一种基于超宽带电磁散射特征的雷达目标识别方法

1.本发明属于雷达识别技术领域，具体涉及一种基于超宽带电磁散射特征的雷达目标识别方法。


背景技术：

2.高分辨距离像(hrrp)是宽带雷达在脉冲压缩后从目标散射体获得的复杂回波的叠加。它包含目标的几何特征，例如目标散射中心的相对距离、数量和散射强度。hrrp提供的信息对于目标识别很重要，现阶段已经提出多种利用hrrp实现雷达目标识别的方法。例如使用hrrp数据的散射中心模型来探索目标的主要散射中心的稀疏分布特性、使用二阶中心矩和hrrp数据作为特权信息的特征学习方法等。但大多数方法都依赖于从hrrp中提取的特征，而没有利用目标的其他信息，这使得目标的其他信息被浪费。
3.随着深度学习算法在计算机视觉、自然语言处理方面的成功应用，其也推广应用到了雷达目标识别领域。与仅专注于从hrrp人工提取特征的方法不同，基于深度学习模型的方法能够自动挖掘目标的基本特征，这意味着这些模型是完全由数据驱动的。但同时也面临着挑战，即深层模型需要大量的训练样本和大量的计算资源。因此，如何使用相对较小的训练集为深度学习模型包含附加信息以完成目标识别，是雷达目标识别的一个问题。
4.雷达的距离分辨率与其工作频率带宽成反比。想要实现高分辨率，则需要宽带雷达系统。超宽带(uwb)散射特性可以提供精细的范围分辨率和丰富的散射信息。尽管现有的宽带雷达系统可以提供高范围的分辨率，但导弹，飞机和卫星的精细结构通常小于宽带雷达系统的范围分辨率。因此，现有的宽带雷达系统很难提取此类目标的精细结构，而建立物理uwb 雷达可能会导致系统设计的复杂性增加以及硬件成本大幅增加。一种有效的选择是从多个频率子带合成uwb数据，而无需显着改善现有雷达系统的硬件。基于衍射几何理论(gtd) 模型可以实现多个频率子带的合成。由于具有较高的计算精度和相对简单的计算过程，gtd 模型在电磁散射问题上已有数十年的研究和应用。


技术实现要素：

5.本发明提出一种基于超宽带电磁散射特征和深度融合卷积神经网络的雷达目标识别方法 (ugfcnn)，其可以有效地综合uwb hrrp数据，充分利用数据驱动特征和参数特征。与现有的并行方法相比，该方法具有更高的目标识别正确率。
6.本发明的解决方案是：首先，根据目标衍射模型的几何理论，合成多个频率子带，得到超宽带高分辨距离像(uwb hrrp)和参数特征，其中，参数特征包括相对范围，幅度，频率响应参数和目标散射中心的数量。其次，通过卷积运算提取hrrps的时域特征，并与所提出的跨域特征选择方法选择的参数特征相连接。最后，设计了一个网络来完成目标识别，该网络将连接的特征作为下一个卷积层的输入，同时训练网络的所有参数。
7.本发明的具体步骤为：
8.步骤1：在两个子频带数据s1(t)s2(t)的基础上利用稀疏重建方法解y＝ψδ+n，得
到 uwb的频域电磁特性。
9.步骤2：取的离散频率范围为[f
l
,fu]，由此获得超宽带的完备字典ψu，得到超宽带频率响应yu＝ψuδ。对yu进行逆傅里叶变换即可得到超宽带一维距离像(uwb hrrp)yu。
[0010]
步骤3：通过数据集扩充与划分构建训练集和测试集。
[0011]
步骤4：构建cnn模型并通过跨域特征选择方法得到具有最佳pc值的uwb频域参数特征。
[0012]
步骤5：选择pc值最高的频域参数特征作为辅助特征，设置epochs＝100，batch size＝32， leraning rate＝0.001，迭代次数为150，利用前向传播和后向传播训练模型参数。
[0013]
步骤6：利用训练好的模型进行目标识别。
[0014]
本发明的有益效果是：本发明是一种基于子带综合和特征融合的雷达目标识别方法，其利用子带hrrp数据信息，采用所提方法合成超宽带hrrp数据，提取uwb参数特征以提高识别性能。然后提出了一种基cnn反向传播算法的跨域特征选择方法，用于选择用于目标识别的频域参数特征。最后利用提取的uwb频域参数特征和uwb hrrp样本，提出了一种特征选择方法。因此，该方法可以有效地综合uwb hrrp数据，充分利用数据驱动特征和参数特征。
附图说明
[0015]
图1为本发明方法顶层结构示意图；
[0016]
图2为5个相似目标的概貌；
[0017]
图3为几种经典学习方法应用于子带hrrp样本和uwb hrrp样本的识别精度对比；
[0018]
图4为本发明方法在选择不同参数特征时的目标识别精度对比；
[0019]
图5为在不同snr下一些经典方法与本发明方法的识别精度和损耗比较；
[0020]
图6为在不同snr下一些经典方法与本发明方法的识损耗比较；图7为通过本发明方法和cnn应用于子带hrrp和uwb hrrp目标识别结果的混淆矩 阵。
具体实施方式
[0021]
下面结合附图详细描述本发明的技术方案：
[0022]
如图1所示，为本发明的流程，具体包括：
[0023]
步骤1：在两个子频带数据s1(t)s2(t)的基础上利用稀疏重建方法解y＝ψδ+n，得到uwb的频域电磁特性。
[0024]
步骤1-1：第i个(i＝1,2)雷达将线性调频信号si(t)发送到目标，则目标相对于第i个雷达的频率响应为
[0025][0026]
其中si(f)是si(t)的傅里叶变换，m为目标散射中心的数量，am和αm分别表示第m个散射中心的幅度和散射几何类型，f
0i
表示第i个子带的初始频率，r
mi
表示第m个散射点与第
i个雷达之间的相对距离，c为光速。
[0027]
步骤1-2：建立一个完备字典ψi，第i个(i＝1,2)子带的第(n,l)位的元素表示为
[0028][0029]
其中fi(n)为第i个子带的离散化频率，是散射中心的散射几何类型，类型，表示目标相对于第i个雷达可能的最大相对距离，l2表示离散化相对距离的总数，l＝(l
1-1)l2+l2，l1∈{1,...,5}，l2∈{1,...,l2}。
[0030]
步骤1-3：离散频率响应yi可以用矩阵格式写为
[0031]
yi＝ψiδi+ni，
[0032]
yi＝(s
ri
(fi(1)),
…
,s
ri
(fi(ni)))
t
，假设第i个子带有ni个频率点。δi表示目标散射点相对于第i个子带的未知复振幅，ni为噪声向量。δi中的非零元素为散射点未知复振幅的估计，其在ψi中对应的列估计了αm和r
mi
的值。
[0033]
步骤1-4：以子带2为例，ψ2中对应δ2非零元素的每列逐个元素乘以em来产生一个新的完备字典em的第n个元素为的第n个元素为为δi中第m个非零元素的索引。子带2新的离散频率响应为
[0034]
将y1与之间的相位差固定项表示为λ，损失函数为
[0035][0036]
表示预测子带数据，两个子带共享f
l
到fu的公共频带，||表示复数的模。f
l
和fu可以根据需要的合成频带来选择，角标l、u表示此频率为第i个子带的最低频率和最高频率。一般设置f
l
为低频段子带(子带1)的最低频率，fu为高频段子带(子带2)的最高频率。预测子带数据可由和算得，计算和的离散频率范围为f
l
到 fu。假设代价函数的最小值在处取得，经过相关补偿之后的子带数据为
[0037][0038]
对多个子带进行联合参数估计，采用稀疏重建方法解
[0039]
y＝ψδ+n，
[0040]
离散频率范围[f
1l
,f
1u
]∪[f
2l
,f
2u
]，f
il
、f
iu
表示此频率为当前频带的最低频率和最高频率。获得目标的电磁散射信息后，δ中的非零元素为估计的目标散射中心的数量，其在ψ中对应的列即为目标散射中心的相对距离、幅度和散射几何类型。本发明中将上述四个参数作为uwb频域参数特征。
[0041]
步骤2：取的离散频率范围为[f
l
,fu]，由此获得超宽带的完备字典ψu，得到超宽带频率响应yu＝ψuδ。对yu进行逆傅里叶变换即可得到超宽带一维距离像(uwb hrrp)yu。
[0042]
步骤3：数据集扩充与划分。
[0043]
步骤3-1：本发明从10
°
到35
°
范围每隔5
°
处理生成100次雷达回波，并对匹配滤波后的生成的hrrp样本分别加入15db的随机噪声将样本数扩充至1000，5类弹头共有数据 30000。
[0044]
步骤3-2：将训练集与测试集按照1：1比例设置，其中训练集样本为弹头hrrp样本中的10
°
、15
°
、20
°
这些角度的样本集合，测试集为弹头hrrp样本中的25
°
、30
°
、35
°
的样本集合。频域参数特征也按上述条件划分。
[0045]
步骤4：构建cnn模型并通过跨域特征选择方法得到具有最佳pc值的uwb频域参数特征。
[0046]
步骤4-1：构建cnn。该网络由4个卷积池化(cp)块和全连接(fc)块组成，cp块包含2个卷积层和1个池化层，而fc块则由完全相连的神经元组成。从cp1到cp4的每个 cp块都包含两个具有相同核设置的卷积层，其核大小为3
×
1，步长为1。4个cp块输出的特征图个数分别为32、32、64、64。一个fc块由两个分别具有512和1024个神经元的全连接层组成，fc块用于连接最后一个cp块和softmax分类器。
[0047]
步骤4-2：频域参数特征拼接。本发明考虑将频域特征参数作为辅助特征连接到网络中进行训练，即将频域参数特征经过处理之后拼接到某个cp块输出的特征图上，与提取的时域特征进行融合。所提网络一种可能的结构信息如表i所示，频域参数特征将被连接到cp3的输出的特征图上，具体地，首先需要按照此时特征通道数将选中的频域参数特征进行复制，然后将复制的频域参数特征向量一一拼接在原特征图之后，串联形成新的时频特征图作为后续特征输入。
[0048]
步骤4-3：将初始cnn预训练10个epochs并保存其权重。
[0049]
步骤4-4：从步骤1得到的频域参数特征中选择一类特征，将复制的特征与每个通道的特征图连接起来，加载步骤4-2中初始cnn的权重，并利用前向传播和后向传播训练模型参数 10个epochs。
[0050]
步骤4-5：利用测试集上的平均结果计算相应类别频域参数特征的pc值。
[0051][0052]
其中loss1,loss2分别是初始cnn和特征融合cnn的损失值，d1表示初始cnn卷积层的平均特征图误差矩阵，d2表示对应于与d1相同的一组数据驱动特征平均误差矩阵，||d
1-d2||2表示级联前后初始特征图的平均误差变化，pf2表示参数特征的相应类别的误差矩阵。 d1,d2,pf2由下式计算得到：
[0053][0054][0055]
在进行hadamard乘积之前，需将第l层的权重旋转180
°
，*表示卷积，δ
l
表示第l层的误差矩阵，z神经元的值矩阵，σ
′
(z
l-1
)表示激活函数的微分。
[0056]
步骤4-6：重复步骤4-4至4-5，直到得到所有参数特征的pc值，选择pc值最高的那类频域参数特征与通道的特征图连接。
[0057]
步骤5：选择pc值最高的频域参数特征作为辅助特征，设置epochs＝100，batch size＝32， leraning rate＝0.001，迭代次数为150，利用前向传播和后向传播训练模型参数。
[0058]
步骤7：利用训练好的模型进行目标识别。
[0059]
将本发明提出的基于超宽带电磁散射特征和深度融合卷积神经网络的雷达目标识别方法应用于5个相似目标的识别，如图2所示，目标1、5锥体上分别有3、1条凹槽。
[0060]
为了验证子带合成和特征选择的有效性，本发明进行了仿真实验。从图3可以看出，对于测试的所有方法，相较于子带hrrp样本，合成的uwb hrrp样本均具有最高的目标识别精度，说明uwb样本能提高目标识别的准确度。从图4中可以观察到，在4个参数特征中，相对距离rm在不同数据集上表现出了其在识别准确性方面的些许优势，由此可知跨域特征选择方法对目标识别是有效的。
[0061]
同时，为了验证本发明方法的有效性，我们将一些经典的目标识别方法与本发明方法进行了对比，如图5示。本发明方法与cnn的识别准确度相较其他方法要高得多，这表明基于卷积核的深度模型特征提取具有优越性。同时，曲线的走向也表明本发明方法在不同信噪比下均具有稳定的识别性能，在低信噪比条件下，本发明方法具有较好的稳健性，这表明提取的参数特征非常重要，适合与数据驱动模型提取的特征融合。鉴于本发明方法与cnn在识别上的高度相似性，本发明也将本发明方法与cnn应用于子带hrrp和uwb hrrp样本进行了比较。由图6混淆矩阵的结果可以看出，在子带hrrp样本上，本发明方法性能优于cnn，但本发明方法在两个相似目标上仍有错误识别的情况，这说明子带hrrp不能完全提供目标的基本信息用于识别。在uwb hrrp样本上，两种方法均具有较高的识别准确度，且二者识别准确度均有所提升。由于uwb hrrp提供了包括数据驱动特征和参数特征在内的完整信息，cnn的识别准确度提升了不少，而uwb hrrp的错误识别的情况也大幅减少。
[0062]
表2中，ugfcnn用于测试子带1、2样本，其他方法仅测试子带1样本，从表中可以看出，机器学习方法测试hrrp样本的速度明显更高，因为本发明提出的ugfcnn/gfcnn 具备特殊的参数特征提取过程。其中由于gfcnn中应用了ifft用于产生uwb hrrp样本，所以测试速度略快于ugfcnn。
[0063]
表1 本发明模型结构
[0064]
[0065][0066]
表2 不同方法在单样本上的测试速度比较
[0067]