CN109977871B - 一种基于宽带雷达数据和gru神经网络的卫星目标识别方法 - Google Patents
一种基于宽带雷达数据和gru神经网络的卫星目标识别方法 Download PDFInfo
- Publication number
- CN109977871B CN109977871B CN201910239622.2A CN201910239622A CN109977871B CN 109977871 B CN109977871 B CN 109977871B CN 201910239622 A CN201910239622 A CN 201910239622A CN 109977871 B CN109977871 B CN 109977871B
- Authority
- CN
- China
- Prior art keywords
- data
- hrrp
- radar
- neural network
- satellite
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本发明提供了一种基于宽带雷达数据和GRU神经网络的卫星目标识别方法,该方法主要包括数据划分和深度学习模型两大部分,通过将轨道高度和雷达观测角度信息引入到卫星目标识别,实现宽带雷达HRRP训练数据的划分和测试数据的匹配对应;采用GRU神经网络提取HRRP数据的有效特征,以划分后的HRRP训练数据作为输入,通过网络训练确定GRU神经网络的权重空间,以便提取HRRP测试数据的深层本质特征,将这些特征输入到分类器,实现卫星目标识别。本发明能够充分利用已有的宽带雷达数据,采用GRU神经网络这一深度学习模型来提取雷达HRRP数据的深层次特征,有利于提取出训练数据的有效特征,降低测试数据的搜索范围和计算量,提高了卫星目标识别的精度。
Description
技术领域
本发明属于雷达自动目标识别技术领域,尤其涉及一种基于宽带雷达数据和GRU神经网络的卫星目标识别方法。
背景技术
太空是现代生活方式、国家安全和现代战争的重要组成部分,世界各国都高度重视自身航天能力的发展。因此,航天科技得以快速发展,越来越多先进卫星被发射到太空,使得太空变得日益拥挤,更具有竞争性和对抗性。如何有效感知空间态势、提升空间监测能力,已成为各航天大国面临的一大难题,其中,卫星目标识别是空间监测信息系统的一项重要功能。宽带雷达作为一种感知空间态势的有效重要手段,具有全天时、全天候、高分辨的特点,在空间监测方面发挥着重大作用,广泛应用于空间目标识别。
利用宽带雷达对卫星目标进行识别,主要有基于HRRP(High-Resolution RangeProfile)和基于ISAR(Inverse Synthetic Aperture Radar)图像两种识别方法。其中基于ISAR图像的方法需要对宽带雷达得到的二维图像进行处理,数据量大,同时ISAR图像的横向分辨率受到目标相对转动快慢的影响,尺度存在不确定性。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(line-of-sight,LOS)方向上投影的矢量和,它包含了丰富的目标结构特征,如目标尺寸、散射体分布等,且与ISAR图像相比,HRRP易于获取和处理。因此雷达HRRP目标识别受到了雷达自动目标识别领域的高度关注。
目前,宽带雷达HRRP识别研究的对象基本上是地面或航空目标,如坦克和飞机。对于空间目标来说,除了宽带雷达HRRP数据外,其他的雷达测量数据也可以有效地应用于目标识别,如目标距离、雷达观测角度等。卫星作为一种重要的空间目标,具有不同的运动特性,其运动必须遵循开普勒定律。同时,由于卫星的在轨发动机性能差,携带的燃料也有限,其轨道机动范围受到很大限制,使得运动轨道相对稳定。而且,目标距离和位置的测量是雷达的一项基本功能,使用雷达来获取卫星轨道信息相对容易。因此,当卫星的偏心率很小时(当前大多数观测卫星的偏心率均满足该要求),轨道信息可以作为卫星的一个明显特征。随着需要识别的卫星目标数量的增加,轨道信息可以在卫星目标识别上起到重要作用。除此以外,雷达观测的俯仰角和方位角也是重要的有用信息。雷达观测角度的利用对HRRP目标识别有着众多好处,如缩小搜索范围和计算,缓解HRRP的姿态敏感度,提高目标识别精度等。
除上述卫星、雷达信息外,还需要进一步挖掘宽带雷达HRRP数据中包含的识别信息,以提高卫星的识别精度。特征提取与选择是HRRP目标识别研究的基础和关键技术。传统的HRRP数据特征学习方法大致可分为以下三种:一是计算目标HRRP数据的功率谱、FFT幅度和各种高阶谱等,将它们作为目标特征,再输入到分类器对目标进行识别。这种工程特征具有一定的识别作用,但其有效性依赖于研究人员的经验和技能。若对HRRP目标识别没有足够的先验知识,将使这些特征脆弱且不完整;二是通过构建HRRP数据的数学模型来提取特征,包括隐马尔可夫模型、匹配追踪模型等。上述特征的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;三是采用机器学习算法来提取HRRP的降维特征,例如主成分分析(Principal Component Analysis,PCA)、字典学习和流形学习等。但它们都是浅层网络,很难有效地描述雷达的HRRP特性,获得数据深层次的特征信息。
发明内容
本发明针对卫星这种空间目标,充分挖掘宽带雷达数据中包含的有用识别信息,并克服传统HRRP数据特征学习技术的不足,提出了一种基于宽带雷达数据和门控循环单元(Gated Recurrent Unit,GRU)神经网络的卫星目标识别方法,主要包括数据划分和深度学习模型两大部分。首先,将轨道高度和雷达观测角度信息引入到卫星目标识别,实现宽带雷达HRRP训练数据的划分和测试数据的匹配对应,这样有利于提取出训练数据的有效特征,降低测试数据的搜索范围和计算量,对提高卫星目标的识别精度具有重大意义。然后,采用GRU神经网络提取HRRP数据的有效特征,以划分后的HRRP训练数据作为输入,通过网络训练确定GRU神经网络的权重空间,以便提取HRRP测试数据的深层本质特征。将这些特征输入到分类器,实现卫星目标识别。本发明能够充分利用已有的宽带雷达数据,并采用GRU神经网络这一深度学习模型来提取雷达HRRP数据的深层次特征,并结合分类器完成卫星目标识别。其中采用的宽带雷达HRRP数据划分和GRU神经网络深度学习模型,都对提高卫星目标识别精度起到了重要作用。
为达到上述目的,本发明通过以下技术方案来具体实现:
本发明提供一种基于宽带雷达数据和GRU神经网络的卫星目标识别方法,包括:
步骤一、对宽带雷达HRRP数据进行预处理,所述预处理包括包络对齐操作和幅度归一化操作;
步骤二、使用目标距离、雷达观测角度信息计算出预处理后的宽带雷达HRRP数据的卫星轨道高度,并依据卫星轨道高度对HRRP数据进行划分,得到不同轨道高度范围的HRRP数据;
步骤三、基于不同轨道高度范围的HRRP数据的雷达观测角度,采用聚类方法对HRRP数据进一步划分,得到不同轨道高度范围的多个HRRP数据簇;
步骤四、对多个HRRP数据簇中的数据分别构造训练集;
步骤五、构建GRU神经网络深度学习模型,所述GRU神经网络深度学习模型由输入层、隐藏层和输出层组成;设计GRU神经网络深度学习模型的网络结构与参数,主要包括隐藏层设计、各层单元数、优化器、损失函数、激活函数和Dropout等;
步骤六、将多个HRRP数据簇的训练集分别输入到设计好的GRU神经网络深度学习模型,进行网络的学习训练,得到多个HRRP数据簇对应的训练好的GRU神经网络模型;在训练过程中,预留出用于验证的部分数据,构成验证集;同时,根据训练集和验证集的损失函数值、识别精度的变化值,确定网络训练的迭代次数,当损失函数值和识别精度的变化值在稳定区间时,网络学习训练完成,得到多个HRRP数据簇的GRU神经网络模型;
步骤七、将宽带雷达HRRP测试数据按照步骤一进行数据预处理,并依据测试数据的轨道高度和雷达观测角度完成测试数据的匹配对应,确定测试数据所对应的训练数据簇,将测试数据输入到该训练数据在步骤六中得到的GRU神经网络模型中,以编码器模块的输出作为测试数据提取出的特征,将该特征输入到选定的分类器,进行卫星目标识别,同时验证GRU神经网络模型特征学习的效果。
所述步骤一中预处理的步骤,包括:对宽带雷达HRRP数据进行包络对齐,实现距离单元之间一一对应的配准;对包络对齐后的HRRP数据进行能量归一化,使得所有HRRP数据的幅度实现归一化。
所述步骤二,目标距离和雷达观测角度的获取,包括:宽带雷达在测量获取HRRP数据时,根据发射脉冲与接受回波之间的时差,测量得到雷达和卫星之间的距离,同时记录自身当前观测角度。
所述步骤二,具体包括:以目标距离、雷达观测角度和已知雷达的大地坐标作为输入,经过多次坐标转换,获得卫星在地心直角坐标系中的坐标,进而求得各HRRP数据所对应的卫星轨道高度,按照卫星轨道高度对宽带雷达HRRP数据进行划分,使同一轨道高度范围的数据划分在一起。
坐标转换,包括:雷达极坐标系到雷达体直角坐标系的转换、大地坐标系到地心直角坐标系的转换和雷达体直角坐标系到地心直角坐标系的转换。
所述步骤三,具体包括:计算一定时间内连续测量得到的HRRP数据的平均距离像,并将HRRP平均距离像作为初始聚类;采用归一化角距除以相关系数计算距离度量值的层次聚类方法,对初始聚类进行划分;计算各HRRP平均距离像的归一化角距除以相关系数的距离度量值,距离度量值越小,则它们的相似性越高;层次聚类方法采用一种自下向上的聚类策略,将相似性最高的两个聚类合并成一类,重复此过程,直到达到预设聚类的数目,从而完成了不同轨道高度范围内的宽带雷达HRRP数据的进一步划分。
所述步骤四中,构造的训练集,包括:数据集和标签集;构造的步骤包括:将经过预处理和数据划分后的HRRP数据作为数据集;对HRRP数据进行类别标记,并结构化成one-hot编码,编码大小对应训练集中需要识别的卫星目标类别数目,进而得到标签集。
所述步骤五中,GRU神经网络深度学习模型输入层以宽带雷达HRRP数据作为输入,输入层单元数对应于HRRP数据的维度;隐藏层包括GRU层和全连接层,在GRU层中采用双向结构,并在GRU层后设计多个全连接层;通过网络训练和测试效果确定隐藏层单元数;输入层、GRU层和全连接层共同构成编码器模块,全连接层的输出设计为提取出的HRRP数据的特征。输出层为一个Softmax层,输出层单元数对应卫星目标类别数目,以各个输出单元结果中概率最高者作为HRRP数据对应的目标分类。
本发明的有益效果是:
(1)本发明所提出的卫星目标识别方法,能够充分挖掘宽带雷达数据中包含的识别信息,利用卫星轨道高度和雷达观测角度信息,完成宽带雷达HRRP数据划分。数据划分有助于特征学习算法提取出HRRP数据的有效特征,减少测试数据的搜索范围和计算,进而提升卫星目标的识别率。而且,一般情况下,基于HRRP数据识别的卫星类别数量的增加会对识别精度产生不利影响,使得识别方法的识别精度有所下降,宽带雷达数据划分一定程度上可以降低这种不良影响,有利于提高多个卫星目标的识别精度。
(2)本发明构建的GRU神经网络可以很好地提取出HRRP数据的特征,与传统的机器学习算法相比,它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,提取出数据中更加深层本质的有效特征。
(3)本发明以数据为驱动,采用以多层神经网络为核心的深度学习技术,通过网络的学习训练,自动提取出数据的有效特征,摆脱了人工特征设计、提取和选择的不确定性,简化了目标识别过程,大大降低了特征设计的成本,提高了目标识别准确率。
(4)本发明对不同的宽带雷达及其HRRP数据、不同卫星目标等都具有很好的通用性,只需对本识别方法作少量的修改即可,适用范围广,泛化能力强。
附图说明
图1所示为本发明提出的卫星目标识别方法的流程图。
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所示为宽带雷达HRRP信号幅度归一化的结果示意图。
图5a是卫星轨道高度范围为HSat≤500km的数据划分结果示意图;图5b是卫星轨道高度范围为500<HSat≤1000km的数据划分结果示意图;图5c是卫星轨道高度范围为HSat>1000km的数据划分结果示意图。
图6所示为本发明提供的GRU神经网络示意图。
图7a是训练集交叉熵损失函数随迭代次数的变化图,图7b是验证集交叉熵损失函数随迭代次数的变化图,图7c是训练集平均绝对误差随迭代次数的变化图,图7d是验证集平均绝对误差随迭代次数的变化图。
图8a是训练集识别精度随迭代次数的变化图,图8b是验证集识别精度随迭代次数的变化图。
图9a、图9b和图9c分别表示测试数据通过由卫星轨道高度HSat≤500km范围内第1、2、3个HRRP数据簇训练好的GRU神经网络模型识别出的混淆矩阵示意图;图9d、图9e、图9f和图9g分别表示测试数据通过由卫星轨道高度500<HSat≤1000km范围内第1、2、3、4个HRRP数据簇训练好的GRU神经网络模型识别出的混淆矩阵示意图;图9h、图9i和图9j分别表示测试数据通过由卫星轨道高度HSat>1000km范围内第1、2、3个HRRP数据簇训练好的GRU神经网络模型识别出的混淆矩阵示意图。
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
本发明实施例提供了一种基于宽带雷达数据和GRU神经网络的十种卫星目标识别,每个卫星目标均有70000条HRRP数据,每条HRRP数据的维数均为300。由于在较短时间内雷达观测角度变化不大,故为方便起见,认定连续的700条HRRP数据具有同一雷达观测角度。图1给出了本发明提出的基于宽带雷达数据和GRU神经网络的卫星目标识别方法的流程图。
如图1所示,本发明实施例一提供了一种基于宽带雷达数据和GRU神经网络的卫星目标识别方法,包括:
步骤一、对宽带雷达HRRP数据进行预处理,所述预处理包括包络对齐操作和幅度归一化操作。预处理的步骤,包括:对宽带雷达HRRP数据进行包络对齐,实现距离单元之间一一对应的配准;对包络对齐后的HRRP数据进行能量归一化,使得所有HRRP数据的幅度实现归一化。
在雷达HRRP目标识别任务中,需要首先考虑宽带雷达HRRP数据的敏感性问题,进行HRRP数据预处理,尽可能降低敏感性问题对目标识别的不利影响。首先是平移敏感性问题。HRRP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。余度的存在使得目标的微小平移也会导致HRRP数据发生明显改变。因此,需要对HRRP数据作包络对齐预处理,保证距离单元之间的配准。本发明采用多次求和作基准的互相关法对HRRP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。此外,宽带雷达HRRP数据还存在幅度敏感性问题。宽带雷达HRRP幅度是由雷达发射功率、目标距离、雷达天线增益、雷达接收机增益、雷达系统损耗等因素决定的。不同雷达或在不同条件下测得的HRRP数据会具有不同的幅度尺度。为了缓解HRRP数据的幅度敏感性,采用能量归一化方法对HRRP数据进行归一化,方法如下:
其中,sn为幅度归一化前HRRP数据的第n维数据,xn为能量归一化后HRRP数据的第n维数据,N是HRRP数据的维度。图4为一个宽带雷达HRRP数据经过幅度归一化后的结果。
步骤二、使用目标距离、雷达观测角度信息计算出预处理后的宽带雷达HRRP数据的卫星轨道高度,并依据卫星轨道高度对HRRP数据进行划分,得到不同轨道高度范围的HRRP数据。其中,目标距离和雷达观测角度的获取,包括:宽带雷达在测量获取HRRP数据时,根据发射脉冲与接受回波之间的时差,测量得到雷达和卫星之间的距离,同时记录自身当前观测角度。具体包括:以目标距离、雷达观测角度和已知雷达的大地坐标作为输入,经过多次坐标转换,获得卫星在地心直角坐标系中的坐标,进而求得各HRRP数据所对应的卫星轨道高度,按照卫星轨道高度对宽带雷达HRRP数据进行划分,使同一轨道高度范围的数据划分在一起。坐标转换,包括:雷达极坐标系到雷达体直角坐标系的转换、大地坐标系到地心直角坐标系的转换和雷达体直角坐标系到地心直角坐标系的转换。
本实施例将各HRRP数据分别划分到卫星轨道高度HSat≤500km、500<HSat≤1000km和HSat>1000km这三个范围。
步骤三、基于不同轨道高度范围的HRRP数据的雷达观测角度,采用聚类方法对HRRP数据进一步划分,得到不同轨道高度范围的多个HRRP数据簇。具体包括:计算一定时间内连续测量得到的HRRP数据的平均距离像,并将HRRP平均距离像作为初始聚类;采用归一化角距除以相关系数计算距离度量值的层次聚类方法,对初始聚类进行划分;计算各HRRP平均距离像的归一化角距除以相关系数的距离度量值,距离度量值越小,则它们的相似性越高;层次聚类方法采用一种自下向上的聚类策略,将相似性最高的两个聚类合并成一类,重复此过程,直到达到预设聚类的数目,从而完成了不同轨道高度范围内的宽带雷达HRRP数据的进一步划分。
首先计算一定时间内连续测量得到的HRRP数据的平均距离像,对于连续M个经过预处理且不发生越距离单元的HRRP数据{x(0),x(1),…,x(M-1)},它们均由D维向量构成,即x(i)=[x1(i),x2(i),…,xD(i)],i=0,1,…,M-1,其平均距离像计算如下:
将HRRP平均距离像作为初始聚类。本实例中,计算连续700条的HRRP数据的平均距离像,并认为它们具有同一雷达观测角度,最终每个卫星都可以计算出100条平均距离像。
在此基础上,计算各HRRP平均距离像的“归一化角距除以相关系数”距离度量值。本发明采用“归一化角距除以相关系数”这种新的距离度量,它不仅利用了观测角度距离,还使用平均距离像之间的相关系数来度量HRRP平均距离像的相似性,既可以在一定程度上缓解HRRP带来的姿态敏感性问题,还可以较好的测量HRRP数据之间的相似性。对于观测方位角和俯仰角为θi和εi的平均距离像μi=[μi(1),μi(2),…,μi(D)],和观测方位角和俯仰角为θj和εj的平均距离像μj=[μj(1),μj(2),…,μj(D)],它们的角距dangles(μi,μj)和相关系数ρ(μi,μj)计算如下:
相关系数越大,角距越小,HRRP平均距离像的相似性越高。此外,用于层次聚类的距离度量通常需要满足一些必要的性质,如非负性、同一性和对称性。为了使这两种距离同等作用,它们通过除以各自的最大值来归一化。考虑到上述因素,本发明设计的距离度量dist(μi,μj)计算如下:
HRRP平均距离像之间的距离度量值越小,它们的相似性越高。然后将相似性最高的两个聚类合并成一类。重复此过程,直到达到预设聚类的数目,从而完成了不同轨道高度范围内的宽带雷达HRRP数据的进一步划分。本实例中,针对卫星轨道高度范围为HSat≤500km、500<HSat≤1000km和HSat>1000km的HRRP数据,分别聚类成3、4、3个数据簇。图5a是卫星轨道高度范围为HSat≤500km的数据划分结果,将它们划分成3个数据簇;图5b是卫星轨道高度范围为500<HSat≤1000km的数据划分结果,将它们划分成4个数据簇;图5c是卫星轨道高度范围为HSat>1000km的数据划分结果,将它们划分成3个数据簇。
步骤四、对多个HRRP数据簇中的数据分别构造训练集。构造的训练集,包括:数据集和标签集;构造的步骤包括:将经过预处理和数据划分后的HRRP数据作为数据集;对HRRP数据进行类别标记,并结构化成one-hot编码,编码大小对应训练集中需要识别的卫星目标类别数目,进而得到标签集。
将经过预处理和数据划分后的HRRP数据作为数据集X={xn},同时对HRRP数据进行类别标记,分别记为{1,2,3,4,5,6,7,8,9,10}10类,组成标签集{yn}。并结构化成one-hot编码Y,这10类目标相应的one-hot编码分别为0000000001、0000000010、0000000100、0000001000、0000010000、0000100000、0001000000、0010000000、0100000000和1000000000。最后由数据集和数据集对应的标签集构成了训练集(X,Y)。
步骤五、构建GRU神经网络深度学习模型,所述GRU神经网络深度学习模型由输入层、隐藏层和输出层组成;设计GRU神经网络深度学习模型的网络结构与参数,主要包括隐藏层设计、各层单元数、优化器、损失函数、激活函数和Dropout等。GRU神经网络深度学习模型输入层以宽带雷达HRRP数据作为输入,输入层单元数对应于HRRP数据的维度;隐藏层包括GRU层和全连接层,为了使训练网络更精确,提取出更好的特征,在GRU层中采用双向结构,并在GRU层后设计多个全连接层;各隐含层单元数没有特定的要求,可以通过网络训练和测试效果来确定。其中输入层、双向GRU层和全连接层共同构成编码器模块,并将全连接层的输出设计为所提取的特征。最后的输出层为一个Softmax层,其单元数对应卫星目标类别数目,以各输出单元结果中概率最高者为HRRP数据对应的目标分类。优化器、损失函数、激活函数和Dropout等网络参数的设置没有特定的规定,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,并依据网络训练和测试效果来最终确定。
本实例中,宽带雷达HRRP数据的数据维数为300,分别属于10类目标,故输入层单元数设置为300,输出层采用Softmax作为激活函数,对应的单元数设置为10。对于隐藏层的层数和单元数没有统一规定,一般根据多次实验结果来确定,本例中隐藏层设置为两个双向GRU层和两个全连接层,双向GRU层和全连接层的单元数分别设置为96和64。输入层、两个双向GRU层和第一个全连接层共同构成编码器模块。两个全连接层的激活函数依次选用Linear函数和修正线性单元(Rectified linear 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,保证GRU神经网络获得更好的训练效果。此外,GRU神经网络的优化器选用包含动量概念的Adam优化器,同时需要选择合适的损失函数作为优化器的优化目标。本例GRU神经网络以多分类输出中出色的分类交叉熵函数作为损失函数,若目标值为ti,j时预测结果为pi,j,则分类交叉熵函数可以定义为
同时,为了避免训练过程中发生过拟合,在GRU神经网络中设置了Drop-out层,在隐藏层传播的值里,按Drop-out概率值随机丢弃某些值,Drop-out概率值设置为0.25。图6为本实例中设计的GRU神经网络示意图。
步骤六、将多个HRRP数据簇的训练集分别输入到设计好的GRU神经网络深度学习模型,进行网络的学习训练,得到多个HRRP数据簇对应的训练好的GRU神经网络模型;在训练过程中,为了可以对网络的性能进行评估,预留出用于验证的部分数据,构成验证集;本例中训练集和验证集的划分比例为8:2。根据训练集、验证集的损失函数值、识别精度的变化,确定网络训练的迭代次数,当损失函数值和识别精度相对稳定时,网络学习训练完成,得到不同数据簇下的GRU神经网络模型。本例中的门限值设置为100次。图7a至图7d给出了训练集和验证集的两种常用损失函数(分类交叉熵函数和平均绝对误差)值随迭代次数变化的结果,其中,图7a是训练集交叉熵损失函数随迭代次数的变化图,图7b是验证集交叉熵损失函数随迭代次数的变化图,图7c是训练集平均绝对误差随迭代次数的变化图,图7d是验证集平均绝对误差随迭代次数的变化图;从图可以看出,随着迭代次数的增加,不论是训练集还是验证集,其损失函数值几乎不再增加。其中图8a是训练集识别精度随迭代次数的变化图,图8b是验证集识别精度随迭代次数的变化图,可以看出GRU神经网络对训练集和验证集的识别率很高,取得了很好的训练效果。至此,得到不同数据簇下训练好的GRU神经网络模型。
步骤七、将宽带雷达HRRP测试数据按照步骤一进行数据预处理,并依据测试数据的轨道高度和雷达观测角度完成测试数据的匹配对应,确定测试数据所对应的训练数据簇,将测试数据输入到该训练数据簇在步骤六中得到的GRU神经网络模型中,以编码器模块的输出作为测试数据提取出的特征,将特征输入到线性支持向量机(Support VectorMachine,SVM)分类器,完成卫星目标识别,并从分类器的识别精度来判断提取特征的好坏和GRU神经网络的训练效果。图9a、图9b和图9c分别表示测试数据通过由卫星轨道高度HSat≤500km范围内第1、2、3个HRRP数据簇训练好的GRU神经网络模型识别出的混淆矩阵;图9d、图9e、图9f和图9g分别表示测试数据通过由卫星轨道高度500<HSat≤1000km范围内第1、2、3、4个HRRP数据簇训练好的GRU神经网络模型识别出的混淆矩阵;图9h、图9i和图9j分别表示测试数据通过由卫星轨道高度HSat>1000km范围内第1、2、3个HRRP数据簇训练好的GRU神经网络模型识别出的混淆矩阵,表1给出了对应的识别精度。
表1 待识别HRRP数据的识别精度
1在相应的聚类簇中没有该卫星.
本发明的有益效果是:
(1)本发明所提出的卫星目标识别方法,能够充分挖掘宽带雷达数据中包含的识别信息,利用卫星轨道高度和雷达观测角度信息,完成宽带雷达HRRP数据划分。数据划分有助于特征学习算法提取出HRRP数据的有效特征,减少测试数据的搜索范围和计算,进而提升卫星目标的识别率。而且,一般情况下,基于HRRP数据识别的卫星类别数量的增加会对识别精度产生不利影响,使得识别方法的识别精度有所下降,宽带雷达数据划分一定程度上可以降低这种不良影响,有利于提高多个卫星目标的识别精度。
(2)本发明构建的GRU神经网络可以很好地提取出HRRP数据的特征,与传统的机器学习算法相比,它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,提取出数据中更加深层本质的有效特征。
(3)本发明以数据为驱动,采用以多层神经网络为核心的深度学习技术,通过网络的学习训练,自动提取出数据的有效特征,摆脱了人工特征设计、提取和选择的不确定性,简化了目标识别过程,大大降低了特征设计的成本,提高了目标识别准确率。
(4)本发明对不同的宽带雷达及其HRRP数据、不同卫星目标等都具有很好的通用性,只需对本识别方法作少量的修改即可,适用范围广,泛化能力强。
为验证本发明效果,将本发明的GRU神经网络同自动编码器(Autoencoder,AE)、降噪自动编码器(Denoising Autoencoder,DAE)、主成分分析(PCA)、字典学习(DictionaryLearning,DL)和流形学习(Manifold Learning,ML)五种常见的特征提取方法进行比较,它们的特征输出维数也都是为64,利用线性SVM作为判断特征提取好坏的基线,对六种方法提取出的特征进行分类,而自编码器、降噪自动编码器的网络层数设置为两层。表2给出了六种方法对10类目标的识别准确率。
表2 不同方法的识别精度
1该方法或技术被应用2该方法或技术没有被应用
从本实施例的结果可以看出,本发明的卫星目标识别方法具有如下优势:(1)在数据划分方面,引入卫星轨道高度和雷达观测角度信息,有利于提高卫星的识别率,它们对上述的六种方法都适用,这验证了本识别方法中数据划分的有效性;(2)与后五种常用的特征提取方法相比,本发明设计的GRU神经网络能够提取出宽带雷达HRRP数据中更加深层本质的特征,这使得它对卫星目标具有更好的识别性能。并且不论是否引入卫星轨道高度或观测角度信息,GRU-SVM模型在这六种方法中的总识别准确率都是最高的,充分证实了所设计的GRU神经网络在提取HRRP数据特征上十分有效。同时,本发明不需要通过人工设计和筛选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数据的自动特征提取,利用分类器完成目标的自动识别。
本发明提出了一种基于宽带雷达数据和GRU神经网络的卫星目标识别方法,首先对宽带雷达HRRP数据进行预处理,包括包络对齐、幅度归一化,并标记数据,构造出训练集;基于卫星轨道高度和雷达观测角度聚类技术完成雷达HRRP数据划分。然后设计GRU神经网络结构与参数,将不同的HRRP训练数据簇分别用于网络的训练,得到不同HRRP数据簇的GRU神经网络模型。最后将HRRP测试数据进行数据预处理和匹配对应后,输入相应的GRU网络模型,将编码器模块的输出作为特征,输入到分类器,完成卫星目标识别,并验证GRU神经网络特征学习的效果。
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 (7)
1.一种基于宽带雷达数据和GRU神经网络的卫星目标识别方法,其特征在于,包括:
步骤一、对宽带雷达HRRP数据进行预处理,所述预处理包括包络对齐操作和幅度归一化操作;
步骤二、使用目标距离、雷达观测角度信息计算出预处理后的宽带雷达HRRP数据的卫星轨道高度,并依据卫星轨道高度对HRRP数据进行划分,得到不同轨道高度范围的HRRP数据;
步骤三、基于不同轨道高度范围的HRRP数据的雷达观测角度,采用聚类方法对HRRP数据进一步划分,得到不同轨道高度范围的多个HRRP数据簇;具体包括:计算一定时间内连续测量得到的HRRP数据的平均距离像,并将HRRP平均距离像作为初始聚类;采用归一化角距除以相关系数计算距离度量值的层次聚类方法,对初始聚类进行划分;计算各HRRP平均距离像的归一化角距除以相关系数的距离度量值,距离度量值越小,则它们的相似性越高;层次聚类方法采用一种自下向上的聚类策略,将相似性最高的两个聚类合并成一类,重复此过程,直到达到预设聚类的数目,从而完成了不同轨道高度范围内的宽带雷达HRRP数据的进一步划分;
步骤四、对多个HRRP数据簇中的数据分别构造训练集;
步骤五、构建GRU神经网络深度学习模型,所述GRU神经网络深度学习模型由输入层、隐藏层和输出层组成;设计GRU神经网络深度学习模型的网络结构与参数,主要包括隐藏层设计、各层单元数、优化器、损失函数、激活函数和Dropout;
步骤六、将多个HRRP数据簇的训练集分别输入到设计好的GRU神经网络深度学习模型,进行网络的学习训练,得到多个HRRP数据簇对应的训练好的GRU神经网络模型;在训练过程中,预留出用于验证的部分数据,构成验证集;同时,根据训练集和验证集的损失函数值、识别精度的变化值,确定网络训练的迭代次数,当损失函数值和识别精度的变化值在稳定区间时,网络学习训练完成,得到多个HRRP数据簇的GRU神经网络模型;
步骤七、将宽带雷达HRRP测试数据按照步骤一进行数据预处理,并依据测试数据的轨道高度和雷达观测角度完成测试数据的匹配对应,确定测试数据所对应的训练数据簇,将测试数据输入到该训练数据簇在步骤六中得到的GRU神经网络模型中,以编码器模块的输出作为测试数据所提取出的特征,将该特征输入到选定的分类器,进行卫星目标识别,同时验证GRU神经网络模型特征学习的效果。
2.如权利要求1所述的方法,其特征在于,所述步骤一中预处理的步骤,包括:
对宽带雷达HRRP数据进行包络对齐,实现距离单元之间一一对应的配准;
对包络对齐后的HRRP数据进行能量归一化,使得所有HRRP数据的幅度实现归一化。
3.如权利要求1所述的方法,其特征在于,所述步骤二,目标距离和雷达观测角度的获取,包括:
宽带雷达在测量获取HRRP数据时,根据发射脉冲与接受回波之间的时差,测量得到雷达和卫星之间的距离,同时记录自身当前观测角度。
4.如权利要求1或3所述的方法,其特征在于,所述步骤二,具体包括:
以目标距离、雷达观测角度和已知雷达的大地坐标作为输入,经过多次坐标转换,获得卫星在地心直角坐标系中的坐标,进而求得各HRRP数据所对应的卫星轨道高度,按照卫星轨道高度对宽带雷达HRRP数据进行划分,使同一轨道高度范围的数据划分在一起。
5.如权利要求4所述的方法,其特征在于,坐标转换,包括:
雷达极坐标系到雷达体直角坐标系的转换、大地坐标系到地心直角坐标系的转换和雷达体直角坐标系到地心直角坐标系的转换。
6.如权利要求1所述的方法,其特征在于,所述步骤四中,构造的训练集,包括:数据集和标签集;构造的步骤包括:
将经过预处理和数据划分后的HRRP数据作为数据集;
对HRRP数据进行类别标记,并结构化成one-hot编码,编码大小对应训练集中需要识别的卫星目标类别数目,进而得到标签集。
7.如权利要求1所述的方法,其特征在于,所述步骤五中,
GRU神经网络深度学习模型输入层以宽带雷达HRRP数据作为输入,输入层单元数对应于HRRP数据的维度;
隐藏层包括GRU层和全连接层,在GRU层中采用双向结构,并在GRU层后设计多个全连接层;通过网络训练和测试效果确定隐藏层单元数;
输入层、GRU层和全连接层共同构成编码器模块,全连接层的输出设计为提取出的HRRP数据的特征;
输出层为一个Softmax层,输出层单元数对应卫星目标类别数目,以各个输出单元结果中概率最高者作为HRRP数据对应的目标分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910239622.2A CN109977871B (zh) | 2019-03-27 | 2019-03-27 | 一种基于宽带雷达数据和gru神经网络的卫星目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910239622.2A CN109977871B (zh) | 2019-03-27 | 2019-03-27 | 一种基于宽带雷达数据和gru神经网络的卫星目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109977871A CN109977871A (zh) | 2019-07-05 |
CN109977871B true CN109977871B (zh) | 2021-01-29 |
Family
ID=67081106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910239622.2A Active CN109977871B (zh) | 2019-03-27 | 2019-03-27 | 一种基于宽带雷达数据和gru神经网络的卫星目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109977871B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110542913A (zh) * | 2019-08-13 | 2019-12-06 | 桂林电子科技大学 | 一种卫星坐标估计方法及装置 |
US11574223B2 (en) * | 2019-10-07 | 2023-02-07 | Intelligent Fusion Technology, Inc. | Method and apparatus for rapid discovery of satellite behavior |
CN110717540B (zh) * | 2019-10-10 | 2023-11-03 | 中国电子科技集团公司第三十八研究所 | 一种对雷达新辐射源个体的识别方法及装置 |
CN112699965B (zh) * | 2021-01-14 | 2022-08-30 | 中国人民解放军海军航空大学 | 基于卷积自编码的雷达hrrp目标类别标注方法 |
CN112884059B (zh) * | 2021-03-09 | 2022-07-05 | 电子科技大学 | 一种融合先验知识的小样本雷达工作模式分类方法 |
CN113406623A (zh) * | 2021-05-07 | 2021-09-17 | 中山大学 | 基于雷达高分辨距离像的目标识别方法、装置及介质 |
CN113486917B (zh) * | 2021-05-17 | 2023-06-02 | 西安电子科技大学 | 一种基于度量学习的雷达hrrp小样本目标识别方法 |
CN113986561B (zh) * | 2021-12-28 | 2022-04-22 | 苏州浪潮智能科技有限公司 | 人工智能任务处理方法、装置、电子设备及可读存储介质 |
CN114509736B (zh) * | 2022-01-19 | 2023-08-15 | 电子科技大学 | 一种基于超宽带电磁散射特征的雷达目标识别方法 |
CN116720122B (zh) * | 2023-08-10 | 2023-10-31 | 清华大学 | 基于多站频率捷变雷达的气动目标分类方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107132516A (zh) * | 2017-05-16 | 2017-09-05 | 电子科技大学 | 一种基于深度置信网络的雷达一维距离像目标识别方法 |
CN109214452A (zh) * | 2018-08-29 | 2019-01-15 | 杭州电子科技大学 | 基于注意深度双向循环神经网络的hrrp目标识别方法 |
CN109375186A (zh) * | 2018-11-22 | 2019-02-22 | 中国人民解放军海军航空大学 | 基于深度残差多尺度一维卷积神经网络的雷达目标识别方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102243306A (zh) * | 2011-03-23 | 2011-11-16 | 中国人民解放军海军工程大学 | 舰船目标宽带雷达散射特性的水声测量方法 |
CN107194433B (zh) * | 2017-06-14 | 2019-09-13 | 电子科技大学 | 一种基于深度自编码网络的雷达一维距离像目标识别方法 |
WO2019027504A1 (en) * | 2017-08-01 | 2019-02-07 | Apple Inc. | METHOD FOR UPDATING MODELS USED IN FACIAL RECOGNITION |
CN108256436B (zh) * | 2017-12-25 | 2021-09-07 | 上海交通大学 | 一种基于联合分类的雷达hrrp目标识别方法 |
CN108957418A (zh) * | 2018-05-30 | 2018-12-07 | 西安电子科技大学 | 一种基于循环神经网络模型的雷达目标识别方法 |
CN108732550B (zh) * | 2018-08-01 | 2021-06-29 | 北京百度网讯科技有限公司 | 用于预测雷达回波的方法和装置 |
CN109376574B (zh) * | 2018-08-14 | 2021-05-14 | 西安电子科技大学 | 基于cnn的可拒判雷达hrrp目标识别方法 |
CN109271926B (zh) * | 2018-09-14 | 2021-09-10 | 西安电子科技大学 | 基于gru深度卷积网络的智能辐射源识别方法 |
CN109492671B (zh) * | 2018-10-16 | 2020-08-11 | 北京理工大学 | 一种基于lstm的多极化高分辨距离像目标识别方法 |
-
2019
- 2019-03-27 CN CN201910239622.2A patent/CN109977871B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107132516A (zh) * | 2017-05-16 | 2017-09-05 | 电子科技大学 | 一种基于深度置信网络的雷达一维距离像目标识别方法 |
CN109214452A (zh) * | 2018-08-29 | 2019-01-15 | 杭州电子科技大学 | 基于注意深度双向循环神经网络的hrrp目标识别方法 |
CN109375186A (zh) * | 2018-11-22 | 2019-02-22 | 中国人民解放军海军航空大学 | 基于深度残差多尺度一维卷积神经网络的雷达目标识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109977871A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109977871B (zh) | 一种基于宽带雷达数据和gru神经网络的卫星目标识别方法 | |
CN108229404B (zh) | 一种基于深度学习的雷达回波信号目标识别方法 | |
CN101551856B (zh) | 基于稀疏最小二乘支撑向量机的sar目标识别方法 | |
CN109993224B (zh) | 基于深度学习与多核学习的geo卫星形状与姿态识别方法 | |
CN109948722B (zh) | 一种识别空间目标的方法 | |
CN106951915B (zh) | 一种基于类别置信度的一维距离像多分类器融合识别法 | |
CN106355151A (zh) | 一种基于深度置信网络的三维sar图像目标识别方法 | |
CN103226196B (zh) | 基于稀疏特征的雷达目标识别方法 | |
Wan et al. | Recognizing the HRRP by combining CNN and BiRNN with attention mechanism | |
CN110516525B (zh) | 基于gan和svm的sar图像目标识别方法 | |
CN109117776B (zh) | 基于航迹信息的飞机与气象杂波分类识别方法 | |
CN104732224B (zh) | 基于二维泽尔尼克矩特征稀疏表示的sar目标识别方法 | |
Wang et al. | SAR target recognition based on probabilistic meta-learning | |
CN112965062B (zh) | 基于lstm-dam网络的雷达距离像目标识别方法 | |
CN104008403B (zh) | 一种svm(矢量机)模式的多目标识别判定方法 | |
Sehgal et al. | Automatic target recognition using recurrent neural networks | |
Zhang et al. | A novel radar target recognition method for open and imbalanced high-resolution range profile | |
CN108983187B (zh) | 基于ewc的在线雷达目标识别方法 | |
CN113095417B (zh) | 基于融合图卷积和卷积神经网络的sar目标识别方法 | |
CN114821335B (zh) | 基于深度特征与线性判别特征融合的未知目标判别方法 | |
CN105373809B (zh) | 基于非负最小二乘稀疏表示的sar目标识别方法 | |
CN108106500B (zh) | 一种基于多传感器的导弹目标类型识别方法 | |
Chang et al. | Mlsdnet: Multi-class lightweight sar detection network based on adaptive scale distribution attention | |
CN114296067A (zh) | 基于lstm模型的脉冲多普勒雷达低慢小目标识别方法 | |
Jahan et al. | Balanced sampling meets imbalanced datasets for sar image classification |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |