CN109753874A - 一种基于机器学习的低慢小雷达目标分类方法 - Google Patents

Abstract

本发明公开了一种基于机器学习的低慢小雷达目标分类方法，首先，采集不同的目标航迹作为训练样本，并对数据进行预处理，构建训练集、测试集；其次，构建基于卷积神经网络的机器学习模型；然后，用训练集对机器学习模型进行训练；最后，用测试集进行验证，当验证训练达到一定的准确率后，输入实时的目标航迹，输出相应的分类标签，最终得到目标所属的类别。采用本发明克服了低慢小目标难以分类的缺点，实现成本低，具有很高的实时性和高效性，可节约大量的人力物力。

Description

一种基于机器学习的低慢小雷达目标分类方法

技术领域

本发明属于雷达信号处理技术领域，具体涉及一种基于机器学习的低慢小雷达目标分类方法。

背景技术

近年来，民用无人机发展迅速。无人机扰航事件时有发生，严重威胁了民航飞行的安全；此外，鸟击事件也是民航飞行的一大威胁。无人机和鸟类同属非合作低空慢速小目标(简称低慢小目标)。相比于军事目标，低慢小目标的雷达散射面积小、飞行高度低、速度慢、多普勒频移不明显，加之低慢小所处环境的复杂、背景干扰多，使得低慢小目标探测与识别成为一个世界性难题。现代雷达要求要进行准确的威胁等级评定并消除威胁，所以需要对目标进行识别分类。普通的MTI算法对地物杂波的抑制很有效，但无法消除运动杂波；目标跟踪算法能消除部分虚警轨迹，但是在城市、机场等复杂环境下，存在大量车辆、气流等能形成稳定轨迹的目标，无法完全通过目标跟踪算法形成的轨迹进行区分。随着雷达技术的发展，雷达目标分类日益受到广泛的重视，并且在现代军事战争中占有越来越重要的地位。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法，目前已广泛应用于合成孔径雷达、逆合成孔径雷达二维像分类。将机器学习领域新的研究成果应用到低慢小雷达目标分类中，并开发有效、实用的分类器具有重要意义。

发明内容

发明目的：本发明的提供一种具有实时性、通用性和高效性的基于机器学习的低慢小雷达目标分类方法。

技术方案：本发明所述的一种基于机器学习的低慢小雷达目标分类方法，包括以下步骤：

(1)采集不同的目标航迹作为训练样本；

(2)对步骤(1)获得的数据进行预处理，构建训练集、测试集；

(3)构建基于卷积神经网络的机器学习模型；

(4)用训练集对机器学习模型进行训练；

(5)用测试集进行验证，当验证训练达到一定的准确率后，输入实时的目标航迹，输出相应的分类标签，最终得到目标所属的类别。

步骤(1)所述的目标航迹主要包括目标的距离、方位、俯仰、速度、雷达散射截面积及方位和差比幅、俯仰和差比幅。

所述步骤(2)包括以下步骤：

(24)删除原始数据中的无关数据、重复数据，处理缺失值、异常值；

(25)在对应目标的数据上添加标签，每个标签包含一条完整的目标航迹，每条航迹由目标的历史点迹向量按时间顺序排列组成；

(26)取宽度为L的矩形窗，在每个训练数据上滑动，每一条航迹的目标历史点数应不超过矩形窗宽度，并对长度不足L的航迹数据进行填充，使每个标签达到同样长度。

步骤(3)所述的卷积神经网络主要包括输入层、卷积层、Max-pooling层、全连接层和输出层。所述的卷积神经网络模型的卷积核宽度与航迹向量维度一致。

步骤(3)所述的机器学习模型的目标函数为整个卷积神经网络的损失函数，整个网络的损失记为E，则有：

其中N为训练样本的数量，C为类别数量，表示第n个样本标签的第k维，为第n个样本网络输出的第k维；

约束条件为：

E＜ε

其中，ε一般根据要求给定。

所述步骤(4)包括以下步骤：

(41)每个点迹分别对应一个方位和差比幅和俯仰和差比幅，对和差比幅信息部分进行全局卷积，得到和差比幅信息部分的抽象特征表达；

(42)对目标其他信息：距离、方位、俯仰、径向速度、雷达散射截面积等使用多个不同长度的卷积核进行卷积，得到目标航迹其他信息部分的抽象特征表达；

(43)将步骤(41)和(42)获得的两部分特征构成最终的特征提取结果，使用一个全连接的softmax层完成分类任务；

(44)在神经网络训练过程中对最后的全连接层使用L₂正则对模型参数进行限制，即在每次梯度下降后如果全连接层的参数||w||₂＞s，则令||w||₂＝s。

有益效果：与现有技术相比，本发明的有益效果为：相比于人工判别低慢小雷达目标，本发明提出的方法具有实现结构简单，实现成本低，节约人力、物力的优势，具有很高的实时性、通用性和高效性。

附图说明

图1为本发明的流程图；

图2卷积神经网络原理图；

图3机器学习模块训练结果图。

具体实施方式

下面结合附图对本发明作进一步详细说明，如图1所示，本发明包括如下步骤：

1、采集不同的目标航迹作为训练样本

控制雷达采集不同目标的航迹，提取目标的距离、方位、俯仰、速度、雷达散射截面积(RCS，Radar-Cross Section)以及方位和差比幅、俯仰和差比幅。

2、对步骤1获得的数据进行预处理，构建训练集、测试集

根据步骤1得到的数据，对数据进行预处理，主要包括数据清洗、数据归纳。数据清洗的目的是删除原始数据中的无关数据、重复数据，处理缺失值、异常值。数据清洗完后进行数据的归纳，在对应目标的数据上添加标签。每个标签包含一条完整的目标航迹，每条航迹由目标的历史点迹向量按时间顺序排列组成。由于每条航迹包含的历史点迹个数不一，所以取宽度为L的矩形窗，在每个训练数据上滑动，每一条航迹的目标历史点数应不超过矩形窗宽度，并对长度不足L的航迹数据进行填充，使每个标签达到同样长度。每个矩形窗内的数据为机器学习模块的输入数据。在数据预处理模块，将各类目标的航迹进行整理分类，形成训练集、测试集，以供机器学习模块进行训练，生成的数据集格式如表1所示。

表1数据集格式表

输入数据	大小	输出数据	大小
				训练数据	[50000,600]	训练数据	[50000,3]
测试数据	[10000,600]	测试数据	[10000,3]

3、构建基于卷积神经网络的机器学习模型

机器学习模块由卷积神经网络组成，包括输入层、卷积层、Max-pooling层和全连接层和输出层，输出结果为分类概率矩阵。机器学习模型中的卷积神经卷积核宽度与航迹中的点迹向量长度相等。假设卷积核宽度为l，航迹中的点迹向量维度为m，不同于用于图像处理的卷积神经网络的卷积核宽度l＜m，在本卷积神经网络模型中l＝m，即卷积核宽度与航迹向量维度一致，保证了每一次卷积核滑动过的位置都是一个完整的目标点迹。所述卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层。神经网络的下一层输入为上一层的输出结果。卷积核大小与输入数据的大小相等，经过池化层得到卷积层输出的降维数据。降维处理如下：对卷积层的输出数据进行最大池化处理，取池化窗口最大值为当前窗口的输出。令d表示航迹的维度，t_i∈R^d表示第i个目标点迹和差信息向量，a_i∈R^d表示目标航迹部分的第i个历史点迹向量。

机器学习模型的目标函数为整个卷积神经网络的损失函数，整个网络的损失记为E，则有：

其中N为训练样本的数量，C为类别数量，表示第n个样本标签的第k维，为第n个样本网络输出的第k维；除了平方误差损失函数外，卷积神经网络采用的损失函数还包括交叉熵分类函数等。

约束条件为：

E＜ε

其中，ε一般根据要求给定。

4、用训练集对机器学习模型进行训练

将训练集数据输入卷积神经网络，如图2所示，经过输入层、卷积层、池化层、全连接层和回归层，最终得到目标类别。令d表示航迹的维度，t_i∈R^d表示第i个目标点迹和差信息向量，a_i∈R^d表示目标航迹部分的第i个历史点迹向量。

上半部分对目标航迹部分进行处理，其输入数据如下式所示

其中，代表连接操作，表示将每个历史和差信息作为和差信息T的一行，按照历史点的先后顺序依次构成m×d的矩阵，即T∈R^m×d，m表示所有航迹的最大长度。和差部分作为上半部分模型的输入。

使用n个大小为m×d的卷积窗平行地对和差信息数据进行全局卷积，以其中一个卷积为例，令w∈R^m×d表示卷积核，则该次卷积提取的特征结果如下式所示

其中，b为偏置项，f为非线性激活函数，i＝1,2,...,n，n次卷积表示从不同角度提取的不同的特征表达。最后将这n次卷积提取的特征连接起来作为目标和差信息部分的抽象特征表达c_up。

下半部分对目标航迹部分进行处理，其输入如下式所示：

该m×d的矩阵为下半部分网络模型的输入。为了提取关键特征、减少计算量，对需要对卷积层输出的特征做最大池化，将不同位置的特征进行聚合统计。如下式所示

c_down＝max{c}＝max{c₁,c₂,...,c_n}

经过池化这一下采样的操作使得每个卷积最终仅保留唯一一个最为重要的特征，将这n个特征连接起来作为航迹其他信息部分的抽象特征表达c_down。

分别得到了上下两部分的特征表达之后，将这两部分特征构成最终的特征提取结果，然后用一个全连接的softmax层完成目标航迹分类的任务，最后一层的输出如下式所示

y＝soft max(w·(c_up,c_down)+b)

另外，为了防止模型出现过拟合线性，在神经网络训练过程中对最后的全连

接层使用L₂正则对模型参数进行限制，即在每次梯度下降后如果全连接层的

参数||w||₂＞s，则令||w||₂＝s。

5、用测试集进行验证，当验证训练达到一定的准确率后，输入实时的目标航迹，输出相应的分类标签，最终得到目标所属的类别。

在机器学习模块训练完成后，实时读入雷达回波信号，形成轨迹后，输入到训练好的机器学习模块中，可实时输出目标类别，训练结果如图3所示。由图3可知，训练准确率达到了98％。因此本发明提出的方法具有实现结构简单，分类准确率高，实现成本低的优势，具有很高的实时性、通用性和准确性。

Claims (7)

1.一种基于机器学习的低慢小雷达目标分类方法，其特征在于，包括以下步骤：

(1)采集不同的目标航迹作为训练样本；

(2)对步骤(1)获得的数据进行预处理，构建训练集、测试集；

(3)构建基于卷积神经网络的机器学习模型；

(4)用训练集对机器学习模型进行训练；

(5)用测试集进行验证，当验证训练达到一定的准确率后，输入实时的目标航迹，输出相应的分类标签，最终得到目标所属的类别。

2.根据权利要求1所述的一种基于机器学习的低慢小雷达目标分类方法，其特征在于，步骤(1)所述的目标航迹主要包括目标的距离、方位、俯仰、速度、雷达散射截面积及方位和差比幅、俯仰和差比幅。

3.根据权利要求1所述的一种基于机器学习的低慢小雷达目标分类方法，其特征在于，所述步骤(2)包括以下步骤：

(21)删除原始数据中的无关数据、重复数据，处理缺失值、异常值；

(22)在对应目标的数据上添加标签，每个标签包含一条完整的目标航迹，每条航迹由目标的历史点迹向量按时间顺序排列组成；

(23)取宽度为L的矩形窗，在每个训练数据上滑动，每一条航迹的目标历史点数应不超过矩形窗宽度，并对长度不足L的航迹数据进行填充，使每个标签达到同样长度。

4.根据权利要求1所述的一种基于机器学习的低慢小雷达目标分类方法，其特征在于，步骤(3)所述的卷积神经网络主要包括输入层、卷积层、Max-pooling层、全连接层和输出层。

5.根据权利要求1所述的一种基于机器学习的低慢小雷达目标分类方法，其特征在于，步骤(3)所述的卷积神经网络模型的卷积核宽度与航迹向量维度一致。

6.根据权利要求1所述的一种基于机器学习的低慢小雷达目标分类方法，其特征在于，步骤(3)所述的机器学习模型的目标函数为整个卷积神经网络的损失函数，整个网络的损失记为E，则有：

其中N为训练样本的数量，C为类别数量，表示第n个样本标签的第k维，为第n个样本网络输出的第k维；

约束条件为：

E＜ε

其中，ε一般根据要求给定。

7.根据权利要求1所述的一种基于机器学习的低慢小雷达目标分类方法，其特征在于，所述步骤(4)包括以下步骤：

(41)每个点迹分别对应一个方位和差比幅和俯仰和差比幅，对和差比幅信息部分进行全局卷积，得到和差比幅信息部分的抽象特征表达；

(42)对目标其他信息：距离、方位、俯仰、径向速度、雷达散射截面积等使用多个不同长度的卷积核进行卷积，得到目标航迹其他信息部分的抽象特征表达；

(43)将步骤(41)和(42)获得的两部分特征构成最终的特征提取结果，使用一个全连接的softmax层完成分类任务；

(44)在神经网络训练过程中对最后的全连接层使用L₂正则对模型参数进行限制，即在每次梯度下降后如果全连接层的参数||w||₂＞s，则令||w||₂＝s。