CN109902589A - 一种基于雷达一维距离像的目标识别方法及系统 - Google Patents

一种基于雷达一维距离像的目标识别方法及系统 Download PDF

Info

Publication number
CN109902589A
CN109902589A CN201910089020.3A CN201910089020A CN109902589A CN 109902589 A CN109902589 A CN 109902589A CN 201910089020 A CN201910089020 A CN 201910089020A CN 109902589 A CN109902589 A CN 109902589A
Authority
CN
China
Prior art keywords
training sample
frequency domain
echo data
target
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910089020.3A
Other languages
English (en)
Inventor
张劲东
张超
徐乃清
李晨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201910089020.3A priority Critical patent/CN109902589A/zh
Publication of CN109902589A publication Critical patent/CN109902589A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开一种基于雷达一维距离像的目标识别方法及系统。本发明对训练样本对的回波数据进行傅里叶梅林变换处理后,再将其输入一维卷积神经网络模型进行训练。由于傅里叶梅林变换具有时移不变性和尺度不变性,其尺度不变性可使得距离像在梅林变换域对方位角和姿态角的变化不敏感;其时移不变性使得傅里叶梅林变换能适应信号的时间平移与尺度变化,故一维距离像经傅里叶梅林变换后可以得到稳定的特征向量,降低了距离像的姿态敏感度,平移敏感度和幅度敏感度,增强了距离像的鲁棒性,提高了目标识别的准确性。

Description

一种基于雷达一维距离像的目标识别方法及系统
技术领域
本发明涉及雷达技术领域,特别是涉及一种基于雷达一维距离像的目标识别方法及系统。
背景技术
在当前的目标识别领域,对雷达一维距离像的识别使用的是模式识别的经典流程,其中对一维距离像预处理主要使用包络对齐来降低其姿态和平移敏感性,但是在实际情况中,包络对齐在距离像局部噪声比较强的情况下并不能很好的发挥作用,而非相干平均等提高距离像数据信噪比的方法均是以包络对齐为基础的。因此,一维距离像的平移敏感性和姿态敏感性会降低目标识别的准确性。
发明内容
本发明的目的是提供一种基于雷达一维距离像的目标识别方法及系统,能够降低距离像的姿态敏感度,平移敏感度和幅度敏感度,增强距离像的鲁棒性,提高目标识别的准确性。
为实现上述目的,本发明提供了如下方案:
一种基于雷达一维距离像的目标识别方法,所述目标识别方法包括:
获取待识别回波数据;
将所述待识别回波数据输入目标识别模型,获得所述待识别回波数据对应的目标类型;其中,所述目标识别模型的输入为回波数据,所述目标识别模型的输出为目标类型;所述目标识别模型是基于傅里叶变换、梅林变换和卷积神经网络模型建立的;所述目标识别模型的建立方法具体包括:
获取训练样本集,所述训练样本集包括多个目标的训练样本对,每一训练样本对包括一个输入和一个输出,输入为样本的不同回波数据构成的集合,输出为样本对应的类型;其中,各目标的回波数据是由同一雷达生成的;
对每一所述训练样本对的所述回波数据进行傅里叶梅林变换,获得频域训练样本对,各所述频域训练样本对组成频域训练样本集;
构建一维卷积神经网络模型;
利用所述频域训练样本集训练所述一维卷积神经网络模型,获得目标识别模型。
可选的,所述对每一所述训练样本对的所述回波数据进行傅里叶梅林变换之前,还包括:
对每一所述训练样本对的回波数据进行归一化处理,获得归一化处理后的训练样本对。
可选的,所述对每一所述训练样本对的所述回波数据进行傅里叶梅林变换,获得频域训练样本对,具体包括:
对每一训练样本对的回波数据进行傅里叶变换,获得频域回波数据;
对所述频域回波数据进行取模运算,获得取模后的频域回波数据;
对取模后的频域回波数据进行梅林变换,获得梅林回波数据,所述梅林回波数据和样本对应的类型组成频域训练样本对。
可选的,所述利用所述频域训练样本集训练所述一维卷积神经网络模型,获得目标识别模型,具体包括:
获取最大迭代次数,初始化一维卷积神经网络模型的学习率;
对所述频域训练样本集的频域训练样本对进行分组,获得多组频域训练样本组;
将一组频域训练样本组标记为目标训练样本组,并将所述目标训练样本组输入所述一维卷积神经网络模型进行训练,以更新所述一维卷积神经网络模型的学习率;
更新迭代次数;
判断所述迭代次数是否小于所述最大迭代次数,获得第一判断结果;
当第一判断结果表示是,则从所述频域训练样本集中选取除目标训练样本组以外的一组频域训练样本组作为新的目标训练样本组,返回“将所述目标训练样本组输入所述一维卷积神经网络模型进行训练”;
当第一判断结果表示否,则将当前的一维卷积神经网络模型确定为目标识别模型。
一种基于雷达一维距离像的目标识别系统,所述目标识别系统包括:
数据获取模块,用于获取待识别回波数据;
识别模块,用于将所述待识别回波数据输入目标识别模型,获得所述待识别回波数据对应的目标类型;其中,所述目标识别模型的输入为回波数据,所述目标识别模型的输出为目标类型;所述目标识别模型是基于傅里叶变换、梅林变换和卷积神经网络模型建立的;所述目标识别模型的建立子系统包括:
样本集获取模块,用于获取训练样本集,所述训练样本集包括多个目标的训练样本对,每一训练样本对包括一个输入和一个输出,输入为样本的不同回波数据构成的集合,输出为样本对应的类型;其中,各目标的回波数据是由同一雷达生成的;
傅里叶梅林变换模块,用于对每一所述训练样本对的所述回波数据进行傅里叶梅林变换,获得频域训练样本对,各所述频域训练样本对组成频域训练样本集;
神经网络构建模块,用于构建一维卷积神经网络模型;
训练模块,用于利用所述频域训练样本集训练所述一维卷积神经网络模型,获得目标识别模型。
可选的,所述目标识别系统还包括:
归一化处理模块,用于对每一所述训练样本对的回波数据进行归一化处理,获得归一化处理后的训练样本对。
可选的,所述傅里叶梅林变换模块包括:
傅里叶变换单元,用于对每一训练样本对的回波数据进行傅里叶变换,获得频域回波数据;
取模单元,用于对所述频域回波数据进行取模运算,获得取模后的频域回波数据;
梅林变换单元,用于对取模后的频域回波数据进行梅林变换,获得梅林回波数据,所述梅林回波数据和样本对应的类型组成频域训练样本对。
可选的,所述训练模块包括:
次数获取单元,用于获取最大迭代次数;
初始化单元,用于初始化一维卷积神经网络模型的学习率;
分组单元,用于对所述频域训练样本集的频域训练样本对进行分组,获得多组频域训练样本组;
训练单元,用于将一组频域训练样本组标记为目标训练样本组,并将所述目标训练样本组输入所述一维卷积神经网络模型进行训练,以更新所述一维卷积神经网络模型的学习率;
更新单元,用于更新迭代次数;
判断单元,用于判断所述迭代次数是否小于所述最大迭代次数,获得判断结果;
目标样本组更新单元,用于当判断结果表示是时,从所述频域训练样本集中选取除目标训练样本组以外的一组频域训练样本组作为新的目标训练样本组;
识别模型确定单元,用于当判断结果表示否时,将当前的一维卷积神经网络模型确定为目标识别模型。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的基于雷达一维距离像的目标识别方法及系统,目标识别模型的建立方法具体包括:获取训练样本集,所述训练样本集包括多个目标的训练样本对,每一训练样本对包括一个输入和一个输出,输入为样本的不同回波数据构成的集合,输出为样本对应的类型;其中,各目标的回波数据是由同一雷达生成的;对每一所述训练样本对的所述回波数据进行傅里叶梅林变换,获得频域训练样本对,各所述频域训练样本对组成频域训练样本集;构建一维卷积神经网络模型;利用所述频域训练样本集训练所述一维卷积神经网络模型,获得目标识别模型。本发明对训练样本对的回波数据进行傅里叶梅林变换处理后,再将其输入一维卷积神经网络模型进行训练。由于傅里叶梅林变换具有时移不变性和尺度不变性,其尺度不变性可使得距离像在梅林变换域对方位角和姿态角的变化不敏感;其时移不变性使得傅里叶梅林变换能适应信号的时间平移与尺度变化,故一维距离像经傅里叶梅林变换后可以得到稳定的特征向量,降低了距离像的姿态敏感度,平移敏感度和幅度敏感度,增强了距离像的鲁棒性,提高了目标识别的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于雷达一维距离像的目标识别方法的流程图;
图2为本发明实施例提供的目标识别模型的建立方法的流程图;
图3为本发明实施例提供的一种基于雷达一维距离像的目标识别系统的结构框图;
图4为本发明实施例提供的目标识别模型的建立子系统的结构框图;
图5为本发明实施例提供的一种基于雷达一维距离像的目标识别方法的实施流程图;
图6为本发明实施例提供的卷积神经网络的结构图;
图7为本发明实施例提供的识别率随迭代次数的变化曲线。
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。
本发明的目的是提供一种基于雷达一维距离像的目标识别方法及系统,能够降低距离像的姿态敏感度,平移敏感度和幅度敏感度,增强距离像的鲁棒性,提高目标识别的准确性。为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例提供的一种基于雷达一维距离像的目标识别方法的流程图。如图1所示,一种基于雷达一维距离像的目标识别方法,所述目标识别方法包括:
步骤101:获取待识别回波数据。
步骤102:将所述待识别回波数据输入目标识别模型,获得所述待识别回波数据对应的目标类型;其中,所述目标识别模型的输入为回波数据,所述目标识别模型的输出为目标类型;所述目标识别模型是基于傅里叶变换、梅林变换和卷积神经网络模型建立的。
图2为本发明实施例提供的目标识别模型的建立方法的流程图。如图2所示,所述目标识别模型的建立方法具体包括:
步骤201:获取训练样本集,所述训练样本集包括多个目标的训练样本对,每一训练样本对包括一个输入和一个输出,输入为样本的不同回波数据构成的集合,输出为样本对应的类型;其中,各目标的回波数据是由同一雷达生成的。
步骤202:对每一所述训练样本对的所述回波数据进行傅里叶梅林变换,获得频域训练样本对,各所述频域训练样本对组成频域训练样本集。步骤202具体包括:
对每一训练样本对的回波数据进行傅里叶变换,获得频域回波数据;
对所述频域回波数据进行取模运算,获得取模后的频域回波数据;
对取模后的频域回波数据进行梅林变换,获得梅林回波数据,所述梅林回波数据和样本对应的类型组成频域训练样本对。
步骤203:构建一维卷积神经网络模型。
步骤204:利用所述频域训练样本集训练所述一维卷积神经网络模型,获得目标识别模型。步骤204具体包括:
获取最大迭代次数,初始化一维卷积神经网络模型的学习率;
对所述频域训练样本集的频域训练样本对进行分组,获得多组频域训练样本组;
将一组频域训练样本组标记为目标训练样本组,并将所述目标训练样本组输入所述一维卷积神经网络模型进行训练,以更新所述一维卷积神经网络模型的学习率;
更新迭代次数;
判断所述迭代次数是否小于所述最大迭代次数,获得第一判断结果;
当第一判断结果表示是,则从所述频域训练样本集中选取除目标训练样本组以外的一组频域训练样本组作为新的目标训练样本组,返回“将所述目标训练样本组输入所述一维卷积神经网络模型进行训练”;
当第一判断结果表示否,则将当前的一维卷积神经网络模型确定为目标识别模型。
作为一种优选方案,执行步骤202之前还包括:
对每一所述训练样本对的回波数据进行归一化处理,获得归一化处理后的训练样本对。
图3为本发明实施例提供的一种基于雷达一维距离像的目标识别系统的结构框图。如图3所示,一种基于雷达一维距离像的目标识别系统,所述目标识别系统包括:
数据获取模块301,用于获取待识别回波数据;
识别模块302,用于将所述待识别回波数据输入目标识别模型,获得所述待识别回波数据对应的目标类型;其中,所述目标识别模型的输入为回波数据,所述目标识别模型的输出为目标类型;所述目标识别模型是基于傅里叶变换、梅林变换和卷积神经网络模型建立的。
图4为本发明实施例提供的目标识别模型的建立子系统的结构框图。如图4所示,所述目标识别模型的建立子系统包括:
样本集获取模块401,用于获取训练样本集,所述训练样本集包括多个目标的训练样本对,每一训练样本对包括一个输入和一个输出,输入为样本的不同回波数据构成的集合,输出为样本对应的类型;其中,各目标的回波数据是由同一雷达生成的。
傅里叶梅林变换模块402,用于对每一所述训练样本对的所述回波数据进行傅里叶梅林变换,获得频域训练样本对,各所述频域训练样本对组成频域训练样本集;傅里叶梅林变换模块402包括:
傅里叶变换单元,用于对每一训练样本对的回波数据进行傅里叶变换,获得频域回波数据;
取模单元,用于对所述频域回波数据进行取模运算,获得取模后的频域回波数据;
梅林变换单元,用于对取模后的频域回波数据进行梅林变换,获得梅林回波数据,所述梅林回波数据和样本对应的类型组成频域训练样本对。
神经网络构建模块403,用于构建一维卷积神经网络模型。
训练模块404,用于利用所述频域训练样本集训练所述一维卷积神经网络模型,获得目标识别模型。训练模块404包括:
次数获取单元,用于获取最大迭代次数;
初始化单元,用于初始化一维卷积神经网络模型的学习率;
分组单元,用于对所述频域训练样本集的频域训练样本对进行分组,获得多组频域训练样本组;
训练单元,用于将一组频域训练样本组标记为目标训练样本组,并将所述目标训练样本组输入所述一维卷积神经网络模型进行训练,以更新所述一维卷积神经网络模型的学习率;
更新单元,用于更新迭代次数;
判断单元,用于判断所述迭代次数是否小于所述最大迭代次数,获得判断结果;
目标样本组更新单元,用于当判断结果表示是时,从所述频域训练样本集中选取除目标训练样本组以外的一组频域训练样本组作为新的目标训练样本组;
识别模型确定单元,用于当判断结果表示否时,将当前的一维卷积神经网络模型确定为目标识别模型。
优选地,所述目标识别系统还包括:
归一化处理模块,用于对每一所述训练样本对的回波数据进行归一化处理,获得归一化处理后的训练样本对。
图5为本发明实施例提供的一种基于雷达一维距离像的目标识别方法的实施流程图。如图5所示,本发明的实施流程如下:
1、输入雷达一维距离像数据,所述雷达一维距离像数据为同一部雷达生成的若干不同目标的回波数据。对回波数据进行归一化处理后再进行傅里叶梅林变换,得到变换后的数据,并将变换后的数据划分为训练集和测试集。
(1)数据归一化处理
在同一部雷达下,获取了t个目标的回波数据,其中第m个目标的数据总共包含ξm个样本,其中m≤t,第m个目标的第k个样本表示为ξm (k)
是第m个目标的回波信号样本第k个样本的N个采样值构成的矢量,n为矢量序号。
首先,对第k个样本的采样值进行归一化处理:
进行归一化:
其中,为矢量中采样值的最大值,为矢量中采样值的最小值,为归一化后的回波信号。
(2)根据公式(2)对进行离散傅里叶变换,并根据公式(3)对取模。
其中ω为圆频率,经过离散傅里叶变换后的信号。
(3)根据公式(4),对取模后的数据进行梅林变换。
其中为傅里叶梅林变换的结果,i表样本序号,各个组成数据集z。
(5)采用分层抽样法将数据集z划分为训练集和测试集,t个目标的数据集总共为经过傅里叶梅林变换后的数据集为其规格总共包含t种数据,每种数据包含ξm个样本,每个样本是一个具有N个维度的一维向量。记训练集为ztrain,测试集为ztest,训练集和测试集的比例为ztrain:ztest
2、构建三层的一维卷积神经网络模型。
构建一维卷积神经网络,需要构建输入层,卷积层,池化层和全连接层。对于输入层,(1,N′,1)表示距离像尺寸,前两个参数表示空间坐标,而第三个参数表示色彩的通道。对卷积层来说卷积核大小为(1,ks,1),卷积步长为SS,边缘填充值为SP,卷积层的特征图可以表示为池化后的特征图可以表示为其中p为卷积核的个数,q为卷积层的层数。卷积神经网络模型的构建步骤如下:
构建第一层卷积层;输入向量为Ima1,n,并设定卷积核的个数,边缘填充值,卷积核尺寸和卷积步长,那么第一层卷积神经网络可以表示为
构建第一层池化层;输入向量为设定池化步长和激活函数,得到第一层池化后的向量
构建第二层卷积层;将输入向量Ima1,n替换为第一层池化后的向量设定卷积核个数,边缘填充值,卷积核尺寸和卷积步长,得到第二层卷积向量
构建第二层池化层;将输入向量替换为第二层卷积后的向量设定池化步长和激活函数,得到第二层池化向量
构建第三层卷积层;将输入向量替换为第二层池化后的向量设定卷积核个数,边缘填充值,卷积核尺寸和卷积步长,得到第三层卷积向量
构建第三层池化层,将输入向量替换为第三层卷积后的向量设定池化步长和激活函数,得到第三层池化向量
构建第一层全连接层;使用线性整流(Rectified LinearUnit,ReLU)函数激活函数处理第三层池化输出的数据得到a0,之后根据a0,设定神经网络节点数量,构建第一层全连接层的输出a1,并在第一层全连接层后添加drop_out防止过拟合。
构建第二层全连接层;使用ReLu激活函数处理的第一层全连接层的输出a1,设定神经网络节点数量,得到第二层全连接层的输出a2
构建输出层;使用ReLu激活函数处理第二层全连接层的输出a2,得到输出层a3,输出层即预测一维距离像类型的层。
3、使用训练集对卷积神经网络进行迭代训练,直到迭代次数达到最大迭代次数,保存网络结构参数,输出目标识别模型,并采用目标识别模型对测试集进行识别,得到识别结果。
使用训练数据集对构建的神经网络模型进行训练,设定最大迭代次数lteration,批处理样本数量batch_size,学习率α,在迭代次数不断增加的过程中,神经网络模型的参数不断更新以便适应给定的数据集,而学习率也在迭代的过程中不断以指数或者对数的形式衰减。迭代次数达不到设定的最大迭代次数时,继续迭代训练直到迭代次数达到最大迭代次数。保存神经网络结构参数,然后使用最终获得的神经网络模型对测试集进行检验,得到目标识别精度acc。
本实施例中有40种不同目标的雷达一维距离像,每种目标包含1000个一维距离像样本,每个距离像的采样点数为1024,把数据集划分为测试集和训练集的比例为ztrain:ztest=7:3。
图6为本发明实施例提供的卷积神经网络的结构图。如图6所示,对于输入层,距离像尺寸为(1,1024,1)。
第一层卷积层的卷积核个数为50,卷积核尺寸(1,10,1),卷积步长为(1,1,1),边缘填充值为1。
第一层池化层的池化步长为(1,5,1),激活函数为softmax。
第二层卷积层的卷积核个数为50,卷积核尺寸为(1,10,1),卷积步长为(1,1,1),边缘填充值为1。
第二层池化层的池化步长为(1,5,1),激活函数为softmax。
第三层卷积层的卷积核个数为50,卷积核尺寸为(1,5,1),卷积步长为(1,1,1)。
第三层池化层的池化步长为(1,4,1),激活函数为softmax。
第一层全连接层的神经网络节点数为64,drop_out参数设置为0.4。
第二层全连接层的神经网络节点数为64。
使用训练数据集对神经网络进行训练,设定最大迭代次数lteration为800,批处理样本数量batch_size为64,学习率α为0.05,通过迭代次数的不断增加,在此过程中学习率不断地衰减,神经网络的参数不断地更新,到达设定的最大迭代次数,得到训练完毕的各个神经网络的节点参数,神经网络训练完毕,之后通过测试集测试训练好的神经网络模型,得到识别率。
图7为本发明实施例提供的识别率随迭代次数的变化曲线。如图7所示,识别精度随迭代次数的增加而上升,经过800余次迭代后识别精度可以达到98%左右。
本发明公开了一种基于傅里叶梅林变换和卷积神经网络的雷达一维距离像识别方法,采用傅里叶-梅林变换能够克服一维距离像的平移敏感性,方位敏感性和幅度敏感性,简化识别算法的复杂度,提高识别效率和识别准确度。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于雷达一维距离像的目标识别方法,其特征在于,所述目标识别方法包括:
获取待识别回波数据;
将所述待识别回波数据输入目标识别模型,获得所述待识别回波数据对应的目标类型;其中,所述目标识别模型的输入为回波数据,所述目标识别模型的输出为目标类型;所述目标识别模型是基于傅里叶变换、梅林变换和卷积神经网络模型建立的;所述目标识别模型的建立方法具体包括:
获取训练样本集,所述训练样本集包括多个目标的训练样本对,每一训练样本对包括一个输入和一个输出,输入为样本的不同回波数据构成的集合,输出为样本对应的类型;其中,各目标的回波数据是由同一雷达生成的;
对每一所述训练样本对的所述回波数据进行傅里叶梅林变换,获得频域训练样本对,各所述频域训练样本对组成频域训练样本集;
构建一维卷积神经网络模型;
利用所述频域训练样本集训练所述一维卷积神经网络模型,获得目标识别模型。
2.根据权利要求1所述的目标识别方法,其特征在于,所述对每一所述训练样本对的所述回波数据进行傅里叶梅林变换之前,还包括:
对每一所述训练样本对的回波数据进行归一化处理,获得归一化处理后的训练样本对。
3.根据权利要求1所述的目标识别方法,其特征在于,所述对每一所述训练样本对的所述回波数据进行傅里叶梅林变换,获得频域训练样本对,具体包括:
对每一训练样本对的回波数据进行傅里叶变换,获得频域回波数据;
对所述频域回波数据进行取模运算,获得取模后的频域回波数据;
对取模后的频域回波数据进行梅林变换,获得梅林回波数据,所述梅林回波数据和样本对应的类型组成频域训练样本对。
4.根据权利要求1所述的目标识别方法,其特征在于,所述利用所述频域训练样本集训练所述一维卷积神经网络模型,获得目标识别模型,具体包括:
获取最大迭代次数,初始化一维卷积神经网络模型的学习率;
对所述频域训练样本集的频域训练样本对进行分组,获得多组频域训练样本组;
将一组频域训练样本组标记为目标训练样本组,并将所述目标训练样本组输入所述一维卷积神经网络模型进行训练,以更新所述一维卷积神经网络模型的学习率;
更新迭代次数;
判断所述迭代次数是否小于所述最大迭代次数,获得第一判断结果;
当第一判断结果表示是,则从所述频域训练样本集中选取除目标训练样本组以外的一组频域训练样本组作为新的目标训练样本组,返回“将所述目标训练样本组输入所述一维卷积神经网络模型进行训练”;
当第一判断结果表示否,则将当前的一维卷积神经网络模型确定为目标识别模型。
5.一种基于雷达一维距离像的目标识别系统,其特征在于,所述目标识别系统包括:
数据获取模块,用于获取待识别回波数据;
识别模块,用于将所述待识别回波数据输入目标识别模型,获得所述待识别回波数据对应的目标类型;其中,所述目标识别模型的输入为回波数据,所述目标识别模型的输出为目标类型;所述目标识别模型是基于傅里叶变换、梅林变换和卷积神经网络模型建立的;所述目标识别模型的建立子系统包括:
样本集获取模块,用于获取训练样本集,所述训练样本集包括多个目标的训练样本对,每一训练样本对包括一个输入和一个输出,输入为样本的不同回波数据构成的集合,输出为样本对应的类型;其中,各目标的回波数据是由同一雷达生成的;
傅里叶梅林变换模块,用于对每一所述训练样本对的所述回波数据进行傅里叶梅林变换,获得频域训练样本对,各所述频域训练样本对组成频域训练样本集;
神经网络构建模块,用于构建一维卷积神经网络模型;
训练模块,用于利用所述频域训练样本集训练所述一维卷积神经网络模型,获得目标识别模型。
6.根据权利要求5所述的目标识别系统,其特征在于,所述目标识别系统还包括:
归一化处理模块,用于对每一所述训练样本对的回波数据进行归一化处理,获得归一化处理后的训练样本对。
7.根据权利要求5所述的目标识别系统,其特征在于,所述傅里叶梅林变换模块包括:
傅里叶变换单元,用于对每一训练样本对的回波数据进行傅里叶变换,获得频域回波数据;
取模单元,用于对所述频域回波数据进行取模运算,获得取模后的频域回波数据;
梅林变换单元,用于对取模后的频域回波数据进行梅林变换,获得梅林回波数据,所述梅林回波数据和样本对应的类型组成频域训练样本对。
8.根据权利要求5所述的目标识别系统,其特征在于,所述训练模块包括:
次数获取单元,用于获取最大迭代次数;
初始化单元,用于初始化一维卷积神经网络模型的学习率;
分组单元,用于对所述频域训练样本集的频域训练样本对进行分组,获得多组频域训练样本组;
训练单元,用于将一组频域训练样本组标记为目标训练样本组,并将所述目标训练样本组输入所述一维卷积神经网络模型进行训练,以更新所述一维卷积神经网络模型的学习率;
更新单元,用于更新迭代次数;
判断单元,用于判断所述迭代次数是否小于所述最大迭代次数,获得判断结果;
目标样本组更新单元,用于当判断结果表示是时,从所述频域训练样本集中选取除目标训练样本组以外的一组频域训练样本组作为新的目标训练样本组;
识别模型确定单元,用于当判断结果表示否时,将当前的一维卷积神经网络模型确定为目标识别模型。
CN201910089020.3A 2019-01-30 2019-01-30 一种基于雷达一维距离像的目标识别方法及系统 Pending CN109902589A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910089020.3A CN109902589A (zh) 2019-01-30 2019-01-30 一种基于雷达一维距离像的目标识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910089020.3A CN109902589A (zh) 2019-01-30 2019-01-30 一种基于雷达一维距离像的目标识别方法及系统

Publications (1)

Publication Number Publication Date
CN109902589A true CN109902589A (zh) 2019-06-18

Family

ID=66944452

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910089020.3A Pending CN109902589A (zh) 2019-01-30 2019-01-30 一种基于雷达一维距离像的目标识别方法及系统

Country Status (1)

Country Link
CN (1) CN109902589A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111948638A (zh) * 2020-07-15 2020-11-17 南京航空航天大学 基于高分辨距离像的目标长度估计方法与其应用
CN112882010A (zh) * 2021-01-12 2021-06-01 西安电子科技大学 基于信噪比领域知识网络的高分辨距离像目标识别方法
CN113640764B (zh) * 2021-08-09 2023-08-11 中国人民解放军海军航空大学航空作战勤务学院 一种基于多尺寸一维卷积的雷达一维距离像识别方法和装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107220606A (zh) * 2017-05-22 2017-09-29 西安电子科技大学 基于一维卷积神经网络的雷达辐射源信号的识别方法
CN107728143A (zh) * 2017-09-18 2018-02-23 西安电子科技大学 基于一维卷积神经网络的雷达高分辨距离像目标识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107220606A (zh) * 2017-05-22 2017-09-29 西安电子科技大学 基于一维卷积神经网络的雷达辐射源信号的识别方法
CN107728143A (zh) * 2017-09-18 2018-02-23 西安电子科技大学 基于一维卷积神经网络的雷达高分辨距离像目标识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
付强,等: "基于模糊-粗糙集和傅里叶-梅林变换的HRRP识别", 《现代雷达》 *
殷和义: "基于卷积神经网络和特征融合的高分辨率距离像识别", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111948638A (zh) * 2020-07-15 2020-11-17 南京航空航天大学 基于高分辨距离像的目标长度估计方法与其应用
CN111948638B (zh) * 2020-07-15 2024-01-09 南京航空航天大学 基于高分辨距离像的目标长度估计方法与其应用
CN112882010A (zh) * 2021-01-12 2021-06-01 西安电子科技大学 基于信噪比领域知识网络的高分辨距离像目标识别方法
CN112882010B (zh) * 2021-01-12 2022-04-05 西安电子科技大学 基于信噪比领域知识网络的高分辨距离像目标识别方法
CN113640764B (zh) * 2021-08-09 2023-08-11 中国人民解放军海军航空大学航空作战勤务学院 一种基于多尺寸一维卷积的雷达一维距离像识别方法和装置

Similar Documents

Publication Publication Date Title
CN109086700B (zh) 基于深度卷积神经网络的雷达一维距离像目标识别方法
CN110927706B (zh) 基于卷积神经网络的雷达干扰检测识别方法
CN109978228B (zh) 一种pm2.5浓度预测方法、装置及介质
CN108416755B (zh) 一种基于深度学习的图像去噪方法及系统
CN109902589A (zh) 一种基于雷达一维距离像的目标识别方法及系统
CN108447057B (zh) 基于显著性和深度卷积网络的sar图像变化检测方法
CN113095370B (zh) 图像识别方法、装置、电子设备及存储介质
CN110716792B (zh) 一种目标检测器及其构建方法和应用
CN112990334A (zh) 基于改进原型网络的小样本sar图像目标识别方法
CN114595732B (zh) 基于深度聚类的雷达辐射源分选方法
CN113673312B (zh) 基于深度学习的雷达信号脉内调制识别方法
CN106680775A (zh) 一种自动识别雷达信号调制方式的方法和系统
CN112949944B (zh) 一种基于时空特征的地下水位智能预测方法及系统
CN108957418A (zh) 一种基于循环神经网络模型的雷达目标识别方法
CN111582091A (zh) 基于多分支卷积神经网络的行人识别方法
CN114048681A (zh) 基于自选择神经网络的doa估计方法、系统、存储介质、设备
CN112711032B (zh) 一种基于图数据和gcn的雷达目标检测方法及系统
CN117095299B (zh) 破碎化耕作区的粮食作物提取方法、系统、设备及介质
CN116805157B (zh) 无人集群自主动态评估方法及装置
CN110826691A (zh) 基于yolo和lstm的地震速度谱智能拾取方法
CN114814776B (zh) 基于图注意力网络和迁移学习的pd雷达目标检测方法
CN109272515B (zh) 基于高阶多尺度crf无监督的sar图像分割方法
CN115346125A (zh) 一种基于深度学习的目标检测方法
Yufeng et al. Research on SAR image change detection algorithm based on hybrid genetic FCM and image registration
CN114185039A (zh) 雷达目标一维距离像智能识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190618

RJ01 Rejection of invention patent application after publication