CN109948722B

CN109948722B - 一种识别空间目标的方法

Info

Publication number: CN109948722B
Application number: CN201910239621.8A
Authority: CN
Inventors: 林财永; 李智; 方宇强; 徐灿; 尹灿斌; 殷智勇; 许洁平; 卢旺
Original assignee: Peoples Liberation Army Strategic Support Force Aerospace Engineering University
Current assignee: Peoples Liberation Army Strategic Support Force Aerospace Engineering University
Priority date: 2019-03-27
Filing date: 2019-03-27
Publication date: 2021-05-18
Anticipated expiration: 2039-03-27
Also published as: CN109948722A

Abstract

本发明提供了一种识别空间目标的方法，包括：对HRRP样本数据包络对齐预处理，对包络对齐预处理后的HRRP样本数据消除冗余；对消除冗余后的HRRP样本数据进行包络幅度预处理，将数据集和数据集对应的标签集构成了训练集；设置网络参数，构建GRU神经网络；利用训练集对GRU神经网络进行训练，并预留出训练集的部分数据用于验证，得到训练好的GRU神经网络模型；将待识别空间目标的HRRP数据预处理后输入GRU神经网络模型中，取概率最高者为空间目标识别结果。该方法可以通过构建RNN的神经网络实现对雷达HRRP数据深层本质特征的自动提取，进而完成对空间目标的识别。消除人工选择特征对识别结果带来的影响，大大降低特征提取的时间精力，提高了对空间目标的识别精度。

Description

一种识别空间目标的方法

技术领域

本发明涉及雷达目标识别技术领域，尤其涉及一种识别空间目标的方法，特别是一种宽带雷达一维高精度距离像(High Resolution Range Profile,HRRP)的空间目标识别方法。

背景技术

随着世界各国对航天的高度重视和民用航天的快速发展，越来越多的卫星被发射升空，空间变得日益拥挤、更加具有竞争性和对抗性。如何有效感知空间态势进而控制空间成为各航天大国当前面临的一大难题。宽带雷达作为一种有效感知空间态势的重要手段，具有全天时、全天候，分辨率高的特点，在空间目标识别系统中发挥着重大作用，得到了广泛应用。

利用宽带雷达对空间目标(卫星)进行识别主要有基于HRRP和基于SAR(SyntheticAperture Radar,SAR)/ISAR(Inverse Synthetic Aperture Radar,ISAR)图像两种识别方法。其中，基于SAR/ISAR图像的方法需要对雷达得到的二维图像进行处理，数据量大，同时ISAR图像在横向分辨率受目标相对转动快慢的影响，尺度存在不确定性。宽带雷达HRRP可以看作是利用宽带雷达信号获得的目标散射点子回波沿雷达视线方向(Line-Of-Sight,LOS)上投影的矢量和，样本具有易于获取和便于处理的优势，可以提供目标的距离像几何结构信息。因此，基于宽带雷达HRRP的识别方法受到了广泛的研究。

利用HRRP进行雷达目标识别，特征的选择和提取是关键。传统的特征学习方法大致可分为以下两种：一种是通过提取目标统计特征或变换域统计特征，对目标进行识别，包括提取目标回波的频谱强度，双谱特征和散射点个数等。另一种方法则是通过构建数学模型来更好的提取HRRP特征，包括利用隐马尔可夫模型、匹配追踪模型和主成分分析模型等。但是这些特征都是基于人在回路中的方式进行设计选择，需要花费大量时间精力，同时存在很大的不确定性，对不同雷达，不同目标类型的泛化能力较弱。此外，还有学者提出了利用BP神经网络和多层感知机进行雷达目标识别，但是这些都是浅层网络，很难获得数据深层次的特征信息。

发明内容

本发明的目的在于克服上述现有技术的不足，提出了一种识别空间目标的方法，该方法是一种基于门控循环单元(Gated Recurrent Unit,GRU)神经网络的卫星目标检测方法。GRU神经网络属于循环神经网络(Recurrent Neural Networks,RNN)的一种，是一类利用输入数据的序列化特性的神经网络。宽带雷达HRRP可以看作时间序列，因此可以通过构建RNN的神经网络实现对雷达HRRP数据深层本质特征的自动提取，进而完成对空间目标的识别。本发明能够消除人工选择特征对识别结果带来的影响，不仅可以大大降低特征提取的时间精力，还可提高对空间目标的识别精度。

本发明提供了一种识别空间目标的方法，包括：

步骤一、对HRRP样本数据进行包络对齐预处理，实现距离单元之间一一对应的配准；HRRP样本数据中的距离像是通过距离窗从回波数据中截取的包含目标在内的且有一定余度的一段向量表示的；

步骤二、对包络对齐预处理后的HRRP样本数据进行长度预处理，截取有效数据长度，从而消除冗余；

步骤三、对消除冗余后的HRRP样本数据进行包络幅度预处理，实现包络幅度的归一化；

步骤四、将包络幅度预处理后的HRRP样本数据作为数据集；根据每个HRRP样本数据所属目标类别进行标记，将标记好的标签转换成one-hot编码形式，编码大小对应数据集中的目标类别数，得到标签集；所述数据集和数据集对应的标签集构成了训练集，作为GRU神经网络训练的输入；

步骤五、设置网络参数，构建GRU神经网络；GRU神经网络由输入层、隐藏层和输出层组成；其中，输入层单元数对应一个HRRP样本维数；隐藏层由一个GRU层，一个Dropout层和一个全连接层组成，隐藏层的层数需要根据输入层输入的数据维数和数据特点进行设置，由前一层的输出作为下一层的输入；输出层为一个Softmax层，其输出单元数对应目标分类数，以各输出单元结果中概率最高者为HRRP样本数据对应的目标分类；

步骤六、利用训练集对构建的GRU神经网络进行训练，并预留出训练集的部分数据用于验证，得到训练好的GRU神经网络模型。

步骤七、将待识别空间目标的HRRP数据按照步骤二和步骤三进行数据预处理，然后输入步骤六中训练好的GRU神经网络模型中，最后根据网络输出层中各单元的输出概率判断目标类别，取概率最高者为空间目标识别结果。

所述步骤一中包络对齐的方法，包括：互相关法、最小熵法或多次求和作基准的互相关法对HRRP样本数据进行包络对齐。

所述步骤二中截取的有效数据长度的方法，包括：

其中，N表示原始信号长度，l表示截取后的信号长度，α表示调节因子，F_s表示采样率，B表示发射信号带宽。

所述步骤三中归一化的方法，包括：

其中，s_n为包络对齐后的HRRP样本数据，x_n为包络归一化后的HRRP样本数据，max||表示取最大值

所述网络参数的设置，需要根据实际的数据类型，网络用途和系统要求等情况来合理设置，网络参数包括隐藏层层数、优化器、损失函数、激活函数和Dropout等。

所述GRU神经网络的优化器选用包含动量概念的Adam优化器，激活函数选用修正线性单元(Rectified linear unit,ReLU)。

所述以分类输出中出色的分类交叉熵函数作为损失函数，分类交叉熵函数为：

其中，目标值为t_i,j时预测结果为p_i,j。

本发明的有益效果是：

(1)本发明所提出的基于GRU神经网络的空间目标HRRP识别方法，相比传统的机器学习算法，能够利用深度学习在特征提取方面具有的优越性，通过逐层的非线性变换，实现对原始数据的本质刻画。

(2)本发明以数据为驱动，对分类对象有针对性，摆脱了人工对数据特征的设计和筛选的不确定性，大大节约了特征的设计成本，提高了目标识别准确率。

(3)本发明能够实现对卫星目标HRRP数据的特征提取与分类器学习一体化，简化了目标识别过程，适用于大批量、实时目标识别的要求。

(4)本发明对不同长度的HRRP数据具有很好的通用性，只需根据不同雷达参数下得到的目标HRRP数据长度修改输入层单元数即可，而无需对网络其它层进行修改，对不同参数雷达和不同目标均有很好的适用性，泛化能力强。

附图说明

图1所示为本发明提出的卫星目标HRRP识别方法流程图；

图2所示为包络对齐前的回波图；

图3所示为包络对齐后的回波图；

图4所示为HRRP信号包络归一化的结果；

图5所示为本发明提供的GRU神经网络示意图；

图6所示为本发明提供的GRU神经网络隐藏层的示意图；

图7所示为本发明提供的GRU单元示意图；

图8所示为本发明网络训练中损失函数值随迭代次数的变化图；

图9所示为本发明网络训练集和测试集的识别准确率。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。

实施例一

本发明实施例一提供了一种识别空间目标的方法，是一种基于GRU神经网络的6种卫星目标HRRP数据识别方法，每个卫星目标的HRRP样本数据均为10000条，图1给出了卫星目标HRRP识别方法流程。包括：

步骤一、对HRRP样本数据进行包络对齐预处理，实现距离单元之间一一对应的配准；HRRP样本数据中的距离像是通过距离窗从回波数据中截取的包含目标在内的且有一定余度的一段向量表示的；由于余度的存在，即使是目标的微小平移也会导致距离向量的明显改变。因此，需要对HRRP样本数据进行包络对齐，消除余度的影响，保证距离单元之间的配准，便于后面GRU神经网络的训练。

包络对齐的方法，包括：互相关法、最小熵法或多次求和作基准的互相关法对HRRP样本数据进行包络对齐。包络对齐一般采用互相关法或最小熵法，考虑计算量，同时为了克服突跳和包络漂移现象，选用多次求和作基准的互相关法对HRRP样本数据进行包络对齐。图2和图3分别为包络对齐前后的回波包络。

步骤二、对包络对齐预处理后的HRRP样本数据进行长度预处理，截取有效数据长度，从而消除冗余；通常雷达的采样带宽相比发射信号带宽会留有一定余量，导致HRRP样本数据存在一定的数据冗余，增加网络训练时间并占用计算机存储空间，因此需要根据信号实际带宽和采样频率大小确定截取的数据长短及其范围，消除冗余。

实际宽带雷达的采样带宽相比发射信号带宽均留有余量，这些发射信号带宽外的信号不包含目标的有效信息，但却增加了待处理的数据量和网络训练的参数。因此，需要对发射信号进行有效截取，减少冗余。截取的有效数据长度的方法，包括：

其中，N表示原始信号长度，l表示截取后的信号长度，α表示调节因子，F_s表示采样率，B表示发射信号带宽。理想情况下，α为1，实际中，α一般取为略大于1的值。

步骤三、对消除冗余后的HRRP样本数据进行包络幅度预处理，实现包络幅度的归一化；HRRP样本数据的包络幅度受到目标环境，雷达系统参数和目标散射特性的综合影响，为方便训练网络，需要对HRRP样本数据的包络幅度进行归一化，归一化的方法，包括：

其中，s_n为包络对齐后的HRRP样本数据，为包络幅度归一化前的第n个HRRP样本数据，x_n为包络归一化后的第n个HRRP样本数据，max| |表示取最大值。图4给出了一个经过回波包络幅度归一化后的HRRP样本。

构造训练集，作为输入用于GRU神经网络的训练；将经过预处理后的HRRP样本数据作为数据集X＝{x_n}，同时根据每个HRRP样本数据所属目标类别进行标记，分别记为{1,2,3,4,5,6}6类，组成标签集{yn}。对标记好的签集{yn}转换成one-hot编码Y，编码大小对应{1,2,3,4,5,6}中的6类目标，相应的one-hot编码分别为000001，000010，000100，001000，010000，100000。最后由数据集和数据集对应的标签集构成了训练集(X,Y)，用于网络训练。

步骤五、设置网络参数，构建GRU神经网络；GRU神经网络由输入层、隐藏层和输出层组成；其中，输入层单元数对应一个HRRP样本长度；隐藏层由一个GRU层，一个Dropout层和一个全连接层组成，隐藏层的层数需要根据输入层输入的数据维数和数据特点进行设置，由前一层的输出作为下一层的输入；输出层为一个Softmax层，其输出单元数对应目标分类数，以各输出单元结果中概率最高者为HRRP样本数据对应的目标分类；

GRU神经网络是RNN的一个变体，它能学习长期依赖，克服传统RNN网络中的梯度消失问题，且内部结构简单，训练也更快。本发明提出的GRU神经网络由输入层，隐藏层，输出层组成。其中，输入层单元数对应一个HRRP样本数据维数。隐藏层由一个GRU层，一个Dropout层和一个全连接层组成，隐藏层的层数需要根据输入层输入的数据维数和数据特点进行设置，以前一层的输出作为下一层的输入。最后输出层为一个Softmax层，输出单元数对应目标分类数，以各单元输出结果中概率最高者为HRRP样本数据对应的目标分类。

本例中，HRRP样本数据的数据维数为300，分别属于6类目标，故输入层单元数设置为300，输出层单元数为6。对于隐藏层的层数没有统一规定，一般根据多次实验结果来确定，本例中隐藏层设置为两层，相应的隐藏层单元数为64-16。对于迭代次数的选择，同样需要根据实验结果进行判断。当迭代次数超过某一门限值后，网络的损失函数值不再随迭代次数的增加而降低，基本保持稳定时，一般以此门限值作为迭代次数，本例中的门限值设置为90次。图8给出了训练集和测试集损失函数值随迭代次数变化的结果，从图可以看出，当迭代次数超过90次后，不论是训练集还是测试集，其损失函数值几乎不再增加。此外，GRU神经网络的优化器选用包含动量概念的Adam优化器，激活函数选用修正线性单元(Rectifiedlinear unit,ReLU)。RuLU具有比传统Sigmoid函数更高的梯度下降及反向传播效率，可以有效避免梯度爆炸和梯度消失问题，保障GRU神经网络获得更好的训练效果。

确定优化器后，需要选择合适的损失函数以确定权重空间，因此优化的过程也即损失函数最小化的过程。本例GRU神经网络以分类输出中出色的分类交叉熵函数作为损失函数，分类交叉熵函数为：

其中，目标值为t_i,j时预测结果为p_i,j。

最后，为了避免训练过程中发生过拟合，在GRU神经网络中设置了Dropout层，在隐藏层传播的值里，按Dropout概率值随机丢弃某些值，Dropout概率值设置为0.3。

步骤六、利用训练集对构建的GRU神经网络进行训练，并预留训练集的部分数据用于验证，得到训练好的GRU神经网络模型；

利用步骤四构造的HRRP训练集对设置好的的GRU神经网络进行模型训练。为了更好的对训练集数据做性能评估，需要留出训练集的部分数据用于验证，本例中训练集和验证集的划分比例为8：2。图9给出了网络训练的结果，可以看出GRU神经网络对训练集和测试集的最终识别率达到了95％以上，求得的很好的效果。最后将训练好的网络模型保存，作为HRRP数据的目标识别网络。

待识别的HRRP样本首先进行步骤二和步骤三的预处理后输入步骤六中训练好的GRU神经网络，根据输出结果判别目标类型。GRU神经网络输出层为一个Softmax层，6个输出单元对应6类目标，比较6个输出单元的值，选最大值者对应的目标类别即为识别结果。

为验证本发明效果，将本发明方法同主成分分析(Principal ComponentAnalysis，PCA)法和自编码器两种方法进行比较，其中PCA输出维数为64，利用支持向量机进行分类，而自编码器网络层数设置为两层。表1给出了三种方法对6类目标的识别准确率。

表1不同方法的识别率

从本实施例的结果可以看出，本发明的识别方法明显优于PCA和自编码器两种方法。同时，本发明不需要通过人工设计和筛选的HRRP数据特征来实现对卫星目标的识别，而是基于GRU神经网络实现对卫星目标HRRP的自动识别。本发明首先对HRRP数据进行预处理，包括包络对齐、包络归一化和数据去冗余，并标记数据，构造出训练集。然后设置好GRU神经网络参数，将HRRP训练集用于网络的训练。最后将待识别的HRRP数据预处理后输入GRU数据网络，根据网络输出单元的值判定其所属目标类别。

本发明实现对卫星目标HRRP数据的特征提取与分类的一体化，简化了目标识别过程，能够满足大批量，实时目标识别的要求。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims

1.一种识别空间目标的方法，其特征在于，包括：

步骤一、对HRRP样本数据进行包络对齐预处理，实现距离单元之间一一对应的配准；HRRP样本数据中的距离像是通过距离窗从回波数据中截取的包含目标在内的且有余度的一段向量表示的；

2.如权利要求1所述的方法，其特征在于，所述步骤一中包络对齐的方法，包括：互相关法、最小熵法或多次求和作基准的互相关法对HRRP样本数据进行包络对齐。

3.如权利要求1所述的方法，其特征在于，所述步骤二中截取的有效数据长度的方法，包括：

4.如权利要求1所述的方法，其特征在于，所述步骤三中归一化的方法，包括：

其中，s_n为包络对齐后的HRRP样本数据，x_n为包络归一化后的HRRP样本数据，max| |表示取最大值。

5.如权利要求1-4之一所述的方法，其特征在于，所述网络参数的设置，需要根据实际的数据类型，网络用途和系统要求来合理设置，网络参数包括隐藏层层数、优化器、损失函数、激活函数和Dropout。

6.如权利要求5所述的方法，其特征在于，所述GRU神经网络的优化器选用包含动量概念的Adam优化器，激活函数选用修正线性单元ReLU。

7.如权利要求5所述的方法，其特征在于，以分类输出中出色的分类交叉熵函数作为损失函数，分类交叉熵函数为：

其中，目标值为t_i,j时预测结果为p_i,j。