基于不确定性和数据拒判的雷达目标分类方法

1.本发明属于通信技术领域，更进一步涉及雷达信号处理技术领域中的一种基于不确定性和数据拒判的雷达目标分类方法。本发明可以在存在杂波、信噪比较低、欺骗式环境中，对雷达回波进行可信的分类。


背景技术：

2.在实际应用中，雷达远距离跟踪到目标并不断得到目标的脉冲回波数据，现有目标识别方法对得到的每一个脉冲回波数据进行决策而不加以拒判。然而实际工程应用中采集到的目标回波数据会受到各种因素的影响，例如：其他目标的杂波、天气因素以及敌机对抗性干扰等问题。这些受到干扰的低质量数据，它们的信号支撑区部分与训练库内数据严重失配，不包含可以提取的可分类别特征，ratr系统不能够准确的对其进行分类识别。如果不加以筛选，这些受到污染的雷达回波与可分的高质量雷达回波混在一起，会严重降低最终的分类识别率，如何合理有效的去除低质量雷达回波数据是雷达目标分类的难题之一。
3.jian chen在其发表的论文“target-attentional cnn for radar automatic target recognition with hrrp”(发表期刊：singal processing，doi：10.1016/j.sigpro.2022.108497)中提出了一种基于注意力加权的cnn卷积识别网络的雷达目标识别方法。该方法借助卷积层提取hrrp深层语义特征，而后将提取后的特征依序送入lstm模型中得到不同距离单元的加权权重，借助加权权重对原始特征加权后得到最终的特征而后送入分类层进行hrrp目标判别。借助注意力加权的方式该方法虽然可以在高质量雷达信号识别中取得了较好的识别性能，但是，该方法仍然存在不足之处是：由于该方法建立在训练集与测试集同分布的前提条件下以此检验网络性能，并不具备拒判能力，所以在存在杂波、欺骗式干扰的真实环境中，受到干扰的雷达回波依然会被误判为其他目标，这造成分类方法的误判，而使得识别率下降，严重影响了ratr系统的可靠性。
4.西安电子科技大学在其申请的专利文献“基于随机森林和数据拒判的地面目标分类方法”(专利申请号：201810874485.5，授权公告号：cn 109190673 b)中提出了一种基于随机森林的数据拒判目标识别方法。该方法具体步骤如下：第一步，对训练样本集进行预处理；第二步，提取训练样本集中特征矩阵；第三步，训练随机森林分类器；以上为训练阶段，在测试阶段，第一步，使用同样的方法对测试样本进行预处理；第二步，提取测试样本特征向量；第三步，计算输出概率向量；最后，输出的概率向量与提前人为设置的阈值进行对比，若输出概率向量大于预设的阈值则根据概率向量输出测试样本类别；反之，则拒判该雷达回波。虽然该方法可以对低质量雷达回波样本拒判，但是该方法存在的问题在于，类别概率向量只能代表模型的判别结果，并不能代表模型对判别结果的置信程度，且模型存在过度自信的问题，导致直接以类别概率向量作为拒判准则难以有效区分低质量雷达回波样本与高质量雷达回波样本。除此之外，该方法预先设置的阈值并不具备鲁棒性且严重依赖于研究人员的先验知识，难以调试。


技术实现要素：

5.本发明的目的在于针对上述现有技术存在的不足，提出一种基于不确定性和数据拒判的雷达目标分类方法。旨在解决实测环境下目标识别率较低以及现有拒判方法采用的拒判准则难以有效辨别低质量雷达回波这两个关键问题。
6.实现本发明目的的思路是，本发明在对与训练集分布差异不大的高质量雷达回波信号正确分类的同时，对杂波、欺骗式干扰等低质量雷达回波信号加以拒判以此解决实测环境下目标识别率较低的问题。同时本发明借助主观逻辑量化雷达回波的不确定性指标，在网络训练时即有意识的拉开高质量雷达回波样本与低质量雷达回波样本之间的差距，在测试时以网络对测试样本的不确定性指标作为拒判准则，更为准确的区分了低质量雷达回波样本与高质量雷达回波样本。通过解决上述两个问题能够在存在干扰的真实实测环境中，有效的对不同雷达目标进行可信分类。
7.本发明的具体步骤如下：
8.步骤1，生成训练集：
9.步骤1.1，将雷达接收到的至少有两种不同类别的雷达回波与其对应类别标签组成样本集；
10.步骤1.2，依次利用重心对齐方法、二范数归一化方法，对样本集中的每一个hrrp雷达回波做数据预处理，将预处理处理后的样本集作为训练集；
11.步骤2，构建卷积神经网络：
12.步骤2.1，搭建一个17层的卷积神经网络，其结构依次为：第一卷积层、第一bn层、第一激活层、第一池化层、第二卷积层、第二bn层、第二激活层、第二池化层、第三卷积层、第三bn层、第三激活层、第三池化层、第四卷积层、第四bn层、第四激活层、第四池化层、全连接层；其中全连接层为分类层，其余层为特征提取层部分；
13.步骤2.2，将第一至第四卷积层的卷积核大小均设置为9，卷积核的个数依次设置为32，64，128，128，第一至第四激活层均采用relu的激活函数实现，第一至第四池化层均设置为最大值池化，全连接层输出节点数设置为k，k代表飞机目标的类别总数；
14.步骤3，生成具有不确定性表示能力的损失函数如下：
[0015][0016]
其中，n代表训练集中样本的总数，i表示训练集中样本的编号，αi代表训练集中第i个样本对应的狄利克雷分布参数，λ与μ代表权重系数，λ与μ为在[0,1]范围内任意选取的一个数，ui代表训练集中第i个样本对应的雷达回波不确定性指标，l
ace
(
·
)代表借助狄利克雷分布产生不同的雷达回波结果，以此建模雷达回波结果的不确定性指标的损失函数，l
euc1
(
·
)代表借助kl散度更好的建模雷达回波结果的不确定性指标的损失函数，l
euc2
(
·
)代表将ui融入平方项损失函数中，借助对分对以及分错的训练雷达回波采取不同的操作以此拉开低质量雷达回波与高质量雷达回波之间的差距的损失函数；
[0017]
步骤4，利用生成的具有不确定性表示能力的损失函数训练卷积神经网络；
[0018]
步骤5，处理待测试雷达回波；
[0019]
步骤5.1，将高分辨率雷达实时接收的一个目标hrrp回波信号作为测试雷达回波；
[0020]
步骤5.2，采用与步骤1.2相同的方法，处理实时接收到的hrrp信号，得到处理后的
测试雷达回波；
[0021]
步骤6，计算处理后的测试雷达回波不确定性指标；
[0022]
步骤6.1，将处理后的测试雷达回波输入到训练好的卷积神经网络中，由该网络的全连接层输出证据向量；
[0023]
步骤6.2，计算测试雷达回波的不确定性指标；
[0024]
步骤7，判断测试雷达回波的不确定性指标是否大于阈值0.5，若是，则执行步骤8，否则，执行步骤9；
[0025]
步骤8，将测试雷达回波作为受到污染的低质量雷达回波信号，拒判该测试雷达回波；
[0026]
步骤9，将处理后的测试雷达回波证据向量中最大值对应的类别作为该测试雷达回波的目标分类结果。
[0027]
与现有技术相比，本发明具有以下优点：
[0028]
第一，由于本发明利用生成的具有不确定性表示能力的损失函数量化测试雷达回波的不确定性指标，克服了现有技术直接使用网络输出的概率向量难以有效区分低质量与高质量雷达回波样本的缺陷，使得本发明能够更为准确的描述模型对判别结果的置信度，同时更为精确的挖掘了与训练库失配的低质量雷达回波样本。
[0029]
第二，由于本发明判断雷达目标输出的不确定性指标是否小于阈值，若是，则将测试样本作为受到污染的低质量雷达回波信号，拒判该测试样本对下一帧雷达回波测试样本进行判别；否则，将测试雷达回波证据向量中最大值对应类别作为该测试样本的目标分类结果。由此克服了现有技术中在存在杂波、欺骗式干扰的真实战场环境中，由于低质量雷达回波与训练库样本分布不一致，而导致识别率较低的缺陷，使得本发明具有能减少误判和提高分类识别率的优点。
附图说明
[0030]
图1是本发明的流程图。
具体实施方式
[0031]
下面结合图1，对本发明实施例的实现步骤作进一步的描述。
[0032]
步骤1，生成训练集。
[0033]
步骤1.1，从三种不同型号飞机(cessna、an-26、yark-42)的一维高分辨距离像(high-resolution range profile，hrrp)回波信号中，通过目标姿态计算，选取yark-42第2、5航段的35840个hrrp回波，选取cessna飞机第6、7航段的42512个hrrp回波，选取an-26的5、6航段的51200个hrrp回波，将由此得到的共计129552个hrrp雷达回波与其对应类别标签组成样本集。
[0034]
步骤1.2，依次利用重心对齐方法、二范数归一化方法，对样本集中的每一个hrrp雷达回波做数据预处理，以此消除样本集中雷达回波姿态敏感性与幅值敏感性。将预处理处理好后的样本集作为训练集。
[0035]
步骤2，构建卷积神经网络。
[0036]
步骤2.1，搭建一个17层的卷积神经网络，其结构依次为：第一卷积层、第一bn层、
第一激活层、第一池化层、第二卷积层、第二bn层、第二激活层、第二池化层、第三卷积层、第三bn层、第三激活层、第三池化层、第四卷积层、第四bn层、第四激活层、第四池化层、全连接层；其中全连接层为分类层，其余层为特征提取层部分。
[0037]
设置卷积神经网络的参数如下。将第一至第四卷积层的卷积核大小均设置为9，卷积核的个数依次设置为32，64，128，128。第一至第四激活层均采用relu的激活函数实现，第一至第四池化层均设置为最大值池化，全连接层输出节点数设置为k，k代表飞机目标的类别总数，本发明实施例中k＝3。
[0038]
步骤3，生成具有不确定性表示能力的损失函数如下：
[0039][0040]
其中，n代表训练集中样本的总数，下标i表示训练集中样本的编号，αi代表训练集中第i个样本对应的狄利克雷分布参数；λ与μ代表权重系数，一般为小于等于1大于等于0的一个常数，在本实施例中均为1；l
ace
(
·
)代表基于狄利克雷分布的交叉熵损失函数，通过融入狄利克雷分布，完成不确定性分布建模，使得网络的输出具有不确定性表示能力，其作用在于帮助网络提取类别可分离特征，达到正确分类的效果；l
euc1
(
·
)损失函数与l
euc2
(
·
)损失函数均为正则化损失函数，用于辅助l
ace
(
·
)学习到更好的特征以及避免过拟合。l
euc1
(
·
)损失函数通过对当前迭代中分对的训练样本和分错的训练样本做不同的处理来更好的建模雷达回波不确定性，促使网络学习强可分离特征，而忽略一些容易造成误判的若可分离特征，解决了传统神经网络过度自信的问题。l
euc2
(
·
)损失函数同样对分对的训练hrrp样本与分错的训练hrrp样本分别处理，其中对于分对的训练hrrp样本，使其不确定性指标低于0.5，而对于分错的训练hrrp样本使其不确定性指标高于0.5。借助这种方式避免了部分样本尽管分对了，但是网络优化不够彻底导致其不确定性指标较大，同样避免部分分错的难分样本不确定性指标较低。这样做在训练时即有意识引入了不确定性指标，拉大了易分样本与难分样本之间的不确定性指标差异，使得测试时直接以u＝0.5作为阈值有理可循，解决了不同数据集阈值选取难以确定的问题。
[0041]
所述αi与ui具体计算公式如下。设训练集中第i个编号的训练hrrp样本通过神经网络全连接层输出的值为ei＝(e
i1
,e
i2
,...,e
ik
)，定义αi＝(α
i1
,α
i2
,...,α
ik
)＝(e1+1,e2+1,...,ek+1)，令则该训练雷达回波的不确定性指标为k为雷达回波类别数目，本实施例中k＝3。
[0042]
所述l
ace
(
·
)损失函数具体形式如下所示：
[0043][0044]
其中，其中，代表双伽马函数，yi代表第i个编号的训练hrrp样本对应的类别标签独热向量，y
ij
代表yi中第j个元素对应的值。
[0045]
所述l
euc1
(
·
)函数具体形式如下所示：
[0046][0047]
其中，代表第i个编号的训练hrrp样本对应的雷达回波网络预测的类别标签独热向量，kl[
·
]代表kullback-leibler散度函数，代表训练集中第i个编号的训练hrrp样本对应的掩膜狄利克雷分布参数，
⊙
代表向量点乘操作，d(pi|αi)以及d(pi|1)分别代表以αi与k维全1向量为参数的狄利克雷分布。
[0048]
所述l
euc2
(
·
)函数具体形式如下所示：
[0049][0050]
其中，ui代表第i个编号的训练hrrp样本对应的不确定性指标。
[0051]
步骤4，利用生成的具有不确定性表示能力的损失函数训练卷积神经网络。
[0052]
将训练集输入到卷积神经网络中，利用步骤3生成的具有不确定性表示能力的损失函数计算卷积神经网络中全连接层的输出与类别标签之间的误差，从卷积神经网络的顶层向下传播该误差，更新卷积神经网络的参数，不断迭代上述过程直至损失函数收敛，得到训练好的卷积神经网络。
[0053]
步骤5，处理待测试雷达回波。
[0054]
步骤5.1，将高分辨率雷达实时接收的一个目标hrrp回波信号作为测试雷达回波。
[0055]
步骤5.2，采用与步骤1.2相同的流程，处理实时接收到的hrrp信号，得到处理后的测试雷达回波。
[0056]
步骤6，计算处理后的测试雷达回波不确定性指标。
[0057]
步骤6.1，将处理后的测试雷达回波输入到训练好的卷积神经网络中，由该卷积神经网络的全连接层输出证据向量e＝(e1,e2,...,ek)，将该证据向量中元素最大值的下标索引对应的雷达回波类别索引作为处理后的测试雷达回波类别。本发明实施例中k＝3，假设输出的证据向量e＝(1,1,10)，第三个元素值最大，则处理后的测试雷达回波属于第三个元素对应的第三类雷达回波目标。
[0058]
步骤6.2，按照下式，计算测试雷达回波的不确定性指标。
[0059][0060]
其中，u代表测试雷达回波的不确定性指标，k代表雷达回波类别的总数，在本实施例中k＝3，ej代表证据向量中第j个元素对应的值。
[0061]
步骤7，判断测试雷达回波的不确定性指标是否大于阈值0.5，若是，则执行步骤8，否则，执行步骤9。
[0062]
步骤8，将测试雷达回波作为受到污染的低质量雷达回波信号，拒判该测试雷达回波。
[0063]
步骤9，将处理后的测试雷达回波证据向量e＝(e1,e2,...,ek)中最大值对应的类别作为该测试雷达回波的目标分类结果。
[0064]
下面结合仿真实验对本发明的效果做进一步的说明。
[0065]
1.仿真实验条件：
[0066]
本发明软件平台为windows 10操作系统和pytorch框架。
[0067]
2.仿真实验内容：
[0068]
本发明仿真实验选用雷达采用地面逆合成孔径(isar)c波段雷达，发射线性调频脉冲信号，雷达中心频率为5520mhz，脉冲重复频率为400hz，信号带宽为400mhz，距离分辨率为0.375米。使用该雷达获取三类不同型号飞机(yark-42、cessna、an-26)的hrrp回波数据。其中训练集选取yark-42第2段、第5段、cessna第6段、第7段、an-26第5段、第6段雷达回波数据作为训练数据，其余雷达回波作为测试数据。在测试样本中存在少部分杂波、未跟踪到目标以及信噪比较低的低质量目标雷达回波。在实验时，分别采用本发明方法和常规分类方法，对测试样本进行分类。常规分类识别方法指的是不具备不确定性输出能力的传统机器学习算法以及深度学习算法，对分类结果不进行拒判。
[0069]
现有常规识别方法taran分类方法是指，bo chen等人在“target-aware recurrent attentional network for radar hrrp target recognition[j].signal processing,2019,155:268-280.”中提出的hrrp分类方法，简称taran方法。
[0070]
现有常规识别方法tacnn分类方法是指，jian chen等人在“target-attentional cnn for radar automatic target recognition with hrrp[j].signal processing,2022,196:108497.”中提出的hrrp分类方法，简称tacnn方法。
[0071]
3.仿真结果分析：
[0072]
为了评价本发明方法与常规分类方法，按照下式，分别计算本发明仿真实验的每类地面目标的测试识别率，下面给出类平均识别率指标计算方法：
[0073][0074]
其中tri表示第i类中正确识别的测试样本的数量，qi表示第i类中测试样本的总数，nc表示共有几类测试雷达目标。对于常规方法而言,其qi为第i类所有测试样本总数。对于本方法来说，qi代表测试样本中不确定性指标低于设定阈值0.5的样本总数。上述指标越高，说明目标识别方法的性能越好。
[0075]
表1为不同方法在存在杂波、未跟踪到目标以及信噪比较低的测试雷达回波数据集中识别率表现,如下所示：
[0076]
表1常规分类方法结果和本发明的测试识别率比较一览表
[0077]
模型方法平均识别率taran90.04％tacnn93.14％ours(未拒判)90.12％ours(拒判)99.17％
[0078]
从表1中的平均识别率可以看出，本发明方法相比常规分类方法具有明显优势。具体而言，相对基于rnn模型taran方法，利用本发明对雷达目标进行分类时，雷达目标的测试识别率提升约10％，使得总体识别性能大幅提升。即便与最新的基于cnn模型的tacnn方法相比，其识别率依旧提升了约6％，体现了所提算法的有效性。由于本发明方法和常规方法
采用相同数据预处理手段，且未做拒判时识别性能为90.12％，所以性能的提升主要是由数据拒判带来的，即数据拒判可以有效去除杂波、欺骗式干扰等低质量雷达回波测试样本，而常规方法会接受杂波、欺骗式干扰等低质量雷达回波测试样本，并进行随机分类，这会导致每类雷达目标的识别率和平均识别率下降。