[发明专利]一种基于特征融合的电磁目标智能识别方法及系统

说明书

本发明公开了一种基于特征融合的电磁目标智能识别方法及系统，属于目标识别技术领域，首先对接收到的电磁目标信号提取高分辨距离像、对角积分双谱及模糊函数主脊进行智能表征，并作为后续MobileNet‑LSTM网络的输入；然后用MobileNet网络将二维智能表征降到一维，并与其它一维智能表征进行特征融合；最后对一段连续时间内的每一个时间片重复上述步骤；将这些时间片组成的特征投入长短期记忆网络(LSTM，Long Short‑Term Memory)从而获得电磁目标识别结果；本发明在当信噪比在8dB时，对电磁目标的正确识别率均在90％以上，具有良好的识别性能。

技术领域

本发明属于电磁目标信号智能识别技术领域，尤其涉及一种基于特征融合的电磁目标智能识别方法及系统。

背景技术

目前多场所呈现高信号密度、强干扰的环境，并且电磁目标种类和规模数量也在不断增加，怎样通过雷达获取到的目标数据精确而又快速地确定目标类别是一项急需解决的问题。传统的方法主要依据目标的运动特征来识别目标类型，梁聪等人以雷达幅度序列作为特征，提取目标在运动过程中每个运动过程的幅度，之后再按时间排列，以此实现目标识别(梁聪,尹扬帆.基于深度神经网络的雷达幅度序列目标识别[J].电脑知识与技术：学术版,2020,16(13):2.)，但该特征对现场环境要求较高，在复杂的背景噪声下可能效果较差。高敏等人在获得一次雷达和二次雷达的数据后，以距离、方位、俯仰、X、Y五个运动数据作为特征完成了民航飞机和无人机的识别(高敏，刘洪.基于深度学习的飞行目标识别[J].舰船电子工程,2020,40(10):5.)，但这种方法特征参数过于稀疏，当待识别目标种类增多时准确率可能会有大幅下降。并且上述方法特征单一，如何充分利用目标特性，融合多种特征是研究的一个重点。另一方面在分类器的选择上，早期多以贝叶斯网络或SVM(SupportVector Machine，支持向量机)等浅层学习为主(但波、高山、戢治洪.基于多特征多分类器的海面舰船目标识别技术[J].舰船电子工程,2020,40(8):5.)，它们虽然对训练样本的数量要求不高，但受限于其线性建模方式，在应用中显得愈加吃力。随着人工智能的发展，越来越多的人尝试使用神经网络进行目标识别。LUNDéN J等人提出了一种一维CNN(Convolutional Neural Networks，卷积神经网络)结构,并使用了由多基地雷达获得的多种目标的HRRP构成的数据集进行检测,证明了CNN对HRRP(High Resolution RangeProfile，高分辨距离像)进行分类识别的可行性(LUNDéN J,KOIVUNEN V.Deep learningfor hrrp-based target recognition in multistatic radar systems[C]//2016IEEERadar Conference(RadarConf).2016:1-6.)。Housseini等人使用一种深层结构的CNN对合成孔径雷达产生的二维图像进行分类识别，取得了不错的效果(HOUSSEINI A E,TOUMI A,KHENCHAF A.Deep learning for target recognition from sar images[C]//DetectionSystems ArchitecturesTechnologies.2017.)。梁聪等人更进一步，将DNN的隐含层增加，提出了使用多隐层DNN进行目标识别的方法，通过仿真实验可以看出相对于单隐层DNN(Deep Neural Networks，深度神经网络)，其识别准确率获得了大幅提高(梁聪,尹扬帆.基于深度神经网络的雷达幅度序列目标识别[J].电脑知识与技术：学术版,2020,16(13):2.)。随着越来越丰富的特征被选择，使用一段连续时间的数据进行识别成为了一个研究方向。张耀天等人使用HRRP和时频信息作为特征，以LSTM(Long Short-Term Memory，长短期记忆网络)为分类器完成了使用一段时间特征进行识别的研究(张耀天,吴智昌,魏少明,等.基于CNN+LSTM的空间目标识别[C]//第十二届全国信号和智能信息处理与应用学术会议论文集.2018.)。DU C等人使用了判别式的条件变分自编码器处理目标识别问题(DU C,CHEN B,XU B,et al.Factorized discriminative conditional variational auto-encoder for radar hrrp target recognition[J].Signal Processing,2019,158(MAY):176-189.)，而XU B等人使用了带有Attention机制的循环神经对每个HRRP样本内的分帧进行建模，取得了更好的效果(XU B,CHEN B,WAN J,et al.Target-aware recurrentattentional network for radar hrrp target recognition[J].Signal Processing,2018,155(FEB.):268-280.)。然而上述方法一方面选取的特征较为单一，无法有效区分各个目标特性，另一方面计算量过大，无法有效应对实时变化的战场环境。