对于谐波雷达目标分类特征的提取，目前已有的方法分为两种：单频信号方法和双频信号方法，其中单频信号方法主要包括：变功率固定频点法，变频点固定功率法和固定频点固定功率法；双频信号方法主要采用固定频点固定功率法。目前主要采用单频信号方法，通过发射特定频点的单频信号，改变发射功率或发射频率，计算多阶次的谐波响应频点对应的功率，将谐波阶次作为特征空间维度来构建谐波特征空间，构建可用于分类的特征向量。

公开号为CN112686297A的中国发明专利文献公开了一种雷达目标运动状态的分类方法及系统，包括：获取待分类雷达目标运动状态的时频图；将所述待分类雷达目标运动状态的时频图输入分类模型得到所述待分类雷达目标运动状态的类别；所述分类模型为以待训练雷达目标运动状态的时频图为输入，以所述待训练雷达目标运动状态的类别为输出，对基于压缩激励模块和残差网络模块构建的多尺度神经网络进行训练得到的。

针对上述中的相关技术，发明人认为目前相关研究较少，仍然缺乏有效的目标分类特征提取方法，采用单频发射信号接收多阶次的谐波频率响应需要广域接收天线或可调谐到多阶谐波频率的天线，这极大地限制了谐波雷达目标特征提取的实际应用，相比而言，发射多个频率接近的混频信号并测量其互调频点处的响应可以使用中频附近窄带接收天线而不需要特定的天线设计，此外，由于多频信号在多个互调频点处产生非线性谐波响应，因此可以携带更多的非线性响应信息，更便于后续的目标特征分类和识别；另一方面，由于多阶次谐波特征空间为高维空间，且相关分类数据集缺乏，目前已有的谐波雷达目标特征分类应用效果一般，难以实现小样本下的有效分类，因此仍然缺乏小样本下高维谐波雷达目标特征的有效分类方法。

发明内容