CN109901159A - 一种基于深度学习的米波雷达目标识别方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的米波雷达目标识别方法，包含以下步骤：A、首先建立模型并导入电磁仿真软件；B、设置参数进行雷达散射截面求解，获得静态RCS数据库；C、设定飞机航迹实时计算动态RCS时间序列；D、采用基于卷积神经网络的RCS训练模型，本发明在深度学习网络的强大分类能力的启发下，设计一种基于RCS时间序列的卷积神经网络（CNN）训练模型，该算法在模拟数据集上自动提取多种RCS时间序列特征，用于RCS时间序列分类任务，增加了雷达识别的精确度。

Description

一种基于深度学习的米波雷达目标识别方法

技术领域

本发明涉及一种目标识别方法，具体是一种基于深度学习的米波雷达目标识别方法。

背景技术

随着现代化战争对空间的依赖性逐渐增强，空间攻防对抗己经受到越来越多国家的重视，雷达及导弹等武器的大量使用，形成了复杂的、多变的、具有严重威胁的电子对抗环境。在这种条件下，电子侦察对战争的胜败起到越来越重要的作用，而雷达利用目标对电磁波的反射现象来发现目标并测定其位置，是电子侦察中的重要研究方向。另一方面，随着人类航天活动的增加，空间碎片日益增多，对于卫星等航天器安全造成极大的威胁，因此对于卫星和碎片等空间目标进行监视也变得十分重要。其中空间目标识别是空间监视中不可缺少的基本任务，是军事武器系统的关键技术之一。空间目标识别可对太空中的卫星、碎片、导弹、空间站、飞船和陨石等空间目标进行探测和跟踪，利用雷达等传感器获取空间目标的回波信号，从中提取目标的位置、速度、结构等特征信息，进而实现对空间目标的类型或属性进行识别。现代雷达不管在军事还是民用方面都起到重要作用，目标识别作为现代雷达的重要发展方向之一，成为当前国内外关注的热点。

雷达是一种基本的无线电探测装置。它具有全天时、全天候和远距离探测的能力，是其他传感器无法代替的。自从雷达问世以来，一直是一种对远距离目标进行检测和跟踪的有力工具。但是随着武器装备的发展，只具有探测和跟踪功能的雷达已经不能满足信息化战争的需要。对于雷达探测技术来说，雷达的任务不仅是测量目标的距离、方位和仰角，而且还要从目标回波中获取更多有关目标的特征信息，包括测量目标的速度，了解目标类型和形状，利用雷达所获取的信息来推断目标的身份和属性，也就是雷达的目标识别功能，才是至关重要的。目标识别作为雷达新功能之一，在诸如海情监控系统、弹道导弹防御系统、防空系统及地球物理、射电天文、气象预报、埋地物探测等技术领域均发挥出很大的作用。然而问题自身存在的复杂多变性，使得雷达目标识别到目前为止还未获得令人满意的结果，还未形成稳定的技术与方法。

我国现役雷达大多为窄带低分辨雷达，窄带雷达具备工艺成熟，成本较低的优点，但窄带雷达自身分辨率较低，无法提供足够的信息以实现对目标种类的准确判决，从而制约了目标识别技术在这类平台上的应用。因此如何在常规窄带雷达的模式下，有效利用回波信息实现更准确的分类，是目前雷达目标分类识别问题中亟待解决的技术问题。远程监控米波雷达在反隐身、抗反辐射导弹等方面具有独特的优势，不仅探测距离远，而且目标跟踪稳定性强，因此可在复杂的气候条件下高质量的完成空情态势感知任务，是国家安全领域一件高效的防卫利器。作为窄带雷达的代表，米波雷达可产生大量的空间目标窄带数据，其中空间目标雷达散射截面(Radar Cross section，RCS)序列数据量小、处理方法简单，包含丰富的信息，利用RCS进行目标识别对于科学研究与目标识别具有重要意义。

发明内容

本发明的目的在于提供一种基于深度学习的米波雷达目标识别方法，以解决所述背景技术中提出的问题。

为实现所述目的，本发明提供如下技术方案：

一种基于深度学习的米波雷达目标识别方法，包含以下步骤：

A、首先建立模型并导入电磁仿真软件；

B、设置参数进行雷达散射截面求解，获得静态RCS数据库；

C、设定飞机航迹实时计算动态RCS时间序列；

D、采用基于卷积神经网络的RCS训练模型，实现对几种典型分类飞机的分类识别。

作为本发明的进一步技术方案：所述步骤A采用feko软件仿真计算目标静态RCS。

作为本发明的进一步技术方案：所述步骤A分为以下四个步骤：目标三维立体建模，雷达参数设置，目标几何剖分，电磁散射计算。

作为本发明的进一步技术方案：所述步骤B具体是：根据研究飞机不同的性能参数，利用空气动力学的公式推导，并结合飞机的运动学特性，多次实验，建立雷达目标RCS时间序列航迹库。

作为本发明的进一步技术方案：还包括步骤E、将识别结果与K近邻分类器、分类树的识别效果进行对比，最后识别性能作评估。

与现有技术相比，本发明的有益效果是：本发明在深度学习网络的强大分类能力的启发下，设计一种基于RCS时间序列的卷积神经网络(CNN)训练模型，该算法在模拟数据集上自动提取多种RCS时间序列特征，用于RCS时间序列分类任务，增加了雷达识别的精确度。

附图说明

图1为笛卡尔坐标系下空客A380RCS仿真曲线图。

图2为传统的目标识别方法步骤图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1：请参阅图1-2，一种基于深度学习的米波雷达目标识别方法，包含以下步骤：

A、首先建立模型并导入电磁仿真软件；由于目标RCS信息属高度军事机密，无法获取。本课题拟采用feko软件仿真计算目标静态RCS。大体分为四个步骤：目标三维立体建模，雷达参数设置，目标几何剖分，电磁散射计算；

B、设置参数进行雷达散射截面求解，为这五类飞机模型设定不同的飞行航路并仿真其动态的RCS。根据研究飞机不同的性能参数，利用空气动力学的公式推导，并结合飞机的运动学特性，多次实验，建立雷达目标RCS时间序列航迹库。

C、设定飞机航迹实时计算动态RCS时间序列；基于上述仿真所建立雷达目标RCS时间序列航迹库，本课题拟设计一种基于卷积神经网络(CNN)的RCS训练模型来识别空间飞行目标。采用五种不同类型的飞机目标验证该识别方法。

D、采用基于卷积神经网络的RCS训练模型，将本课题使用的方法与K近邻分类器、分类树、等传统方法的识别效果进行对比，最后对该方法的识别性能作评估，验证该方法能较准确识别雷达跟踪目标，对于几类典型目标(战斗机、客机、运输机等)能达到更好的识别效果。

(1)典型复杂目标的建模及求解：

首先对雷达散射截面积进行理论方面的研究，包括雷达散射方试以及雷达散射截面的算法研究，在雷达处于谐振区时，通过研究矩量法，物理光学法，几何光学法以及多层快速多极子算法的精确度及其对比，选择多层快速多极子算法进行雷达目标散射特性计算。

FEKO软件自带软件模块CADFEKO可以进行几何建模，同时也接受一些其他软件模型的导入。本课题选取五种典型飞机目标使用AutoCAD软件对其进行模型建立。将模型导入FEKO软件中，并设置不同的雷达参数。

根据目标的模型信息及复杂程度设定三角网格的模型剖分准则，网格剖分时网格边长可以取到λ/8～λ/10。

以下是仿真空客A380的RCS数值。初始参数设置频率300MHz，网格选取0.1m，俯仰角为30°，方位角为0°～360°，每1°取一值，共361个点，采取水平极化方式，并使用多层快速多级子算法，仿真模型空客A380在以上参数设定下的RCS值，经过对数换算后形成笛卡尔坐标系下的RCS曲线。

(2)求解动态数据库:

为这五类飞机模型设定不同的飞行航路并仿真其动态的RCS，可以通过以下步骤来完成：

第一步：根据研究飞机不同的性能参数，以及空气动力学的公式推导，为不同的飞机设定各自的飞行航路，并通过计算记录下这些飞机在雷达坐标系下的实时飞行坐标。

第二步：通过雷达坐标系和机体坐标系之间的公式变换，计算出机体坐标系下的实时雷达视线姿态角。

第三步：根据机体坐标系下求得的雷达视线姿态角，结合多层快速多级子算法在FEKO软件中实现RCS仿真计算。根据雷达方程也可实时计算目标的RCS时间序列，利用姿态角反推实测RCS库信息，从而实现了仿真数据和实测数据的完美结合。为建立目标特性数据库并验证理论分析的正确性提供保障。

(3)雷达目标的分类识别算法设计与验证；

传统的目标识别方法一般有信息预处理、特征提取、识别分类、决策四个阶段。

为了获得传统方法的最佳分类性能，从RCS时间序列中选择和提取平均值，中值，标准差，q阶中心矩，RCS时间序列的偏度和峰度，小波特征，梅林特征以及谱特征等多种特征，拟采取选择线性判别分析(LDA)，支持向量机(SVM)，分类树(CART算法)和K近邻(KNN)几种常规分类方法，对其进行多次分类试验。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (5)

1.一种基于深度学习的米波雷达目标识别方法，其特征在于，包含以下步骤：

首先建立模型并导入电磁仿真软件；

设置参数进行雷达散射截面求解，获得静态RCS数据库；

设定飞机航迹，实时计算动态RCS时间序列；

采用基于卷积神经网络的RCS训练模型，实现对几种典型分类飞机的分类识别。

2.根据权利要求1所述的一种基于深度学习的米波雷达目标识别方法，其特征在于，所述步骤A采用feko软件仿真计算目标静态RCS。

3.根据权利要求2所述的一种基于深度学习的米波雷达目标识别方法，其特征在于，所述步骤A分为以下四个步骤：目标三维立体建模，雷达参数设置，目标几何剖分，电磁散射计算。

4.根据权利要求3所述的一种基于深度学习的米波雷达目标识别方法，其特征在于，所述步骤B具体是：根据研究飞机不同的性能参数，利用空气动力学的公式推导，并结合飞机的运动学特性，多次实验，建立雷达目标RCS时间序列航迹库。

5.根据权利要求4所述的一种基于深度学习的米波雷达目标识别方法，其特征在于，还包括步骤E、将识别结果与K近邻分类器、分类树的识别效果进行对比，最后识别性能作评估。