基于融合特征的一维卷积神经网络地面雷达目标分类方法与流程

本发明属于雷达数字信号处理技术领域，特别是一种基于融合特征的一维卷积神经网络地面雷达目标分类方法。

背景技术：

目前低分辨雷达目标识别大多基于雷达目标数据的人工特征提取，识别性能的好坏取决于特征的质量。对于脉冲多普勒雷达，现在应用广泛的目标识别方式是由雷达操作人员辨别不同地面运动目标产生的雷达音频信号。然而，这种方法对雷达操作人员提出了较高的训练要求，并且操作人员的感官差异和主观性将导致分类的非实时性，并不适合实时操作。此外，低分辨雷达也可通过傅里叶变换得到功率谱，再人为从中提取特征，进行目标分类。但这两种方法都无法避免人为参与的主观因素，使得雷达目标的分类识别缺少客观性。因此，发展自动目标识别能力在目前的雷达系统中具有重要的现实意义和应用价值。

雷达的自动目标识别运用了机器学习和模式识别的相应知识，将雷达回波中隐藏的信息提取出来用以反映目标的属性。目标识别机制的整体工作流程如图1所示，主要分为两个部分，首先对收集的雷达样本训练集进行输入特征的融合，之后根据选定的分类器架构进一步对网络参数进行训练，得到分类器系数，完成后进入第二部分，也就是未知目标的识别，未知目标样本集也称为测试集，采用相同方法进行数据预处理后，利用训练好的分类器进行识别决策，得出最终分类结果。

不同的目标分类方法，其区别主要在于特征提取方法和分类器设计。对高分辨距离像而言，常有功率谱差分、幂变换等数据预处理的特征提取方法。针对低分辨雷达的目标识别，许多现行的分类模型采用对回波信号进行傅里叶变换(fft)、时频分析等处理。相比之下，傅里叶变换得到的功率谱在得到区分特征值的同时有着较好的工程实现意义。此外，分类器设计主要有以下几类：①模板匹配算法：计算量小，但对模板库的依赖性高；②核机器学习算法：以统计学习理论与核函数为基础，支持向量机(svm)为代表，实现简单。svm基于统计学习理论，提出了结构风险最小化原则，作为凸优化问题可以得到稳定的全局最优解，目前应用最为广泛。但是svm只在小样本训练集上得到较好的结果，当训练样本规模较大时，svm的存储和计算将耗费大量机器内存和运算时间，并且其核函数的选取也是目前尚未解决的难题。③人工神经网络算法：神经网络具有自主学习的能力，无需人工提取特征，但计算量大，并且存在训练结果陷入局部最优的风险，训练结果不稳定。

以上的这些方法都存在一定的缺陷，比如需要人工提取特征、不适用于大样本库的训练等等。随着人工智能以及集成电路技术的飞速发展，人工智能相关知识应用于雷达目标识别领域越来越广泛。但目前应用较多的是sar、isar成像雷达以及hrrp等高分辨距离像，利用图像分类的网络结构进行雷达目标分类。在低分辨雷达目标分类领域，已有的进展是利用回波的微多普勒特征二维图像进行目标分类。这种方法虽取得了较好的分类效果，但由于图像处理所需的资源要求以及低分辨雷达成本和体积的限制，在实际工程实现中将无法保证处理的实时性。

技术实现要素：

本发明的目的在于提供一种能够提高判决效率、准确率及泛化能力的基于融合特征的一维卷积神经网络地面雷达目标分类方法。

实现本发明目的的技术解决方案为：一种基于融合特征的一维卷积神经网络地面雷达目标分类方法，步骤如下：

步骤1，对训练样本集和测试样本集中的雷达回波数据样本进行预处理，通过fft得到回波数据的幅度谱、功率谱，再对幅度谱进行幂变换，将三组特征向量作为特征输入的三个通道；

步骤2，确定一维卷积神经网络架构，将提取后的三通道特征送入全连接层；

步骤3，利用softmax分类器进行分类，计算得到输出预测标签与真实标签的误差；

步骤4，利用梯度下降法对网络权重系数进行修正，直至达到最大迭代次数，提取相应的网络权重系数，确定最终分类器模型；

步骤5，将待识别的测试集雷达回波样本送入训练得到的分类器，完成目标分类。

进一步地，步骤1所述对训练样本集和测试样本集中的雷达回波数据样本进行预处理，通过fft得到回波数据的幅度谱、功率谱，再对幅度谱进行幂变换，将三组特征向量作为特征输入的三个通道，具体如下：

(1.1)假设输入的雷达单个回波样本为xn,n＝1,2,...,n是雷达时域波形的n点序列；

(1.2)对n点序列做傅里叶变换，得到雷达的幅度谱xan；

(1.3)对幅度谱求平方值得到雷达的功率谱，并做对数变换得到xpn；

(1.4)对幅度谱做幂变换得到雷达幅度谱的幂变换xmn，幂指数为0.2，

xmn＝(xan)^0.2,n＝1,...,n(1)

(1.5)对雷达的幅度谱、功率谱、幂变换融合为并联的三个特征向量，得到新的特征向量xn：

xn＝[xan；xpn；xmn],n＝1,...,n(2)。

进一步地，步骤2所述确定一维卷积神经网络架构，将提取后的三通道特征送入全连接层，具体如下：

(2.1)设定每个卷积块包括一个卷积层，一个批处理归一化层以及一个激活函数层，设置卷积步长为1，卷积采用补零操作使输出维度与输入维度相同；

输入卷积层的原始雷达回波数据维度为(none,1,n,1)，卷积后的数据大小变为(none,1,n,l1)，其中l1代表据卷积层的深度，卷积过程如下，则卷积层输出记为output：

其中，*代表卷积操作，m代表通道数，conv代表卷积层，conv_bj代表对应位置的偏置系数，i代表第i个输入神经元，下标j代表第j个输出神经元，f为激活函数，激活函数选用leakyrelu函数，则经过激活函数后输出为relu_output：

(2.2)设置卷积块①重复次数为3，输出与一个最大池化层相连，最大池化参数设置为窗口大小为1×8，步长为8；池化层的输出作为卷积块②的输入，卷积块②重复3次，输出送给最大池化层，窗口大小为1×8，步长为8；

池化后的输出poolingj表示为：

poolingj＝down(relu_outputj)(5)

其中，都down(·)代表将输入数据以设定步长步进，每个位置选取当前窗口内的最大值作为当前位置的代表；

(2.3)设置丢弃层的丢弃率为0.7，丢弃层在每次训练过程中以0.7的概率的抑制神经元工作；

(2.4)设置全连接层fc，将卷积块②的输出拉伸为一维结构，作为fc层的输入，则fc层的输出fc_outputj为

其中，pooling²代表第二个池化层的输出，j代表第j个神经元，fcij代表pooling²中第i个神经元与fc层中第j个神经元之间的权重系数，fc_bj代表第j个神经元对应的偏置系数。

进一步地，步骤3所述利用softmax分类器进行分类，计算得到输出预测标签与真实标签的误差，具体如下：

采用softmax分类器，将前级全连接层fc的输出送入softmax分类器，则softmax分类器的输出sj为

其中，c代表待分类的种类数，即fc层输出神经元个数；

采用交叉熵损失函数lcross_entropy：

其中，yj是样本的真实标签；

计算得到输出预测标签与真实标签的误差。

本发明与现有技术相比，其显著优点为：(1)自动识别地面侦察雷达目标属性，利用雷达时域回波数据，对回波进行特征提取，并设计分类器，提高了地面侦察雷达的目标属性判别能力；(2)利用一定数量回波样本的融合特征对分类器进行训练，确定网络结构超参数及相应各层权重系数，具有更少的参数，能够高效而准确的完成目标分类；(3)实现简单，易于理解，通过特征融合的方法提高了分类器的准确率及泛化能力，判决效率高，在低分辨雷达的地面雷达目标属性识别中性能出色。

下面结合附图对本发明作进一步详细描述。

附图说明

图1是雷达目标分类识别流程图。

图2是一维卷积神经网络分类器的结构示意图。

图3是典型人、车回波样本示意图，其中(a)为人员回波样本示意图，(b)为人员样本对应功率谱snr＝50db的示意图，(c)为人员回波幅度谱的示意图，(d)为人员样本幅度谱的幂变换示意图，(e)为车辆回波样本的示意图，(f)为车辆样本对应功率谱snr＝50db的示意图，(g)为车辆回波幅度谱的示意图，(h)为车辆样本幅度谱的幂变换示意图。

图4是训练过程中验证集的准确率及损失函数值示意图，(a)为损失函数值的示意图，(b)为验证集准确率的示意图。

具体实施方式

本发明基于融合特征的一维卷积神经网络地面雷达目标分类方法，步骤如下：

步骤1，对训练样本集和测试样本集中的雷达回波数据样本进行预处理，通过fft得到回波数据的幅度谱、功率谱，再对幅度谱进行幂变换，将三组特征向量作为特征输入的三个通道；

步骤2，确定一维卷积神经网络架构如图2所示，将提取后的三通道特征送入全连接层；

步骤3，利用softmax分类器进行分类，计算得到输出预测标签与真实标签的误差；

步骤4，利用梯度下降法对网络权重系数进行修正，直至达到最大迭代次数，提取相应的网络权重系数，确定最终分类器模型；

步骤5，将待识别的测试集雷达回波样本送入训练得到的分类器，完成目标分类，根据最终的输出结果进行判决验证模型的准确性。

进一步地，步骤1所述对训练样本集和测试样本集中的雷达回波数据样本进行预处理，通过fft得到回波数据的幅度谱、功率谱，再对幅度谱进行幂变换，将三组特征向量作为特征输入的三个通道，具体如下：

(1.1)假设输入的雷达单个回波样本为xn,n＝1,2,...,n是雷达时域波形的n点序列；

(1.2)对n点序列做傅里叶变换，得到雷达的幅度谱xan；

(1.3)对幅度谱求平方值得到雷达的功率谱，并做对数变换得到xpn；

(1.4)对幅度谱做幂变换得到雷达幅度谱的幂变换xmn，幂指数为0.2，

xmn＝(xan)²,n＝1,...,n(1)

(1.5)对雷达的幅度谱、功率谱、幂变换融合为并联的三个特征向量，得到新的特征向量xn：

xn＝[xan；xpn；xmn],n＝1,...,n(2)

进一步地，步骤2所述确定一维卷积神经网络架构，将提取后的三通道特征送入全连接层，模型依次包括：三个卷积块、最大池化层、三个卷积块、最大池化层、丢弃层、全连接层、softmax分类器、交叉熵损失函数。其中单个卷积块依次包括一个卷积层、一个批处理归一化层、一个leakyrelu激活层。具体如下：

(2.1)设定每个卷积块包括一个卷积层，一个批处理归一化层以及一个激活函数层，设置卷积步长为1，卷积采用补零操作使输出维度与输入维度相同；

输入卷积层的原始雷达回波数据维度为(none,1,n,1)，卷积后的数据大小变为(none,1,n,l1)，其中l1代表据卷积层的深度，卷积过程如下，则卷积层输出记为output：

其中，*代表卷积操作，m代表通道数，conv代表卷积层，conv_bj代表对应位置的偏置系数，i代表第i个输入神经元，下标j代表第j个输出神经元，f为激活函数，激活函数选用leakyrelu函数，则经过激活函数后输出为relu_output：

(2.2)设置卷积块①重复次数为3，输出与一个最大池化层相连，最大池化参数设置为窗口大小为1×8，步长为8；池化层的输出作为卷积块②的输入，卷积块②重复3次，输出送给最大池化层，窗口大小为1×8，步长为8；

池化后的输出poolingj表示为：

poolingj＝down(relu_outputj)(5)

其中，都down(·)代表将输入数据以设定步长步进，每个位置选取当前窗口内的最大值作为当前位置的代表；

(2.3)设置丢弃层的丢弃率为0.7，丢弃层在每次训练过程中以0.7的概率的抑制神经元工作；

(2.4)设置全连接层fc，将卷积块②的输出拉伸为一维结构，作为fc层的输入，则fc层的输出表示为

其中，pooling²代表第二个池化层的输出，j代表第j个神经元，fcij代表pooling²中第i个神经元与fc层中第j个神经元之间的权重系数，fc_bj代表第j个神经元对应的偏置系数。

进一步地，步骤3所述利用softmax分类器进行分类，计算得到输出预测标签与真实标签的误差，具体如下：

采用softmax分类器，将前级全连接层fc的输出送入softmax分类器，则softmax分类器的输出sj为

其中，c代表待分类的种类数，即fc层输出神经元个数；

采用交叉熵损失函数lcross_entropy：

其中，yj是样本的真实标签；

计算得到输出预测标签与真实标签的误差。

本发明方法实现简单，易于理解，通过特征融合的方法进一步提高分类器的准确率及泛化能力，判决效率高，在低分辨雷达的地面雷达目标属性识别中性能出色。

下面结合附图及具体实施例对本发明做进一步详细说明。

实施例

本实施例提供一种地面侦察雷达目标识别方法，基于幅度谱、功率谱、以及幅度谱幂变换的三通道特征融合，根据输入特征改进的一维卷积神经网络结构超参数进行自主确定。在原有lenet-5网络基础上进行改进，缩减网络层数和卷积核维度，得到了处理雷达数据的一维卷积神经网络分类器，新结构的网络参数规模较小，保证了目标识别分类功能的实时性。

作为具体的实施例，本发明基于特征融合的一维卷积神经网络的地面雷达目标识别方法，主要包括五个步骤：

第一步、利用雷达基带回波信号进行数据预处理

1.假设输入的雷达单个回波样本为xn,n＝1,2,...,n是雷达时域波形的n点序列；

2.对n点序列做傅里叶变换，得到雷达的幅度谱xan,n＝1,...,n；

3.对幅度谱求平方值得到雷达的功率谱并做对数变换xpn,n＝1,...,n；

4.对幅度谱做幂变换，

得到雷达幅度谱的幂变换xmn,n＝1,...,n。

5.对雷达的幅度谱、功率谱、幂变换融合为并联的三个特征向量，得到新的特征向量xn。

xn＝[xan；xpn；xmn],n＝1,...,n(2)

第二步、构建cnn网络结构正向传播流程如图2所示，利用训练样本库对网络参数进行训练。

1.设定每个卷积块包括一个卷积层，一个批处理归一化层以及一个激活函数层，设置卷积步长为1，卷积采用补零操作使输出维度与输入维度相同。输入卷积层的原始雷达回波数据维度为(none,1,n,1)，卷积后的数据大小变为(none,1,n,l1)，卷积过程如下，则卷积层输出记为output：

其中*代表卷积操作，m代表通道数，conv代表卷积层，conv_bj代表对应位置的偏置系数，i代表第i个输入神经元，j代表第j个输出神经元，f为激活函数，激活函数选用leakyrelu函数，则经过激活函数后输出为relu_output：

2.设置卷积块①重复次数为3，输出与一个最大池化层相连，最大池化参数设置为窗口大小为1×8，步长为8。池化层的输出作为卷积块②的输入，卷积块②重复3次，输出送给最大池化层，窗口大小为1×8，步长为8。池化后的输出表示为：

poolingj＝down(relu_outputj)(5)

其中，都down(·)代表将输入数据以一定步长步进，每个位置选取当前窗口内的最大值作为当前位置的代表。

3.设置丢弃层的丢弃率为0.7，丢弃层在每次训练过程中以0.7的概率的抑制神经元工作。

4.设置全连接层fc，将卷积核②的输出拉伸为一维结构，作为fc层的输入。

其中，pooling²代表第二个池化层的输出，j代表第j个神经元，fcij代表pooling²中第i个神经元与fc层中第j个神经元之间的权重系数，fc_bj代表第j个神经元对应的偏置系数。

第三步、设置分类器和损失函数。

采用softmax分类器，将前级全连接层fc的输出送入softmax分类器，则有：

c代表待分类的种类数，即fc层输出神经元个数。最后采用交叉熵损失函数

其中，yj是样本的真实标签，

第四步、一维卷积神经网络系数更新。

权重系数更新方法采用反向传播计算方法，对损失函数求解关于输出层及各隐含层的梯度，根据梯度下降法更新对应的系数，完成一次训练过程。重复训练过程直到最大训练次数，记录此时的网络权重系数及偏置系数。

第五步、分类器搭建以及性能测试。

根据设置的网络结构及训练好的相关系数完成分类器的设计，用样本库中实测的低分辨地面侦察雷达样本进行测试。

本发明的效果通过人、车两类目标样本的验证进一步说明，典型人、车样本的fft幅度谱、功率谱、幅度谱幂变换结果如图3(a)～图3(h)所示。选取样本库中5000个样本作为训练集，15000个样本作为验证集，得到识别率为97.8％。

本发明实现了以下显著的效果：实现简单，雷达时域回波数据经过fft得到幅度谱、功率谱、幂变换后的幅度谱，作为一维卷积神经网络的融合特征输入。采用深度卷积的方式进行低分辨雷达的目标分类，相较于其他模型和分类方法，我们的方法参数更少，准确率更高。通过对样本库内训练集5000个样本进行训练，得到合适的网络权重参数；最后将待识别样本送入构建好的网络进行分类，根据人、车各7500个样本的分类实验，准确率达到97.8％，如图4(a)～图4(b)所示，说明网络结构未发生过拟合，展示了良好的分类识别能力。

综上可知，本发明在战场低分辨地面侦察雷达的应用中有着广泛前景，对于战场雷达地面目标属性的判别、态势估计有着重要意义。该方法针对传统低分辨雷达回波数据的特性，将雷达回波功率谱、幅度谱、幂变换后的幅度谱三组特征向量作为特征输入的三个通道。在此基础上对经典的卷积神经网络模型改进，使模型适用于处理雷达一维特征数据。得到的分类器模型较传统神经网络具有更少的参数，能够高效而准确的完成目标分类功能。