一种基于深度学习的雷达目标识别分类方法及系统与流程
本发明属于雷达信号,具体涉及一种基于深度学习的雷达目标识别分类方法及系统。
背景技术:
1、雷达可以根据目标反射形成的回波对目标进行探测和识别。无人机、鸟、人和车的运动方式、外形尺度及散射部位各不相同,这些差异会相应地反映在跨脉冲回波的幅相变化和时间相关结构中。实际应用中,目标识别设备通常对一个目标距离单元内的连续回波进行分窗处理,再从每个回波窗口提取特征并据此判定目标类别。
2、采用神经网络对雷达回波进行特征提取,可以从训练样本中学习局部波形与幅相组合模式。然而,雷达工作环境中的噪声和地物杂波也会改变局部响应模式;当分类决策主要依赖单一路径形成的深度特征时,例如纯cnn/transformer端到端雷达目标识别模型,局部扰动便可能传递至分类边界,影响判别的稳定性。另一方面自相关系数能够描述同一回波窗口在不同时延下的相关程度,在刻画回波时序结构方面具有独特优势。但是,自相关系数序列与神经网络输出在维度和数值尺度上存在显著差别,若将两者直接拼接,难以合理确定两类表征对分类结果的实际贡献,影响分类的可靠性和可解释性。
3、针对上述问题,本发明提出了一种基于深度学习的雷达目标识别分类方法及系统。
技术实现思路
1、为解决现有技术中存在的上述问题,本发明的目的在于提供一种基于深度学习的雷达目标识别分类方法及系统。
2、为实现上述发明目的,本发明采取的技术方案是:
3、一种基于深度学习的雷达目标识别分类方法,包括:
4、获取雷达回波并经分窗、均值去除和能量归一化,形成带样本标识的标准化回波样本;
5、将标准化回波样本输入深度特征提取网络,得到深度特征向量,并在预设时延集合上计算标准化回波样本的归一化复自相关系数序列,将相关系数序列经线性投影、归一化和激活变换,得到与深度特征向量维度相同的相关特征向量;
6、根据样本标识配对深度特征向量与相关特征向量,联合生成逐维融合权重及其互补权重,形成融合特征向量;
7、根据融合特征向量生成各目标类别的类别概率,将最大概率对应的类别确定为目标类别。
8、优选地,获取雷达回波并经分窗、均值去除和能量归一化,形成带样本标识的标准化回波样本,包括:
9、按照预设窗口长度从雷达回波中截取复数序列,相邻窗口之间采用滑动窗口截取复数序列,相邻窗口之间设置重叠采样点,以保持时间连续性;计算窗口内复数序列的均值,从各采样点中减去均值以去除直流和静态分量,得到去均值后的序列;
10、按窗口平均能量对去均值后的序列进行归一化,得到标准化回波样本;归一化时分母包含稳定常数,以防止零能量窗口导致除零异常;当窗口平均能量达到预设有效门限时,将样本有效性标识置为有效;若低于有效门限,则向后滑动窗口并纳入后续脉冲,重新计算窗口能量直至满足有效门限。
11、优选地,将标准化回波样本输入深度特征提取网络,得到深度特征向量,包括:
12、将标准化回波样本中每个复数采样点的实部和虚部排列为两个输入通道,形成双通道序列;双通道序列依次经过一维卷积、非线性变换和下采样处理,一维卷积核沿慢时间方向滑动以提取相邻脉冲间的局部幅相变化;下采样操作逐级扩大时间感受范围;对时间维执行全局平均池化,并经全连接变换得到预设维度的深度特征向量。
13、优选地,在预设时延集合上计算标准化回波样本的归一化复自相关系数序列,将相关系数序列变换为与深度特征向量维度相同的相关特征向量,包括:
14、设置由最小正时延至最大时延构成的时延集合,最大时延小于窗口长度;对于每个时延,计算该时延下对应序列片段的归一化复自相关系数,归一化时分母包含稳定常数;
15、按时延集合的顺序,依次提取每个归一化复自相关系数的实部、虚部和模值,形成相关系数向量;将相关系数向量经线性投影、归一化和激活变换,形成与深度特征向量维度相同的相关特征向量。
16、优选地,核对深度特征记录与相关特征记录中的样本标识,仅对标识相同的深度特征向量与相关特征向量进行配对;
17、将配对后的深度特征向量与相关特征向量按维连接,经门控变换生成逐维融合权重,融合权重的各维取值位于零至一之间;
18、按下式形成融合特征向量:第一权重与深度特征向量的逐维乘积加上第一权重的互补权重与相关特征向量的逐维乘积,其中第一权重为融合权重,互补权重为一减去融合权重。
19、优选地,根据融合特征向量生成各目标类别的类别概率,将最大概率对应的类别确定为目标类别,包括:
20、对融合特征向量执行线性变换,得到各目标类别的分类分值;对各分类分值采用softmax函数进行归一化,得到各目标类别的类别概率;选择概率最大的类别作为目标类别,同时输出完整概率向量和样本标识。
21、本发明还提供了一种基于深度学习的雷达目标识别分类系统,包括:
22、回波处理单元,用于获取雷达回波并经分窗、均值去除和能量归一化,形成带样本标识的标准化回波样本;
23、深度特征提取单元,用于将标准化回波样本输入深度特征提取网络,得到深度特征向量;
24、自相关特征计算单元,用于在预设时延集合上计算标准化回波样本的归一化复自相关系数序列,将相关系数序列变换为与深度特征向量维度相同的相关特征向量;
25、特征融合单元,用于根据样本标识配对深度特征向量与相关特征向量,联合生成逐维融合权重及其互补权重,形成融合特征向量;
26、分类单元,用于根据融合特征向量生成各目标类别的类别概率,将最大概率对应的类别确定为目标类别。
27、优选地,回波处理单元按照预设窗口长度从雷达回波中截取复数序列,计算窗口内复数序列的均值并从各采样点中减去均值,按窗口平均能量对去均值后的序列进行归一化;归一化时分母包含稳定常数;回波处理单元在窗口平均能量达到预设有效门限时将样本有效性标识置为有效,在窗口平均能量低于有效门限时继续积累后续脉冲直至满足有效门限;
28、自相关特征计算单元按时延集合的顺序依次提取每个归一化复自相关系数的实部、虚部和模值以形成相关系数向量,并将相关系数向量经线性投影、归一化和激活变换形成相关特征向量。
29、优选地,深度特征提取单元将标准化回波样本中每个复数采样点的实部和虚部排列为两个输入通道形成双通道序列,双通道序列依次经过一维卷积、非线性变换和下采样处理,再对时间维执行全局平均池化并经全连接变换得到预设维度的深度特征向量。
30、优选地,特征融合单元核对深度特征记录与相关特征记录中的样本标识,仅对标识相同的深度特征向量与相关特征向量进行配对;
31、将配对后的深度特征向量与相关特征向量按维连接,经门控变换生成逐维融合权重,融合权重的各维取值位于零至一之间;
32、融合特征向量为第一权重与深度特征向量的逐维乘积加上第一权重的互补权重与相关特征向量的逐维乘积,其中第一权重为融合权重,互补权重为一减去融合权重;
33、分类单元对融合特征向量执行线性变换得到各目标类别的分类分值,对各分类分值采用softmax函数归一化得到各目标类别的类别概率,并选择概率最大的类别作为目标类别。
34、有益效果
35、1、本发明通过对同一目标观测窗口的标准化回波样本并行提取神经网络深度特征和归一化自相关特征,使得局部幅相组合模式与跨脉冲时域相关结构能够保持共同的样本标识和时间范围;在此基础上,再将自相关系数序列投影到与深度特征相同的维度,从而使两类信息能够在同一融合运算中相互补充,从而增强了对目标运动与散射变化的表征能力,减少仅依赖局部深度响应时可能出现的类别边界波动,以缓解无人机、鸟、人和车的局部回波特征相近时区分依据不足的问题。
36、2、本发明通过将均值去除、能量归一化和归一化复自相关计算共同应用于回波窗口的处理,并在自相关分母中设置稳定项,使得整体幅度变化与低能量扰动对时域相关特征的影响得到有效约束。深度路径保留了可学习的局部模式,自相关路径则提供跨时延的确定性结构,两条路径经逐维权重共同形成融合特征,从而提高了表征在噪声和杂波扰动下的稳定程度,降低了单一特征分量异常放大后直接主导分类结果的可能性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com