一种应用于无人机基于脉冲雷达信号的无人机识别方法与流程

1.本发明涉及脉冲雷达信号技术领域，具体为一种应用于无人机基于脉冲雷达信号的无人机识别方法。


背景技术：

2.脉冲雷达是雷达的一种，它能够辐射较短的高频脉冲，然后天线转接到接收机接收信号，因此发射和接收信号在时间上是分开的。脉冲雷达用于测距，尤其适于同时测量多个目标的距离。传统脉冲雷达的主要功能是通过测量脉冲电磁波往返时间延迟得到目标的距离信息，根据接收脉冲载波中的多普勒频率测量目标的径向速度，利用等信号法获得目标的方位角和俯仰角数据。
3.目前，随着科学技术的不断发展，无人机技术也变得日益先进，在众多的领域中得到了普及，由于无人机优越的机动性能，能够适应各种复杂多变的环境，在科学研究、军事以及民用等各个方面有着广泛的用途，功能十分强大，在人们的生活中发挥着重要的作用。在一些的特殊的场合中，传统基于脉冲雷达算法无法具体识别到无人机的种类，如具体敌机的型号，为作战带来了困难。
4.所以，人们需要一种应用于无人机基于脉冲雷达信号的无人机识别方法来解决上述问题。


技术实现要素：

5.本发明的目的在于提供一种应用于无人机基于脉冲雷达信号的无人机识别方法，以解决上述背景技术中提出的问题。
6.为了解决上述技术问题，本发明提供如下技术方案：一种应用于无人机基于脉冲雷达信号的无人机识别方法，包括以下步骤：
7.z1：通过脉冲雷达采集无人机型号的图像数据；
8.z2：利用卷积神经网络算法对二维数组进行分析处理；
9.z3：根据算法处理结果，识别目标无人机的型号。
10.进一步的，在步骤z1中：通过脉冲雷达采集目标无人机的图像数据，一维输入时，使用雷达将一维数组拼接为二维数组，每条雷达数据样本最大特征维度为b，对不足特征b的样本补0，使得卷积核滑动到卷积边缘，最终输入形式为一维数组拼接的二维数组；补零即在矩阵的外面围一圈0称为补0，补0的层数根据卷积核的大小，步长，输入矩阵的大小进行调整,以使得卷积核恰好滑动到边缘；最终输入形式为数据拼接的二维数组，通过补0能够获得更多的图像边缘信息，控制卷积层输出的特征图的大小，从而达到控制网络结构的作用。
11.进一步的，在步骤z2中：卷积网络采用a个卷积核，扫描整个图片的每一个局部来探测特征是否存在，将特征空间的切片，并逐个映射它们，显示每个特征出现的地方，设计
卷积核尺寸进行特征聚合；对输入数据体尺寸进行卷积核尺寸的计算，卷积的根本目的是从输入图片提取特征，在处理图像时，每个图像的数据各不相同，处理量也就越大，所以对内存需求就会更大，利用卷积计算，降低参数数量，达到降低计算开销，防止由于参数过多而造成过拟合。
12.获取到输入数据体的图像尺寸利用卷积核对输入的二维数组进行卷积操作，设置补零的层数和步长，用如下公式得到卷积层中的特征图尺寸大小a：
13.a＝[(b+2p-c)/s]+1；
[0014]
其中,b为输入数据体的尺寸；p为补零的层数；c为卷积核尺寸；s为步长；步长是用来描述卷积核移动的步长,通常为1或2，使得计算结果为整数；根据输入数据体尺寸和卷积核的尺寸计算出特征图的尺寸，方便特征值的输入，卷积核也称滤波器，就是图像处理时，给定输入图像，输入图像中一个小区域中像素加权平均后成为输出图像中的每个对应像素，其中权值由一个函数定义，这个函数称为卷积核；原始图像通过与卷积核的数学运算，可以提取出图像的某些指定特征；不同卷积核提取的特征不一样，提取的特征一样，效果也会有所不同。
[0015]
进一步的，利用输入数据体尺寸和卷积核尺寸，采用如下公式计算特征图a中的每个特征值：
[0016]a[i][j]
＝b
[i][j]
*c
[x][y]
+b
[i][j+1]
*c
[x][y+1]
+...+b
[n][n]
*c
[z][z]
；
[0017]
依次将特征值填入特征图a中，特征值的计算方式是对于输入数据，以一定间隔滑动滤波器的窗口并应用；将各个位置上滤波器的元素和输入的对应元素相乘，然后再求和，将这个结果保存到输出的对应位置，将这个过程在所有位置都进行一遍，就可以得到卷积运算的输出；特征图是经过卷积计算后得到的，在计算机中，图片是以有序的多维矩阵进行存储，按颜色分为灰度图像和彩色图像，用二维数组存储图片的像素值和用三维数组存储的彩色图像的像素值，在实际应用场景中数据量会非常庞大，如果直接以图像的存储矩阵作为图像特征进行各类运算，则将占用大量的存储和计算资源，是非常浪费且不合理的，所以需要对图片进行特征提取。
[0018]
进一步的，利用f*f的矩阵对特征图a进行最大池化，得到池化后的特征图为b，最大池化的计算就是在特征图上，利用池化矩阵，将各个位置上的特征值进行比较，选择最大的特征值作为结果，将这个过程对所有位置都进行一遍，就可以得到最大池化运算的输出；池化的作用是用于特征降维，使特征图变小，压缩数据和参数的数量，简化网络计算复杂度，提取主要特征，减小过拟合，同时提高模型的容错性。
[0019]
进一步的，由于计算机无法识别，所以要对最大池化后的特征图b进行全连接层计算，从左往右依次遍历特征图b，得到一个一维数组c。
[0020]
进一步的，在步骤z3中，提随机提取数据库存储类别r的一维数组d，通过如下公式计算全连接层的一维数组c和随机提取数据库中存储类别r的一维数组d的相似度g：
[0021][0022]
其中，h表示全连接层的一维数组c和数据库中存储的一维数组d中相同的个数；r表示一维数组的长度；通过相同的方式得到属于类别r概率的集合为r＝{r1,rg,...,re}。全连接层将池化层的所有特征矩阵转化成一维的特征数组，通过全连接层的计算进一步对矩阵进行降维，使得计算变得更加简单。
[0023]
进一步的，提取数据库中的信息，获取到数据库中有e个类别的无人机型号，通过以下公式计算损失函数：
[0024][0025]
其中，yr表示样本的真实标签，取值只能为0或1，pr表示预测样本属于类别r的概率，e为类别的数量，以同样的方式计算其他类别的损失函数并进行比较得到loss
min
，表明loss
min
所对应的图像，无人机型号匹配度是最高的，损失函数用来评价模型的预测值和真实值不一样的程度，用来判定网络是不是已经训练到了可接受的状态，损失函数越小，模型的性能就越好。
[0026]
与现有技术相比，本发明所达到的有益效果是：
[0027]
传统脉冲雷达的只能通过脉冲测量雷达测量脉冲电磁波往返时间延迟得到目标的距离信息，根据接收脉冲载波中的多普勒频率测量目标的径向速度，利用等信号法获得目标的方位角和俯仰角数据，但是使用传统方法不能获得飞机具体型号。本发明提出使用人工智能算法对脉冲雷达信号做出处理方式的改进，在不增加额外传感器情况下，能够识别具体脉冲雷达感应范围内的飞机类别，且识别准确率高，网络轻量化，提高了计算速度，通过使用卷积神经网络算法能够有效的将大数据量的图片降维成小数据量，有效的保留图片特征，卷积神经网络采用原始图像作为输入，可以有效的从大量样本中学习到相应地特征，能够较好的适应图像的结构，同时进行特征提取和分类，使得特征提取有助于特征分类，权值共享可以减少网络的训练参数，使神经网络结构变得更简单，适应性更强。
附图说明
[0028]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
[0029]
图1是本发明一种流程图；
具体实施方式
[0030]
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
[0031]
请参阅图1，本发明提供的技术方案：一种应用于无人机基于脉冲雷达信号的无人
机识别方法包括以下步骤：
[0032]
z1：通过脉冲雷达采集无人机型号的图像数据；
[0033]
z2：利用卷积神经网络算法对二维数组进行分析处理；
[0034]
z3：根据算法处理结果，识别目标无人机的型号。
[0035]
在步骤z1中：通过脉冲雷达采集目标无人机的图像数据，一维输入时，使用雷达将一维数组拼接为二维数组，每条雷达数据样本最大特征维度为b，对不足特征b的样本补0，使得卷积核滑动到卷积边缘，最终输入形式为一维数组拼接的二维数组；补零即在矩阵的外面围一圈0称为补0，补0的层数根据卷积核的大小，步长，输入矩阵的大小进行调整,以使得卷积核恰好滑动到边缘；最终输入形式为数据拼接的二维数组，通过补0能够获得更多的图像边缘信息，控制卷积层输出的特征图的大小，从而达到控制网络结构的作用。
[0036]
在步骤z2中：卷积网络采用a个卷积核，扫描整个图片的每一个局部来探测特征是否存在，将特征空间的切片，并逐个映射它们，显示每个特征出现的地方，设计卷积核尺寸进行特征聚合；对输入数据体尺寸进行卷积核尺寸的计算，卷积的根本目的是从输入图片提取特征，在处理图像时，每个图像的数据各不相同，处理量也就越大，所以对内存需求就会更大，利用卷积计算，降低参数数量，达到降低计算开销，防止由于参数过多而造成过拟合。
[0037]
获取到输入数据体的图像尺寸利用卷积核对输入的二维数组进行卷积操作，设置补零的层数和步长，用如下公式得到卷积层中的特征图尺寸大小a：
[0038]
a＝[(b+2p-c)/s]+1；
[0039]
其中,b为输入数据体的尺寸；p为补零的层数；c为卷积核尺寸；s为步长；步长是用来描述卷积核移动的步长,通常为1或2，使得计算结果为整数；根据输入数据体尺寸和卷积核的尺寸计算出特征图的尺寸，方便特征值的输入，卷积核也称滤波器，就是图像处理时，给定输入图像，输入图像中一个小区域中像素加权平均后成为输出图像中的每个对应像素，其中权值由一个函数定义，这个函数称为卷积核；原始图像通过与卷积核的数学运算，可以提取出图像的某些指定特征；不同卷积核提取的特征不一样，提取的特征一样，效果也会有所不同。
[0040]
利用输入数据体尺寸和卷积核尺寸，采用如下公式计算特征图a中的每个特征值：
[0041]a[i][j]
＝b
[i][j]
*c
[x][y]
+b
[i][j+1]
*c
[x][y+1]
+...+b
[n][n]
*c
[z][z]
；
[0042]
依次将特征值填入特征图a中，特征值的计算方式是对于输入数据，以一定间隔滑动滤波器的窗口并应用；将各个位置上滤波器的元素和输入的对应元素相乘，然后再求和，
将这个结果保存到输出的对应位置，将这个过程在所有位置都进行一遍，就可以得到卷积运算的输出；特征图是经过卷积计算后得到的，在计算机中，图片是以有序的多维矩阵进行存储，按颜色分为灰度图像和彩色图像，用二维数组存储图片的像素值和用三维数组存储的彩色图像的像素值，在实际应用场景中数据量会非常庞大，如果直接以图像的存储矩阵作为图像特征进行各类运算，则将占用大量的存储和计算资源，是非常浪费且不合理的，所以需要对图片进行特征提取。
[0043]
利用f*f的矩阵对特征图a进行最大池化，得到池化后的特征图为b，最大池化的计算就是在特征图上，利用池化矩阵，将各个位置上的特征值进行比较，选择最大的特征值作为结果，将这个过程对所有位置都进行一遍，就可以得到最大池化运算的输出；池化的作用是用于特征降维，使特征图变小，压缩数据和参数的数量，简化网络计算复杂度，提取主要特征，减小过拟合，同时提高模型的容错性。
[0044]
由于计算机无法识别，所以要对最大池化后的特征图b进行全连接层计算，从左往右依次遍历特征图b，得到一个一维数组c。
[0045]
在步骤z3中：随机提取数据库存储类别r的一维数组d，通过如下公式计算全连接层的一维数组c和随机提取数据库中存储类别r的一维数组d的相似度g：
[0046][0047]
其中，h表示全连接层的一维数组c和数据库中存储的一维数组d中相同的个数；r表示一维数组的长度；通过相同的方式得到属于类别r概率的集合为r＝{r1,rg,...,re}，全连接层将池化层的所有特征矩阵转化成一维的特征数组，通过全连接层的计算进一步对矩阵进行降维，使得计算变得更加简单。
[0048]
提取数据库中的信息，获取到数据库中有e个类别的无人机型号，通过以下公式计算损失函数：
[0049][0050]
其中，yr表示样本的真实标签，取值只能为0或1，pr表示预测样本属于类别r的概率，e为类别的数量，以同样的方式计算其他类别的损失函数并进行比较得到loss
min
，表明loss
min
所对应的图像，无人机型号匹配度是最高的，损失函数用来评价模型的预测值和真实值不一样的程度，用来判定网络是不是已经训练到了可接受的状态，损失函数越好，通常模型的性能越好。
[0051]
实施例一：通过脉冲雷达采集目标无人机的图像数据，一维输入时，使用雷达将一维数组拼接为二维数组，每条雷达数据样本最大特征维度为7，对不足特征7的样本补0，使得卷积核滑动到卷积边缘，最终输入形式为一维数组拼接的二维数组；补零即在矩阵的外面围一圈0称为补0，补0的层数根据卷积核的大小，步长，输入矩阵的大小进行调整,以使得卷积核恰好滑动到边缘；最终输入形式为数据拼接的二维数组，通过补0能够获得更多的图像边缘信息，控制卷积层输出的特征图的大小，从而达到控制网络结构的作用。
[0052]
卷积网络采用2个卷积核，分别为右下斜线的卷积核和左下斜线的卷积核，扫描整个图片的每一个局部来探测特征是否存在，将特征空间的切片，并逐个映射它们，显示每个特征出现的地方，设计卷积核尺寸为3*3，对输入数据体尺寸进行卷积核尺寸的计算，卷积
的根本目的是从输入图片提取特征，在处理图像时，每个图像的数据各不相同，处理量也就越大，所以对内存需求就会更大，利用卷积计算，降低参数数量，达到降低计算开销，防止由于参数过多而造成过拟合。
[0053]
通过卷积核对输入数据进行卷积操作，输入数据体尺寸为7*7，如下所示：
[0054][0055][0056]
右下斜线的卷积核，如下所示：
[0057]
100010001
[0058]
左下斜线的卷积核，如下所示：
[0059]
001010100
[0060]
利用卷积核对输入的二维数组进行卷积操作，设置补零的层数为0，步长为1，用如下公式得到卷积层中的特征图尺寸大小a：
[0061]
a＝[(b+2p-c)/s]+1＝[(7+2*0-3)/1]+1＝5；
[0062]
其中,b为输入数据体的尺寸；p为补零的层数；c为卷积核尺寸；s为步长；步长是用来描述卷积核移动的步长,通常为1或2，使得计算结果为整数；根据输入数据体尺寸和卷积核的尺寸计算出特征图的尺寸，方便特征值的输入，卷积核也称滤波器，就是图像处理时，给定输入图像，输入图像中一个小区域中像素加权平均后成为输出图像中的每个对应像素，其中权值由一个函数定义，这个函数称为卷积核；原始图像通过与卷积核的数学运算，可以提取出图像的某些指定特征；不同卷积核提取的特征不一样，提取的特征一样，效果也会有所不同。
[0063]
利用输入数据体尺寸和卷积核尺寸，通过公式计算特征图a中的每个特征值，如a[1][1]
＝b
[1][1]
*c
[1][1]
+b
[1][2]
*c
[1][2]
+...+b
[3][3]
*c
[3][3]
＝2，依次将特征值填入特征图a中，以相同的方式计算特征图a中其他项的值，得到右下斜线的特征图，如下所示：
[0064]
2010103010103010103010102
[0065]
特征值的计算方式是对于输入数据，以一定间隔滑动滤波器的窗口并应用；将各个位置上滤波器的元素和输入的对应元素相乘，然后再求和，将这个结果保存到输出的对应位置，将这个过程在所有位置都进行一遍，就可以得到卷积运算的输出；特征图是经过卷积计算后得到的，在计算机中，图片是以有序的多维矩阵进行存储，按颜色分为灰度图像和彩色图像，用二维数组存储图片的像素值和用三维数组存储的彩色图像的像素值，在实际应用场景中数据量会非常庞大，如果直接以图像的存储矩阵作为图像特征进行各类运算，则将占用大量的存储和计算资源，是非常浪费且不合理的，所以需要对图片进行特征提取。其中特征值越大，表示越符合卷积和右下斜线的特征，以同样的方法，利用左下斜线的卷积核计算左下斜线的特征图，如下所示：
[0066]
1010201030103010301020101
[0067]
利用2*2的矩阵对右下斜线的特征图进行最大池化，得到池化后的右下斜线特征图，如下所示：
[0068]
311131112
[0069]
以相同方式计算左下斜线得到如下所示特征图：
[0070]
132331211
[0071]
最大池化的计算就是在特征图上，利用池化矩阵，将各个位置上的特征值进行比较，选择最大的特征值作为结果，将这个过程对所有位置都进行一遍，就可以得到最大池化运算的输出；池化的作用是用于特征降维，使特征图变小，压缩数据和参数的数量，简化网络计算复杂度，提取主要特征，减小过拟合，同时提高模型的容错性。
[0072]
由于计算机无法识别，所以要对最大池化后的特征图进行全连接层计算，从左往右依次遍历右下斜线特征图，得到一个一维数组c＝311131112132331211。
[0073]
提取数据库存储的一维数组d＝312131212132331211，通过得到相似度
g为89％，通过相同的方式得到属于类别r概率的集合为r＝{r1,r2,...,re}＝{0.89,0,0.3}，全连接层将池化层的所有特征矩阵转化成一维的特征数组，通过全连接层的计算进一步对矩阵进行降维，使得计算变得更加简单。
[0074]
提取数据库中的信息，获取到数据库中有e个无人机型号类别，，通过计算损失函数的集合为loss＝{loss1,loss2,...,losse}＝{0.57,0.6,0.7}并进行比较得到loss
min
＝0.57，表明该图像与类别一的无人机型号的匹配度是最高的，该网络已经训练到了可接受的状态。
[0075]
最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。