一种噪声环境下的雷达目标HRRP鲁棒识别方法与流程

本发明涉及雷达目标识别领域，更具体地说，涉及一种噪声环境下的雷达目标hrrp鲁棒识别方法。

背景技术：

传统雷达目标识别技术依赖于人工设计的特征，而这些特征的完整性和有效性往往缺乏有力保证，并且复杂电磁环境会干扰识别结果，导致传统雷达目标识别技术的精确性和鲁棒性面临极大挑战。深度学习技术可以自动提取目标本质特征,这种端到端的学习方式大大提升了目标识别的精确性和鲁棒性。

深度学习应用于雷达目标识别一般分为训练阶段和测试阶段。当前,通常在高信噪比环境下通过一些合作测量实验或直接通过电磁仿真得到训练样本集。然而，测试样本通常是在非合作环境下获得，由于目标的非合作性或目标距离较远等问题，存在噪声干扰无法保证高信噪比的情况出现。这样就导致训练集和测试集在引入噪声后分布存在不一致性，大大降低了测试集识别率。一方面需要加强模型对高信噪比样本的学习，提取出更具泛化性的特征；另一方面可以在训练集中加入噪声样本，增强模型对含噪样本特征的学习。最理想的情况是模型通过对含噪样本和原始样本之间的对比学习，学习到含噪样本特征，使模型具有去除噪声的能力，提取具有更强泛化性的特征，使得识别性能受信噪比的影响进一步降低，这需要对网络结构进行深入研究。

对基于深度学习的雷达目标hrrp识别模型，研究尚在起步阶段，现有技术仍是基于理想环境下进行识别，并没有考虑噪声干扰的情况。本发明提出了一种噪声环境下的雷达目标hrrp鲁棒识别方法，通过该方法可以实现在较宽范围信噪比条件下很高的雷达目标正确识别率。

技术实现要素：

本发明要解决的技术问题是：针对测试样本被噪声污染，导致识别率大大降低的问题，提出一种噪声环境下的雷达目标hrrp鲁棒识别方法，降低噪声对识别的干扰，来获得稳定的抗噪声分类模型。

本发明解决上述问题的技术方案如下：

一种噪声环境下的雷达目标hrrp鲁棒识别方法，具体包括以下步骤：

步骤1：通过高分辨率宽带雷达获取雷达目标高分辨距离像(hrrp)并作功率归一化，将hrrp数据分为训练样本集和测试样本集；

步骤2：对每类目标的部分训练样本加入不同信噪比的噪声，剩余训练样本不变，再将所有目标类型的整个训练样本集归一化到(0,1)区间；

步骤3：将步骤2得到的训练样本用于待训练的卷积神经网络的训练，以得到训练好的卷积神经网络，其中，待训练的卷积神经网络结合了残差块、inception结构和降噪自编码层；待训练的卷积神经网络的残差块中加入捷径改变数据流向，增加网络深度来降低噪声影响，残差块包含的卷积层个数和卷积层的核参数都能够调节；待训练的卷积神经网络的inception结构使用了多个子模块，并将核尺寸1、3和5的卷积运算和池化操作并联，通过增加网络对尺度的适应性及网络宽度来更好地学习特征；待训练的卷积神经网络的降噪自编码器层通过近似还原该层输入以消除噪声，其中隐含层的数量和节点数能够调节；

步骤4：将被噪声污染的不同信噪比条件下的测试样本按照步骤2的归一化参数进行归一化，再用步骤3训练得到的卷积神经网络进行识别，得到识别结果。

优选的，所述步骤1中每个雷达目标的hrrp数据均是一个m维列向量。

优选的，所述步骤2中对每类目标的部分训练样本加入不同信噪比的噪声，其中噪声类型、噪声大小、加入噪声样本数量都能够调节来适应不同应用场景。

与现有技术相比，本发明的技术效果如下：

第一，鲁棒性强，使用了一种结合残差块、inception结构和降噪自编码层的卷积神经网络，挖掘了hrrp数据的深层特征，大大降低了噪声对识别的干扰，能在较宽范围信噪比条件下仍然可以获得较高的识别率；

第二，扩展性好，结合残差块、inception结构和降噪自编码层的卷积神经网络可以通过继续增加残差块、inception结构和在多个较高隐藏层插入降噪自编码层来获得更好的识别性能；

第三，迁移性好，由于深度学习模型是由数据驱动的模型，通过改变训练样本的噪声类型或加入其他种类的干扰样本，再次训练结合残差块、inception结构和降噪自编码层的卷积神经网络，可以适用于不同干扰下的识别，具有迁移性。

附图说明

图1为本发明实施步骤流程图；

图2为实施例中的三类雷达目标hrrp数据图；

图3为加入不同信噪比噪声的雷达目标hrrp数据图；

图4为残差块结构图；

图5为inception结构图；

图6为降噪自编码器层结构图；

图7为结合残差块、inception结构和降噪自编码层的卷积神经网络功能框图；

图8为结合残差块、inception结构和降噪自编码层的卷积神经网络结构框图；

图9为常规的两层卷积层、两层池化层和一层全连接层的卷积神经网络结构图。

具体实施方式

为了更好地说明本发明的技术方案，以下结合实例对本发明的实施方式作进一步描述，以便对如何应用本发明技术手段来解决问题有更加深刻的理解，达到更好地解决实际问题的目的，所举实例只用于解释本发明，并非用于限定本发明的范围。图1为本发明的一种噪声环境下的雷达目标hrrp鲁棒识别方法，具体包括以下步骤：

步骤1：通过高分辨率宽带雷达获取雷达目标的高分辨距离像(hrrp)并做功率归一化，并将hrrp数据分为训练样本集和测试样本集，其中训练样本每类n1个，测试样本每类n2个，其中每个hrrp样本数据为一个m维的列向量；

步骤2：将目标类型为的训练样本集划分为k+1个子集，其中前k个子集中的样本分别加入信噪比为r1,…,rk的噪声，剩下一个子集不变，再将所有目标类型的整个训练样本集归一化到(0,1)区间，加入的噪声类型、噪声大小和每个子集中的样本数目能够根据不同应用场景进行调节；

其中表示目标类型集合，归一化是在数据同一维度进行标准化处理，将每一行数据分别标准化到区间[ymin,ymax]内，其计算公式是：

式中：y——归一化输出，ymin——归一化区间的最小值,ymax——归一化区间的最大值，x——输入维度值，xmax——输入维度在样本中最大值，xmin——输入维度在样本中最小值；

步骤3：将步骤2得到的训练样本用于待训练的卷积神经网络的训练，以得到训练好的卷积神经网络，其中，待训练的卷积神经网络结合了残差块、inception结构和降噪自编码层；如图4所示，待训练的卷积神经网络的残差块中加入捷径改变数据流向，每块中数据流向有两条，一条经过中间两个卷积层，另一条不经过中间两个卷积层,这样可以更好地训练网络，以此增加网络深度降低噪声影响，残差块包含的卷积层个数和卷积层的核参数都能够调节；如图5所示，待训练的卷积神经网络的inception结构使用了多个子模块，将稀疏矩阵聚类为较为密集的子矩阵提高网络性能和计算资源利用率，具体做法是将核尺寸为1、3和5的卷积运算和池化操作并联，并在核尺寸为3、5前和池化后分别加上了核尺寸为1的卷积核来降低数据维度，数据从左到右分别通过不同模块进行学习，通过增加网络对尺度的适应性及网络宽度来更好地学习特征；如图6所示，待训练的卷积神经网络的降噪自编码器层通过近似还原该层输入以消除噪声，其中隐含层的数量和节点数能够调节；

待训练卷积神经网络的功能框图和结构框图分别如图7、图8所示，残差块放在网络前端经过重复堆叠以增加网络深度提取深层特征，且待训练卷积神经网络使用了两个残差块,之后链接了一个inception结构来更好地学习残差块提取的特征，通过增加网络宽度来增强网络性能，待训练卷积神经网络的最后一个卷积层是为了降低数据维数，并且在最后一个卷积层后链接了一层降噪自编码器以降低噪声影响，其中残差块和inception结构的数量和位置可以调节，来适应不同应用场景；而降噪自编码器层使用的是全连接层，会放在网络的较高隐藏层，即位于最后的全连接层部分。

待训练卷积神经网络的损失函数l选择交叉熵函数并加入降噪自编码器层输入输出间的均方误差函数，

式中：l——新的损失函数，l^*——网络交叉熵损失函数,d——样本维数，mb——批训练样本个数,——样本i对应的标签,——样本i经过网络后得到的输出层标签,——降噪自编码器层输入，——降噪自编码器层输出，α——超参数控制降噪自编码器层损失函数占总体的权重；

步骤4：将被噪声污染的不同信噪比条件下的测试样本按照步骤2的归一化参数进行归一化，最后用步骤3训练得到的卷积神经网络进行识别，得到识别结果。

本发明的效果通过以下对实测数据的实验进一步说明：

1.实验场景：

实验平台为64位window10系统，cpu2.8ghz，内存8gb，基于tensorflow框架搭建卷积神经网络,待训练卷积神经网络参数如下：小批量训练样本集大小为mb＝500，全连接层的dropout丢弃率为0.5，降噪自编码器层的dropout丢弃率为0.05，学习率为0.001，优化器使用adam算法，分类器使用softmax函数。

数据为三类实测飞机目标的雷达hrrp数据，如图2所示，第一类为安26，第二类为奖状，第三类为雅克42。训练集21000个，每类目标样本有7000个，均作功率归一化。每个雷达目标的hrrp数据均是一个256维的列向量。使用的噪声类型有高斯白噪声和瑞利噪声。

高斯白噪声情况下，对于训练集，每类中1000个样本被替换为snr＝0db的样本，每类中500个样本被替换为snr＝15db的样本，其余训练样本不进行加噪处理；瑞利噪声情况下，对于训练集，每类中100个样本被替换为snr＝0db的样本，每类中100个样本被替换为snr＝15db的样本，其余训练样本不进行加噪处理。再将所有目标类型的整个训练样本集归一化到(0,1)区间。

对于测试集，加入不同信噪比的噪声，如图3所示。为了验证本发明提出方案的识别性能，还使用了如图9所示的一种常规五层卷积神经网络来做目标识别对照实验。

2.实验内容：

2.1)将加入和未加入噪声样本的训练集用于如图8、9所示的网络结构进行训练。

2.2)在不同信噪比条件下对于网络性能进行测试，分类结果比较如表1、2所示。

表1高斯白噪声下常规的卷积神经网络和本发明的分类结果比较

表2瑞利噪声下常规的卷积神经网络和本发明的分类结果比较

通过实验结果可以发现，随着网络深度的增加，提取得到的特征受噪声影响会越来越小，模型在低信噪比情况下的识别能力进一步提高，各个信噪比之间的识别率差别进一步缩小，并且在不同噪声类型下表现均较为出色，可以发现本发明中的一种噪声环境下的雷达目标hrrp鲁棒识别方法可以实现在较宽范围信噪比条件下高精度鲁棒雷达目标识别。

上述说明示出并描述了发明应用的实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是其他实施例的排除，而可用于各种其他组合、修改和环境，并能在本文所述发明构想范围内，通过上述教导或相关领域的技术进行改动。而本领域人员所进行的改动和变化不脱离发明的精神和范围，则都应在发明所附权利要求的保护范围内。