一种低空小目标的雷达自动识别方法及装置与流程

技术特征：
1.一种低空小目标的雷达自动识别方法，其特征在于，包括如下步骤：a)雷达数据预处理；b)利用深度神经网络提取处理后数据的特征；c)使用有监督学习与无监督学习执行二分类与异常检测；d)根据二分类与异常检测结果识别输入数据是无人机、飞鸟或者其他低空飘浮物。2.根据权利要求1所述的低空小目标的雷达自动识别方法，其特征在于，所述雷达数据为目标航迹与雷达散射截面信息构成的高维时间序列数据，所述预处理包括数据内插与外推、数据清洗、数据分段。3.根据权利要求2所述的低空小目标的雷达自动识别方法，其特征在于，所述数据分段具体为设定子时间序列长度，对于超过该长度的时间序列，使用固定大小的滑动时间窗口将其切分为若干子时间序列。4.根据权利要求1所述的低空小目标的雷达自动识别方法，其特征在于，步骤b)具体为将子时间序列输入训练好的神经网络，得到自动提取的特征，其中神经网络的训练方法为：收集无人机与飞鸟的历史雷达数据，经过步骤a)处理后作为训练集，训练出所述深度神经网络的参数值，所述深度神经网络为自编码神经网络。5.根据权利要求1所述的低空小目标的雷达自动识别方法，其特征在于，步骤c)具体包括以下步骤：c1).将步骤b输出的特征送入训练好的有监督学习模型进行二分类，输出属于无人机或飞鸟的概率；c2).由于已经使用深度神经网络提取了特征，c1所述的有监督学习模型为传统的二分类模型或深度学习模型；c3).将步骤b输出的特征送入训练好的无监督学习模型进行异常检测，判断是否为异常样本。6.根据权利要求5所述的低空小目标的雷达自动识别方法，其特征在于，所述有监督学习模型的训练方法为收集无人机与飞鸟的历史雷达数据，经过步骤a与步骤b的处理，将得到的特征打上标签，再把带标签的特征数据作为训练集，有监督的训练二分类模型。7.根据权利要求5所述的低空小目标的雷达自动识别方法，其特征在于，所述无监督学习模型的训练方法为收集无人机与飞鸟的历史雷达数据，经过所述步骤a与步骤b的处理，将得到的特征数据作为训练集，无监督的训练异常检测模型。8.根据权利要求1所述的低空小目标的雷达自动识别方法，其特征在于，步骤d包括以下步骤：d1).当步骤c所述的异常检测判断输入样本为正常样本时，最终类别识别结果按步骤c所述的二分类结果输出；d2).当步骤c所述的异常检测判断输入样本为异常样本时，若步骤c所述的二分类输出概率接近0.5，那么最终类别识别结果为其他低空飘浮物，否则最终类别识别结果按步骤c所述的二分类结果输出。9.一种低空小目标的雷达自动识别装置，其特征在于，该装置由雷达、存储器、处理器及通信总线组成，所述通信总线分别连接所述雷达、存储器与处理器；所述雷达用于侦测低空小目标，并将所述雷达数据通过通信总线送入所述存储器和处理器；所述存储器存储有
计算机程序，所述计算机程序促使所述处理器执行所述低空小目标的雷达自动识别方法。

技术总结
本发明公开了一种低空小目标的雷达自动识别方法及装置，该方法首先进行雷达数据预处理；然后利用深度神经网络提取处理后数据的特征，接着分别使用有监督学习与无监督学习执行二分类与异常检测；最后根据二分类与异常检测结果判断是无人机、飞鸟或者其他低空飘浮物。该方法解决了低空飘浮物的识别问题，适用范围极广，泛化能力强，运算量少，成本更低，且识别准确率更高。准确率更高。准确率更高。


技术研发人员：胡亮 张聃 郑敏娥 陶原野 刘孟红 展华益
受保护的技术使用者：四川启睿克科技有限公司
技术研发日：2021.09.18
技术公布日：2022/1/4