[发明专利]一种基于多尺度UDA和特征学习的UWB引信目标识别方法

说明书

本发明公开了一种基于多尺度UDA和特征学习的UWB引信目标识别方法，包括步骤：根据等效散射中心模型对目标进行建模，基于仿真模型生成多种目标的超宽带引信回波信号，构建存在分布差异的有标签源域数据集和无标签目标域数据集；设计基于多尺度无监督领域自适应网络的模型，包括多尺度CNN特征提取模块、MLP特征学习模块和DNN分类模块；在有标签的源域数据上使用有监督方法对模型进行训练与验证，保存最佳预训练模型及类别特征中心；固定MLP特征学习模块和DNN分类模块，将最佳模型迁移到无标签的目标域数据，使用无监督方法对模型进行训练微调，使用微调后的模型对目标域数据识别，获得引信目标识别结果。

技术领域

本发明涉及无线电引信目标识别领域，特别涉及一种基于多尺度UDA和特征学习的UWB引信目标识别方法。

背景技术

超宽带(Ultra Wide Band，UWB)引信因为其良好的探测和抗干扰性能广泛应用于军事和民用领域，包括着陆制导、自动驾驶、地形测绘等。超宽带引信可获得丰富的目标信息，包括时间域和能量域的一维时域回波序列信息、一维高分辨距离像(High-ResolutionRange Profile，HRRP)信息、距离-多普勒信息、距离-方位信息以及极化域信息等。在超宽带体制下的时域回波序列与HRRP存在极高的相似性，且考虑到引信工作时效性以及平台的限制，因而目前基于超宽带引信的目标识别研究以一维时域回波序列特征为主。现有的基于一维回波序列的目标识别工作主要包括两类：一类是提取回波信号的人工特征，然后通过机器学习算法进行识别。另一种是自动提取深层特征，利用神经网络提取目标特征并进行识别。基于人工特征的方法的性能直接取决于特征的选择，难以同时解决回波信号的幅度、时移和目标方位的敏感问题。而基于自动提取特征的深度学习方法能够直接从回波信号中提取高层抽象特征，训练出泛化能力更强的神经网络分类器，缓解了方位敏感等问题。

但上述方法大多只能在目标信号和已有的信号同分布的条件下实现较好的识别性能。在实际的目标识别场景中，往往面临着无标签、样本分布存在差异等复杂场景问题。在已有数据上训练的一般模型在实际场景中性能下降明显。因而需要针对复杂的应用场景提出针对性的无监督领域自适应(Unsupervised Domain Adaptation，UDA)方法，利用新获取的数据对模型进一步训练，使得模型能够在复杂的目标场景中保持较好的识别能力。

在上述研究基础上，本专利提出一种基于多尺度UDA和特征学习的UWB引信目标识别方法。首先基于超宽带引信体制和目标散射点模型获取目标的回波信号，构建存在分布差异的源域数据集和目标域数据集；其次使用基于多尺度无监督领域自适应网络在有标签的源域数据上进行预训练并保存最佳模型和特征中心；最后在无标签目标域数据上进行适应训练并微调模型，并使用微调后的模型对目标域数据进行识别。该方法可实现对存在分布差异的无标签的目标回波信号的学习和识别，为非合作场景下的基于超宽带引信的目标识别提供一种新的技术途径。

发明内容

为了克服现有技术中的不足，本发明提供一种基于多尺度UDA和特征学习的UWB引信目标识别方法，可利用目标场景中引信获得的存在一定分布差异的无标签目标数据对模型做出适应性调整，使得模型学习到目标数据的信息，在目标数据上取得更好的识别性能。

为了达到上述发明目的，解决其技术问题所采用的技术方案如下：

一种基于多尺度UDA和特征学习的UWB引信目标识别方法，包括以下步骤：

步骤S100：UWB回波信号建模和数据集生成；

根据等效散射中心模型对目标进行建模，基于仿真模型生成多种目标的UWB引信一维回波信号，构建数据分布存在差异的有标签源域数据集与无标签目标域数据集；

步骤S200：基于多尺度无监督领域自适应网络的模型设计；

设计基于多尺度残差网络的无监督领域自适应模型，包括多尺度CNN特征提取模块、MLP特征学习模块和DNN分类模块；