基于二维卷积神经网络的雷达目标识别方法与流程

本发明涉及雷达目标识别技术，具体为一种基于二维卷积神经网络的雷达目标识别方法。

背景技术：

雷达目标识别是指从雷达接收到的目标反射回波信号中提取具有鲁棒性的目标雷达特征，并利用这些特征自动识别目标的类型或型号的一种技术。进入21世纪，由于现代军事战争环境的复杂，以及敌对目标和任务的多元化，如何在恶劣的环境中及时发现、检测和对目标进行有效识别，是战争制胜的关键所在。雷达作为一种重要的远距离探测传感器，在军事上发挥着重要价值，雷达目标识别技术也已经成为现代军事发展的有力杠杆，更是现代电子战的核心应用。

目前，已经发展出许多自动提取雷达深层特征的目标识别的方法如支持向量机(svm)、极限学习机(elm)。但上述方法仅仅用到了目标的时域特征并且目标识别的准确率较低。

卷积神经网络由于其良好的迁移性，以及能够提取目标的深层特征，更好地表现目标的本质信息，具有良好的鲁棒性，近年来也被用于雷达目标识别上。

专利申请号为cn201710838721.3，发明名称为“基于一维卷积神经网络的雷达高分辨距离像目标识别方法”的中国专利。专利申请号为cn201811405815，发明名称为“基于深度残差多尺度一维卷积神经网络的雷达目标识别方法”的中国专利，上述两个专利的都是使用一维的卷积神经网络训练一维雷达频域目标信号来实现目标识别。与一维卷积神经网络相比，二维卷积神经网络具有计算效率更高，卷积更充分，提取特征更深的优势，性能上更好。

有关使用二维卷积神经网络训练一维地面侦察雷达频域目标数据的方法尚未查到。

技术实现要素：

本发明的目的在于提供一种基于二维卷积神经网络的雷达目标识别方法。

实现本发明目的的技术解决方案为：一种基于二维卷积神经网络对一维地面侦察雷达频域目标信号升维的目标识别方法，包括以下步骤:

步骤1、构造卷积神经网络，包括5层卷积层、5层池化层、1层全连接层；

步骤2、对一维雷达频域目标数据基于pooling算法进行压缩；

步骤3、基于hankle矩阵，将pooling算法压缩后的数据构造成二维数据平面；

步骤4、对二维数据平面进行数据标准化整形，去除数据中的直流部分；

步骤5、把上述经过步骤2到4处理好的数据，按照一定比例生成训练集和验证集；

步骤6、将生成好的训练集放入步骤1构造的网络中进行训练，得到训练后的模型；

步骤7、利用验证集对训练后的模型进行验证。

进一步的，步骤1中所构建的卷积神经网络包括三个模块，其中模块1与模块2中均使用两次卷积接一层池化，模块3中连续进行3次一层卷积接一层池化。

进一步的，所有的卷积层均使用3×3的卷积核。

进一步的，步骤2中使用的pooling法对预处理后的雷达频域目标信号进行压缩，具体算法为：

原始数据为：y(n)＝[a0,a1,a2,...,an]；

采用pooling法：pm＝max(a2m,a2m+1)，

当n为偶数时从m＝0开始迭代，一直到m＝n/2；

当n为奇数时从m＝0开始迭代，一直到m＝(n+1)/2；

最终得到pooling法处理后的雷达频域目标信号为：

进一步的，步骤4中将一维信号基于hankle矩阵构造数据二维平面，具体算法为：

设原始数据为：[a0,a1,a2,...,an]，

则经过hankle矩阵后变为：

本发明与现有技术相比，其显著优点为：(1)卷积神经网络相较于其他的目标识别方法具有提取特征更深，识别能力更强的优势，与地面侦察雷达的契合性好；(2)基于hankle矩阵实现了用原始一维地面侦察雷达频域目标信号构造为二维数据平面，极大地提升了地面侦察雷达频域目标信号的可训练性与可识别力；(3)基于pooling算法实现对原始数据的压缩，极大程度地减少了计算量，并保留了数据的主要特征部分；(4)二维卷积神经网络相较于一维有卷积性能更强提取特征更深，学习能力更强的优势。

下面结合附图对本发明作进一步详细描述。

附图说明

图1是本发明基于卷积神经网络对地面侦察雷达频域目标信号升维的目标识别方法的流程图。

图2是本发明所构建的网络结构图。

图3是地面侦察雷达的原始信号图。

图4是地面侦察雷达经过步骤2到4变换后的信号图。

图5是本发明实施例1的测试结果数据表。

图6是本发明实施例1的测试结果图。

图7是本发明实施例2的测试结果数据表。

图8是本发明实施例2的测试结果图。

图9是本发明实例1与实例2的结果对比图。

具体实施方式

本发明公开了一种基于二维卷积神经网络的雷达目标识别方法，将原始的一维频域目标信号构造成二维数据平面，再输入到所构建的卷积神经网络中进行训练，属于雷达目标识别技术。结合图1和图2所示，该方法具有包括以下步骤：

步骤1、构建卷积神经网络，结合图2，本发明所提出的卷积神经网络结构总共使用5层卷积层、5层池化层以及1层全连接层。其中模块1与模块2中都是使用两次卷积接一层池化，模块3中连续进行3次一层卷积接一层池化。所有的卷积层都使用3×3的小卷积核，以提升卷积精度。模块1与模块2的结构能够减小训练参数,同时增加非线性变换次数更有利于提取更深的特征，模块3的结构是为了防止模型过拟合，卷积层中的通道数从64逐步增加到512是为了加深网络的训练深度。

步骤2、对y(n)进行pooling法得到p(n)，实现数据压缩，具体方法为：

原始数据为：y(n)＝[a0,a1,a2,...,an]；

采用pooling法：pm＝max(a2m,a2m+1)，

当n为偶数时从m＝0开始迭代，一直到m＝n/2；

当n为奇数时从m＝0开始迭代，一直到m＝(n+1)/2；

最终得到pooling法处理后的雷达频域目标信号为：

步骤3、对p(n)进行数据标准整形，具体方法为，过滤掉数据信号中的直流部分，过滤后得到的输出为f(n)；

步骤4、对数据标准整形后的信号f(n)＝[f0,f1,…,fm],(n＝0,…m)基于hankle矩阵，将原始一维频域目标信号，构造成二维数据平面实现数据信号从一维构造到二维的具体方法为：

变为hhankle，构造完成的二维数据平面如图4，图3是地面侦察雷达的原始信号图。

步骤5、把所有地面侦察雷达所测得的信号经过步骤1到4处理之后得到总数据集，再按照数据类别进行分类，之后按照比例把每一类的数据分别分为训练集(trainingset)以及验证集(validationset)；

步骤6、把步骤5中所得到的训练集数据作为输入，放入到步骤1中的网络进行训练，训练所采用的优化器(optimizer)为adamoptimizer，所采用的损失函数(lossfunction)为sparse_categorical_crossentropy，训练后保存训练模型；

步骤7、使用训练好的模型来验证步骤5所得的验证集。

本发明将原本为一维的地面侦察雷达频域目标信号构造为二维数据平面进行训练，与直接使用一维信号进行训练相比，可训练性大大增强，测试准确率更高，能更加有效地使用卷积神经网络对雷达频域目标信号进行目标识别。

下面将未进行转化的一维地面侦察雷达频域目标信号和经过本发明升维后构造的二维信号分别作为卷积神经网络的输入，通过这两个实施例对本发明作进一步详细描述。

实施例1

从地面侦察雷达频域目标数据中，取8000个样本作为训练数据，2000个样本作为测试数据，构建数据集，分别构建为训练集与验证集后，直接采用与图2中二维卷积神经网络结构相似的一维结构。使用5层卷积层5层池化层接1层全连接层的结构进行训练，训练的epoch设置为10，训练后的模型用验证集进行验证得到结果。图5是本例中的测试结果准确率数据，图6是本例的测试结果图。

实施例2

使用与实例1中一致的数据样本，将这些样本数据依次经过步骤2中的pooling压缩，步骤3中的去直流，步骤4中的基于hankle矩阵生成二维数据平面生成8000个训练样本，2000个验证样本。之后用图2所示的网络结构对训练集进行训练，并得到训练后的模型，再用该模型对验证集进行验证得到结果数据如图7，结果图如图8。实例1与实例2的验证结果比较图，如图9。

本发明将原本为一维的地面侦察雷达频域目标信号构造为二维数据平面进行训练，可训练性大大增强，经上述实施例验证，本发明测试准确率更高，能更加有效地使用卷积神经网络对雷达频域目标信号进行目标识别。