一种雷达高分辨距离像开集识别方法及装置与流程

1.本发明属于雷达技术领域，具体涉及一种基于卷积神经网络的雷达高分辨距离像开集识别方法及装置。


背景技术：

2.雷达的距离分辨率正比于匹配滤波后的接收脉冲宽度，且雷达发射信号的距离单元长度满足：δr＝cτ/2＝c/2b，其中δr为雷达发射信号的距离单元长度，c为光速，τ为匹配接收的脉冲宽度，b为雷达发射信号的带宽。大的雷达发射信号带宽提供了高的距离分辨率(hrr，high resolution range)。实际上雷达距离分辨率的高低是相对于观测目标而言的，当所观测目标沿雷达视线方向的尺寸为l时，如果l《《δr，则对应的雷达回波信号宽度与雷达发射脉冲宽度(匹配处理后的接收脉冲)近似相同，通常称为“点”目标回波，这类雷达为低分辨雷达，如果δr《《l，则目标回波成为按目标特性在距离上延伸的“一维距离像”，这类雷达为高分辨雷达(《《表示远远小于)。
3.高分辨雷达发射宽带相干信号(线性调频或步进频率信号)，雷达通过目标对发射电磁波的后向散射，接收到回波数据。通常回波特性采用简化的散射点模型计算得到，即采用忽略多次散射的波恩(born)一级近似。高分辨雷达回波中呈现出的起伏和尖峰，反映着在一定雷达视角时目标上散射体(如机头、机翼、机尾方向舵、进气孔、发动机等等)的雷达散射截面积(rcs)沿雷达视线(rlos)的分布情况，体现了散射点在径向的相对几何关系，常称为高分辨距离像(hrrp，high resolution range profile)。因此，hrrp样本包含目标重要的结构特征，对目标识别与分类很有价值。
4.传统的针对高分辨距离像数据的目标识别方法主要采用支持向量机直接对目标进行分类，或者使用基于限制玻尔兹曼机的特征提取方法先将数据投影到高维空间中再用分类器分类数据。但上述方法仅仅利用了信号的时域特征，且目标识别准确率不高。
5.近年来，针对雷达高分辨距离像数据的目标识别方法，主要都针对于闭集识别，这种识别要求测试样本集中的数据类别与训练样本集中的数据类别保持一致。然而在实际应用中，雷达并非仅捕获库内目标的高分辨距离像，还会捕获诸多库外未知类别目标的高分辨距离像。在这种情况下，已有的闭集识别算法无法对库外未知类别数据进行拒判，反而会将其误判为库内的某一种类，这种情况大大降低了雷达的目标识别准确率。
6.于是，一些研究人员开始针对雷达高分辨距离像的开集识别进行研究。如柴晶等人在支持向量域描述(svdd)的基础上，提出了多核支持向量域描述(multi kernel svdd)模型来更加灵活地描述hrrp数据在高维特征空间中的多模分布，从而提高雷达hrrp的识别和拒判性能。张学锋等人提出了一种基于最大相关分类器(maximum correlation classifier，mcc)、支持向量机(support vector machine，svm)以及关联向量机(relevance vector machine，rvm)的多分类器融合算法来实现雷达hrrp的拒判和识别功能。然而，以上两种算法均需要依赖特定形式的核函数来提取特征，这种做法限制了模型提取足够可分特征的能力，从而影响了目标识别的准确率和雷达的智能化水平。


技术实现要素：

7.为了解决现有技术中存在的上述问题，本发明提供了一种基于卷积神经网络的雷达高分辨距离像开集识别方法及装置。本发明要解决的技术问题通过以下技术方案实现：
8.一种基于卷积神经网络的雷达高分辨距离像开集识别方法，包括：
9.获取雷达高分辨距离像并建立训练样本集和测试样本集；其中，所述训练样本集包括若干已知类别的目标雷达高分辨距离像，所述测试样本集包括若干库内已知类别和库外未知类别的目标雷达高分辨距离像；
10.对所述训练样本集和所述测试样本集中的数据进行预处理，得到预处理后的训练样本集和测试样本集；
11.构建卷积神经网络模型；
12.利用所述预处理后的训练样本集训练所述卷积神经网络模型，得到训练好的卷积神经网络；
13.利用所述预处理后的测试样本集对所述训练好的卷积神经网络进行开集识别，得到基于卷积神经网络的雷达高分辨距离像开集识别结果。
14.在本发明的一个实施例中，对所述训练样本集和所述测试样本集进行预处理，包括：
15.对所述训练样本集和所述测试样本集中的数据依次进行重心对齐和归一化处理，得到预处理后的训练样本集和测试样本集。
16.在本发明的一个实施例中，构建卷积神经网络模型包括：
17.构建一个四层结构的卷积神经网络模型；其中，四层结构分别为第一层卷积层、第二层卷积层、第三层卷积层和第四层全连接层，并设置每个卷积层具有相同的卷积步长；其中，每个卷积层均包括若干个卷积核，且每个卷积核的大小相同。
18.在本发明的一个实施例中，还包括构建卷积神经网络的损失函数，其表达式为：
[0019][0020]
其中，θ(x)为卷积神经网络的输出结果，oi(i＝1,
…
,n)为按照高斯分布随机初始化的n个原型，d(θ(x),ok)为θ(x)到ok的欧氏距离，λ为超参数，ri＝d(oi,oc)，表示各原型oi到中心的距离。
[0021]
在本发明的一个实施例中，利用所述预处理后的训练样本集训练所述卷积神经网络模型，得到训练好的卷积神经网络，包括：
[0022]
将所述预处理后的训练样本集随机分为q个批次，每个批次的数据为n
×
d维矩阵数据；其中，floor()表示向下取整，p表示训练样本集中的高分辨距离像数量；
[0023]
将每个批次的数据依次输入到卷积神经网络中进行处理，得到卷积神经网络的输出结果；
[0024]
根据所述卷积神经网络的输出结果计算损失函数的值，并使用随机梯度法更新所
述卷积神经网络的参数值，直至网络收敛，得到训练好的卷积神经网络。
[0025]
在本发明的一个实施例中，将每个批次的数据依次输入到训练好的卷积神经网络中进行处理，得到卷积神经网络的输出结果，包括：
[0026]
利用第一层卷积层对当前输入数据进行卷积和下采样处理，得到第一特征图；
[0027]
利用第二层卷积层对所述第一特征图进行卷积和下采样处理，得到第二特征图；
[0028]
利用第三层卷积层对所述第二特征图进行卷积和下采样处理，得到第三特征图；
[0029]
利用第四层全连接层对所述第三特征图进行非线性变换处理，得到当前数据的处理结果；
[0030]
重复上述步骤，直至完成所有输入数据的处理，得到卷积神经网络的输出结果。
[0031]
在本发明的一个实施例中，利用所述预处理后的测试样本集对所述训练好的卷积神经网络进行开集识别，得到基于卷积神经网络的雷达高分辨距离像开集识别结果，包括：
[0032]
设卷积神经网络预测待测样本x属于类别k的概率为其表达式为：
[0033][0034]
当待测样本的概率小于预设阈值时，判定该待测样本为库外未知类别；反之，则被判为库内已知类，并进一步得到其所属的具体类别。
[0035]
本发明的另一个实施例提供了一种基于卷积神经网络的雷达高分辨距离像开集识别装置，包括：
[0036]
数据获取模块，用于获取雷达高分辨距离像并建立训练样本集和测试样本集；其中，所述训练样本集包括若干已知类别的目标雷达高分辨距离像，所述测试样本集包括若干库内已知类别和库外未知类别的目标雷达高分辨距离像；
[0037]
预处理模块，用于对所述训练样本集和所述测试样本集中的数据进行预处理，得到预处理后的训练样本集和测试样本集；
[0038]
模型构建模块，用于构建卷积神经网络模型；
[0039]
训练模块，用于利用所述预处理后的训练样本集训练所述卷积神经网络模型，得到训练好的卷积神经网络；
[0040]
目标识别模块，用于利用所述预处理后的测试样本集对所述训练好的卷积神经网络进行开集识别，得到基于卷积神经网络的雷达高分辨距离像开集识别结果。
[0041]
本发明的有益效果：
[0042]
1、本发明提供的雷达高分辨距离像开集识别方法采用卷积神经网络技术可以组合各层的初级特征，从而得到更高层的特征进行识别，因此识别率有显著提高，不仅可用于对库内已知类别目标进行识别分类，同时可拒判库外未知类别目标，提高了目标识别准确率，进而提升了雷达了的自动化和智能化水平；
[0043]
2、本发明通过采用多层卷积神经网络结构，并对数据做了能量归一化和对齐的预处理，可以挖掘高分辨距离像数据的高层特征，去除了高分辨距离像数据的幅度敏感性、平移敏感性和姿态敏感性，相比于传统直接分类的方法有较强的鲁棒性。
[0044]
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
[0045]
图1是本发明实施例提供的一种基于卷积神经网络的雷达高分辨距离像开集识别方法流程示意图；
[0046]
图2是本发明实施例提供的一种基于卷积神经网络的雷达高分辨距离像开集识别装置结构示意图；
[0047]
图3是本发明实施例提供的仿真试验结果。
具体实施方式
[0048]
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
[0049]
实施例一
[0050]
请参见图1，图1是本发明实施例提供的一种基于卷积神经网络的雷达高分辨距离像开集识别方法流程示意图，包括以下步骤：
[0051]
步骤1：获取雷达高分辨距离像并建立训练样本集和测试样本集；其中，训练样本集包括若干已知类别的目标雷达高分辨距离像，测试样本集包括若干库内已知类别和库外未知类别的目标雷达高分辨距离像。
[0052]
首先，获取n个类别的p个雷达高分辨距离像原始数据作为训练样本集，其中，n≥3，p≥900；
[0053]
然后，获取n个训练样本类别的q个雷达高分辨距离像原始数据以及m个未知类别的l个雷达高分辨距离像原始数据作为测试样本集，其中q≥900，m≥1，l≥300。
[0054]
步骤2：对训练样本集和测试样本集中的数据进行预处理，得到预处理后的训练样本集和测试样本集。
[0055]
在本实施例中，通过对训练样本集和测试样本集中的数据依次进行重心对齐和归一化处理，以得到预处理后的训练样本集和测试样本集。
[0056]
具体地，将训练样本集或测试样本集中的原始数据记为x0，首先，对原始数据x0进行重心对齐，得到重心对齐后的数据x
′0；然后，对按照重心对齐后的数据x
′0进行归一化处理，得到归一化处理后的数据x，其表达式为：
[0057][0058]
其中，预处理后的训练样本集和测试样本集分别为p
×
d，(q l)
×
d维矩阵，其中d表示一个雷达高分辨距离像原始数据所包含的距离单元总数。
[0059]
步骤3：构建卷积神经网络模型。
[0060]
在本实施例中，设置卷积神经网络模型为四层结构，其包括三个卷积层和一个全连接层，分别记为第一层卷积层、第二层卷积层、第三层卷积层和第四层全连接层。其中，每个卷积层具有相同的卷积步长，且每个卷积层均包括若干个卷积核，每个卷积核的大小相同。
[0061]
具体地，对于第一层卷积层：
[0062]
设定其包括c个卷积核，并将第一层卷积层的c个卷积核记为k，且k的大小设置为1
×w×
1，w表示第一层卷积层中每个卷积核窗口，1《w《d；c为大于0的正整数；设置第一层卷
积层的卷积步长为l；同时设置第一层卷积层的下采样处理的核窗口大小都为m
×
m，1《m《d，d表示训练样本中每类高分辨距离成像数据分别包含的距离单元总个数，m为大于0的正整数；设置第一层卷积层的下采样处理的步长都为i，i与m取值相等。
[0063]
设置第一层卷积层的激活函数为x表示预处理后的样本数据，表示卷积操作，b表示第三层卷积层的全1偏置。
[0064]
对于第二层卷积层：
[0065]
设置其包括c
′
个卷积核，将第二层卷积层的c
′
个卷积核记为k
′
，其大小与第一层卷积层的卷积核k大小取值相同；第二层卷积层的卷积步长记为l
′
，w≤l
′
≤d-w，且l
′
与第一层卷积层的卷积步长l取值相等；同时设置第二层卷积层的下采样处理的核窗口大小都为m
′×m′
，1《m
′
《d，m
′
为大于0的正整数，；第二层下采样处理的步长都为i
′
，i
′
与m
′
取值相等。
[0066]
设置第二卷积层的激活函数为设置第二卷积层的激活函数为表示第一层卷积层输出的第一特征图，表示卷积操作，b
′
表示第二层卷积层的全1偏置。
[0067]
对于第三层卷积层：
[0068]
设置其包括c
″
个卷积核，令第三层卷积层的c
″
个卷积核为k
″
，其大小与第二层卷积层中每个卷积核窗口大小取值相同；设置第三层卷积层的卷积步长为l
″
，其与第二层卷积层的卷积步长l
′
取值相等；同时设置第三层卷积层的下采样处理的核窗口大小都为m
″×m″
，1《m
″
《d，m
″
为大于0的正整数；第三层下采样处理的步长都为i
″
，i
″
与m
″
取值相等。
[0069]
设置第二卷积层的激活函数为设置第二卷积层的激活函数为表示第二层卷积层输出的第二特征图，表示卷积操作，b
″
表示第三层卷积层的全1偏置。
[0070]
对于第四全连接层：
[0071]
设置其随机初始化的权值矩阵为b
×
u维矩阵，floor()表示向下取整，d表示训练样本中每类高分辨距离成像数据分别包含的距离单元总个数，b≥d，b为大于0的正整数；设置激活函数为表示第三层卷积层输出的第三特征图，表示第四层全连接层的全1偏置，且为u
×
1维。
[0072]
在构建完卷积神经网络的模型之后，还包括，构建卷积神经网络的损失函数，其表达式为：
[0073]
[0074]
其中，θ(x)为卷积神经网络的输出结果，oi(i＝1,
…
,n)为按照高斯分布随机初始化的n个原型，d(θ(x),ok)为θ(x)到ok的欧氏距离，λ为超参数，ri＝d(oi,oc)，表示各原型oi到中心的距离。
[0075]
步骤4：利用预处理后的训练样本集训练卷积神经网络模型，得到训练好的卷积神经网络，具体包括：
[0076]
41)将预处理后的训练样本集随机分为q个批次，每个批次的数据为n
×
d维矩阵数据；其中，floor()表示向下取整，p表示训练样本集中的高分辨距离像数量。
[0077]
42)将每个批次的数据依次输入到卷积神经网络中进行处理，得到卷积神经网络的输出结果。
[0078]
42-1)将数据输入到卷积神经网络中后，利用第一层卷积层对当前输入数据进行卷积和下采样处理，得到第一特征图。
[0079]
具体地，使用第一层卷积层的卷积步长l将输入数据x与第一层卷积层的c个卷积核分别进行卷积，得到第一层卷积层c个卷积后的结果，并记为第一层卷积层的c个特征图y：
[0080][0081]
对第一层卷积层的c个特征图y进行高斯归一化处理，得到高斯归一化处理后第一层卷积层的c个特征图
[0082]
对中的每一个特征图分别进行下采样处理，得到第一层卷积层下采样处理后的c个特征图也即第一特征图，表示为：
[0083][0084]
其中，表示在第一层下采样处理的核窗口大小m
×
m内取高斯归一化处理后第一层卷积层的c个特征图的最大值，表示高斯归一化处理后第一层卷积层的c个特征图。
[0085]
42-2)利用第二层卷积层对第一特征图进行卷积和下采样处理，得到第二特征图。
[0086]
具体地，使用第二层卷积层的卷积步长l
′
将第一层卷积层下采样处理后的c个特征图(也即第一特征图)与第二层卷积层的c
′
个卷积核k
′
分别进行卷积，得到第二层卷积层c
′
个卷积后的结果，并记为第二层卷积层的c
′
个特征图
[0087]
对第二层卷积层的c
′
个特征图进行高斯归一化处理，得到高斯归一化处理后第二层卷积层的c
′
个特征图
[0088]
对中的每一个特征图分别进行下采样处理，进而得到第二层卷积层下采样处理后的c
′
个特征图也即第二特征图，表示为：
[0089]
[0090]
其中，表示在第二层下采样处理的核窗口大小m
′×m′
内取高斯归一化处理后第二层卷积层的c
′
个特征图的最大值，表示高斯归一化处理后第二层卷积层的c
′
个特征图。
[0091]
42-3)利用第三层卷积层对第二特征图进行卷积和下采样处理，得到第三特征图。
[0092]
具体地，使用第三层卷积层的卷积步长l
′
将第二层卷积层下采样处理后的c
′
个特征图(也即第二特征图)与第三层卷积层的c
″
个卷积核k
″
分别进行卷积，得到第三层卷积层c
″
个卷积后的结果，并记为第三层卷积层的c
″
个特征图
[0093]
对第三层卷积层的c
″
个特征图进行高斯归一化处理，得到高斯归一化处理后第三层卷积层的c
″
个特征图
[0094]
对中的每一个特征图分别进行下采样处理，进而得到第三层卷积层下采样处理后的c
″
个特征图也即第三特征图，表示为：
[0095][0096]
其中，表示在第三层下采样处理的核窗口大小m
″×m″
内取高斯归一化处理后第三层卷积层的c
″
个特征图的最大值，表示高斯归一化处理后第三层卷积层的c
″
个特征图。
[0097]
42-4)利用第四层全连接层对第三特征图进行非线性变换处理，得到当前数据的处理结果其表达式为：
[0098][0099]
其中，表示第四层全连接层的随机初始化的权值矩阵，表示第四层全连接层的全1偏置。
[0100]
42-5)重复上述步骤，直至完成所有输入数据的处理，得到卷积神经网络的输出结果。
[0101]
43)根据卷积神经网络的输出结果计算损失函数的值，并使用随机梯度法更新卷积神经网络的参数值，直至网络收敛，得到训练好的卷积神经网络。
[0102]
具体地，将上述步骤42)得到的作为卷积神经网络的输出结果代入到损失函数表达式中，得到损失函数的值，并采用现有的随机梯度法更新卷积神经网络的参数值，直至网络收敛，得到训练好的卷积神经网络。关于此处的随机梯度法属于成熟的现有技术，本实施例不做具体介绍。
[0103]
本实施例通过采用多层卷积神经网络结构，并对数据做了能量归一化和对齐的预处理，可以挖掘高分辨距离像数据的高层特征，去除了高分辨距离像数据的幅度敏感性、平移敏感性和姿态敏感性，相比于传统直接分类的方法有较强的鲁棒性。
[0104]
步骤5：利用预处理后的测试样本集对所述训练好的卷积神经网络进行开集识别，得到基于卷积神经网络的雷达高分辨距离像开集识别结果。
[0105]
51)设卷积神经网络预测待测样本x属于类别k的概率为其表达式为：
[0106][0107]
52)当待测样本的概率小于预设阈值时，判定该待测样本为库外未知类别；反之，则被判为库内已知类，并进一步得到其所属的具体类别。
[0108]
具体地，根据库内已知类别数据的训练结果，设定阈值τ，当待测样本的概率小于阈值τ时，该待测样本被判为库外未知类别；反之，则被判为库内已知类别，再按照步骤51)中的公式判断所属具体类别k。
[0109]
本实施例提供的雷达高分辨距离像开集识别方法采用卷积神经网络技术可以组合各层的初级特征，从而得到更高层的特征进行识别，因此识别率有显著提高，不仅可用于对库内已知类别目标进行识别分类，同时可拒判库外未知类别目标，提高了目标识别准确率，进而提升了雷达了的自动化和智能化水平。
[0110]
实施例二
[0111]
在上述实施例一的基础上，本实施例还提供了一种基于卷积神经网络的雷达高分辨距离像开集识别装置。请参见图2，图2是本发明实施例提供的一种基于卷积神经网络的雷达高分辨距离像开集识别装置结构示意图，其包括：
[0112]
数据获取模块1，用于获取雷达高分辨距离像并建立训练样本集和测试样本集；其中，所述训练样本集包括若干已知类别的目标雷达高分辨距离像，所述测试样本集包括若干库内已知类别和库外未知类别的目标雷达高分辨距离像；
[0113]
预处理模块2，用于对所述训练样本集和所述测试样本集中的数据进行预处理，得到预处理后的训练样本集和测试样本集；
[0114]
模型构建模块3，用于构建卷积神经网络模型；
[0115]
训练模块4，用于利用所述预处理后的训练样本集训练所述卷积神经网络模型，得到训练好的卷积神经网络；
[0116]
目标识别模块5，用于利用所述预处理后的测试样本集对所述训练好的卷积神经网络进行开集识别，得到基于卷积神经网络的雷达高分辨距离像开集识别结果。
[0117]
本实施例提供的雷达高分辨距离像开集识别装置可以实现上述实施例一提供的雷达高分辨距离像开集识别方法，详细过程在此不再赘述。
[0118]
由此，本实施例提供的雷达高分辨距离像开集识别装置也具有不仅可对库内已知类别目标进行识别分类，同时可拒判库外未知类别目标，且目标识别准确率高的优点。
[0119]
实施例三
[0120]
下面通过仿真试验对本发明的有益效果进行验证说明。
[0121]
1、仿真条件
[0122]
本实施例的仿真实验的硬件平台为：
[0123]
处理器：intel(r)core(tm)i9-10980xe，主频为3.00ghz，内存256gb。
[0124]
本实施例的仿真实验的软件平台为：ubuntu 20.04操作系统和python 3.9。
[0125]
本次仿真试验所用数据为10类民航飞机的高分辨距离像实测数据，这10类民航飞机型号分别为a319、a320、a330-2、a330-3、b737-8、crj-900、a321、a350-941、b737-7以及b747-89l。将前6类飞机作为已知的库内目标类别，后4类飞机作为未知的库外目标类别，制作训练样本集和测试样本集。其中，训练样本集共计30921个样本，每一个库内类别样本约
5000个；测试样本集包括库内已知6类共计18424个样本和库外未知4类共计12359个样本，每一个类别样本约3000个。
[0126]
在进行实验之前，所有原始数据按照本上述实施例一中的步骤2作预处理，然后使用卷积神经网络进行开集识别实验。
[0127]
2、仿真内容及结果分析
[0128]
本次仿真实验将本发明的方法和传统的二阶段拒判识别方法以及softmax阈值法作了比较。
[0129]
传统的二阶段拒判识别方法主要使用基于svdd、ocsvm以及isolation-forest等方法用来拒判库外目标的基础上，对已经判为库内的目标再使用svm等方法进一步分类。softmax阈值法则认为卷积神经网络所提取到的库内目标特征在特征空间中呈现为数个聚簇，这数个聚簇可分别用数个超球体包裹，若待测样本特征落在超球体内，则认为属于此类别，若没有落在任何一个超球体内，则被判为库外目标。
[0130]
本仿真实验利用受试者工作特征曲线(roc)下的面积auc，来评价不同方法对库外目标的拒绝能力强弱，其中auc的值越大，代表对库外目标的拒判能力越强。
[0131]
请参见图3，图3是本发明实施例提供的仿真试验结果对比图，由图3可以看出，在本次仿真实验中，本发明对库外目标的拒判能力最强，其次为softmax阈值法，3种传统方法对库外目标的拒判能力一般。
[0132]
由于本仿真实验所用数据类别较多，因此利用macro average f1-score来综合评价不同方法的开集识别能力强弱，其中f1-score的值越大，代表开集识别能力越强。仿真实验结果如下表所示。
[0133]
方法aucf1-scoresvdd svm0.55520.4394ocsvm svm0.54430.3216isolation forest svm0.48250.4283softmax阈值法0.71410.4627本发明0.83290.5418
[0134]
可以看出，在本次仿真实验中，本发明的综合开集识别能力最强，明显优于其他4种方法。
[0135]
综上可知，本发明不论在对库外目标的拒判能力方面，还是综合考量开集识别能力方面，均取得最优结果，证明了本发明的有效性。
[0136]
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。