CN110045362B - 基于rnn的雷达目标航迹识别方法和装置 - Google Patents

Abstract

本发明涉及一种基于RNN的雷达目标航迹识别方法和装置。本发明从计算机的角度出发，将递归神经网络应用到雷达目标识别领域。提出一种新的雷达目标航迹识别的方式。这种方式可以基本准确识别雷达目标航迹。

Description

基于RNN的雷达目标航迹识别方法和装置

技术领域

本发明实施例涉及军事领域、航空航天领域、计算机领域、雷达目标识别领域，具体涉及一种基于RNN的雷达目标航迹识别方法和装置。

背景技术

早期对雷达目标特性的研究主要是研究雷达目标的有效截面积。但是，对于各种不同形状和各类性质的目标，识别的有效性就非常低。后来出现了基于雷达时域一维目标回波波形，提取波形体系中涵括的目标特性数据来达到目标分类的目的。但回波波形容易受到自然噪声等各种杂波干扰，使得目标特性的提取十分困难且由于技术的限制，提取出来的目标特性也不是很精确。基于目标极点分布特征的目标识别技术，通常是直接从一组瞬态响应时域信息中提炼目标极点，把提炼出来的目标极点看出目标特性，再与所要对比的极点进行对比达到目标识别的目的。但是方法的估算准确率还有待提高且算法自身的降噪性还需要提升。基于高分辨雷达成像的目标识别的问题是一维距离成像目标识别则容易受到目标间、目标各散射点之间的彼此干涉、组合等交错项的影响，从而抑制了识别率的准确率。而二维成像的识别的难点是如何获取到高质量的二维图像。基于极化特征的目标识别的局限性在于：一是若雷达所处的情形是低分辨力，则从雷达回波中很难获得平稳而精确的目标极化特性，从而使得极化数据在低分辨力这种条件下对目标辨别的效果较差。二是极化散射矩阵的精确测量技术的局限性。

发明内容

本发明实施例提供了一种基于RNN的雷达目标航迹识别方法和装置，用以解决上述至少一个技术问题。

第一方面，本发明实施例提供一种基于RNN的雷达目标航迹识别方法，包括：

S1：将模拟生成的雷达目标航迹数据，按照时间的先后顺序排列，以为10个点一组，分为1行30列的数据，并给每一行数据加上标签值；

S2：将S1中的一行数据的前30列取出来，组成30*30的矩阵，作为一个输入值X，并重复操作，直至得到整个输入数据集，取整个输入数据集的多数为训练集，取整个输入数据集的少数作为测试集；

S3：设置RNN模型的参数：输入层到隐层的权重矩阵U、隐层到输出层的权重矩阵V、迭代次数、学习率、批次大小，并确定批次数；

S4：判断当前批次数目是否小于等于所述批次数，若小于或等于，则按顺序找到当前输入数据的起始位置，若剩余数据量大于等于所述批次大小，则取一个批次大小的数据作为此次RNN模型的输入，若剩余数据量小于所述批次大小，则取全部剩余量作为RNN模型的输入，若当前批次数目大于所述批次数，则转入S8；

S5：输入数据经过计算到达RNN模型的隐层，再经过隐层的一系列操作，得到隐层的输出，再经过输出层的一系列操作，得到输出预测值Y；

S6：将输出预测值Y和真实标签作为RNN模型的损失层的输入，损失层将这两个输入进行一系列运算，得到当前网络的损失函数，计算误差更新值，通过反向传播逐层到达第一层，所有权值在反向传播结束时一起更新；

S7：当前批次数加1，转到S4继续学习训练；

S8：调用所述测试集，记录输入数据的分类结果，计算所述测试集的识别准确率，完成第一次迭代；

S9：迭代次数加1，并判断迭代次数是否达到最大值，若迭代次数小于等于最大值，则转入S4，若大于最大值，则结束训练；

S10：利用训练完毕的RNN对雷达目标航迹数据进行分类。

可选地，按照以下步骤确定批次数：

对所述训练集中输入X的个数与批次大小的商取整，然后加1，以确定批次数。

可选地，所述标签值与雷达目标航迹类别的关系为：所述标签值是1时，表示所述雷当目标航迹类别是抛物线；所述标签值是1时，表示所述雷当目标航迹类别是抛物线；所述标签值是2时，表示所述雷当目标航迹类别是圆弧；所述标签值是3时，表示所述雷当目标航迹类别是椭圆；所述标签值是4时，表示所述雷当目标航迹类别是直线；所述标签值是5时，表示所述雷当目标航迹类别是S型；所述标签值是6时，表示所述雷当目标航迹类别是圆。

可选地，所述RNN模型的隐层中的记忆神经单元的数量是50个。

可选地，在开始学习训练之前，所述权值矩阵U、V、以及W是随机生成的三个数值范围都是0和1之间的矩阵。

可选地，按照以下公式确定所述识别准确率：

输入分类正确数/测试集总数＝识别准确率。

可选地，在序列索引号t附近的RNN模型如下：

x(t)代表在序列索引号t时训练样本的输入，x(t-1)在序列索引号t-1时训练样本的输入；

h(t)是在序列索引号t时模型的隐藏状态，且h(t)是x(t)和h(t-1)一起决定；

o(t)代表在序列索引号t时模型的输出，o(t)只由所述RNN模型当前的隐藏状态h(t)决定；

L(t)代表在序列索引号t时RNN模型的损失函数；

y(t)代表在序列索引号t时训练样本序列的真实输出。

可选地，所述权值矩阵U、V、以及W是所述RNN模型的线性关键参数，在整个RNN模型中是共享的。

第二方面，本发明实施例提供一种基于RNN的雷达目标航迹识别装置，包括：

划分模块，用于执行S1：将模拟生成的雷达目标航迹数据，按照时间的先后顺序排列，以为10个点一组，分为1行30列的数据，并给每一行数据加上标签值；

第一获得模块，用于执行S2：将S1中的一行数据的前30列取出来，组成30*30的矩阵，作为一个输入值X，并重复操作，直至得到整个输入数据集，取整个输入数据集的多数为训练集，取整个输入数据集的少数作为测试集；

设置模块，用于执行S3：设置RNN模型的参数：输入层到隐层的权重矩阵U、隐层到输出层的权重矩阵V、迭代次数、学习率、批次大小，并确定批次数；

第一判断模块，用于执行S4：判断当前批次数目是否小于等于所述批次数，若小于或等于，则按顺序找到当前输入数据的起始位置，若剩余数据量大于等于所述批次大小，则取一个批次大小的数据作为此次RNN模型的输入，若剩余数据量小于所述批次大小，则取全部剩余量作为RNN模型的输入，若当前批次数目大于所述批次数，则转入S8；

第二获得模块，用于执行S5：输入数据经过计算到达RNN模型的隐层，再经过隐层的一系列操作，得到隐层的输出，再经过输出层的一系列操作，得到输出预测值Y；

更新模块，用于执行S6：将输出预测值Y和真实标签作为RNN模型的损失层的输入，损失层将这两个输入进行一系列运算，得到当前网络的损失函数，计算误差更新值，通过反向传播逐层到达第一层，所有权值在反向传播结束时一起更新；

计数模块，用于执行S7：当前批次数加1，转到S4继续学习训练；

计算模块，用于执行S8：调用所述测试集，记录输入数据的分类结果，计算所述测试集的识别准确率，完成第一次迭代；

第二判断模块，用于执行S9：迭代次数加1，并判断迭代次数是否达到最大值，若迭代次数小于等于最大值，则转入S4，若大于最大值，则结束训练；

应用模块，用于执行S10：利用训练完毕的RNN对雷达目标航迹数据进行分类。

本发明的有益效果如下：

本发明从计算机的角度出发，将递归神经网络应用到雷达目标识别领域。提出一种新的雷达目标航迹识别的方式。这种方式可以基本准确识别雷达目标航迹。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1是本发明实施例提供的一种基于RNN的雷达目标航迹识别方法的流程图；

图2是本发明实施例中标签值与雷达目标航迹类别的关系的示意图；

图3是本发明实施例中RNN模型的示意图；

图4是本发明实施例中RNN模型的原理结构图；

图5是本发明实施例提供的基于RNN的雷达目标航迹识别装置的示意图。

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。

本发明实施例公开了一种基于RNN的雷达目标航迹识别方法和装置，从计算机的角度出发，将递归神经网络应用到雷达目标识别领域。提出一种新的雷达目标航迹识别的方式。这种方式可以基本准确识别雷达目标航迹。

本发明实施例为了识别雷达目标航迹，构建了RNN递归神经网络实现对雷达目标航迹的检测识别。首先将模拟生成的雷达航迹数据输入递归神经网络模型，让模型去学习航迹数据的特性。然后就可以利用训练好的模型对目标航迹数据进行分类识别。因为雷达航迹是由按时间序列排列的一些点组成的。这些数据在时间序列上具有先后性。因为递归神经网络的特点是处理时序性的数据效果更好，所以用递归神经网络可以解决雷达目标航迹的识别问题。

基于此，本发明的一个实施例提供了一种基于RNN的雷达目标航迹识别方法。图1是本发明实施例提供的一种基于RNN的雷达目标航迹识别方法的流程图。如图1所示，本发明实施例提供的一种基于RNN的雷达目标航迹识别方法包括以下步骤：

S1：将模拟生成的雷达目标航迹数据，按照时间的先后顺序排列，以为10个点一组，分为1行30列的数据，并给每一行数据加上标签值；

S2：将S1中的一行数据的前30列取出来，组成30*30的矩阵，作为一个输入值X，并重复操作，直至得到整个输入数据集，取整个输入数据集的多数为训练集，取整个输入数据集的少数作为测试集；

S3：设置RNN模型的参数：输入层到隐层的权重矩阵U、隐层到输出层的权重矩阵V、迭代次数、学习率、批次大小，并确定批次数；

S4：判断当前批次数目是否小于等于所述批次数，若小于或等于，则按顺序找到当前输入数据的起始位置，若剩余数据量大于等于所述批次大小，则取一个批次大小的数据作为此次RNN模型的输入，若剩余数据量小于所述批次大小，则取全部剩余量作为RNN模型的输入，若当前批次数目大于所述批次数，则转入S8；

S5：输入数据经过计算到达RNN模型的隐层，再经过隐层的一系列操作，得到隐层的输出，再经过输出层的一系列操作，得到输出预测值Y；

S6：将输出预测值Y和真实标签作为RNN模型的损失层的输入，损失层将这两个输入进行一系列运算，得到当前网络的损失函数，计算误差更新值，通过反向传播逐层到达第一层，所有权值在反向传播结束时一起更新；

S7：当前批次数加1，转到S4继续学习训练；

S8：调用所述测试集，记录输入数据的分类结果，计算所述测试集的识别准确率，完成第一次迭代；

S9：迭代次数加1，并判断迭代次数是否达到最大值，若迭代次数小于等于最大值，则转入S4，若大于最大值，则结束训练；

S10：利用训练完毕的RNN对雷达目标航迹数据进行分类。

具体技术方案如下：

Step1：将模拟生成的雷达数据，按照时间的先后顺序排列，为10个点一组，也就是1行30列的数据。给每一行数据加上标签值，标签值对应表如图2所示。

示例地，将模拟生成的雷达数据，按照时间的先后顺序排列，为10个点一组，也就是1行30列的数据。给每一行数据加上标签值，标签值对应表如图2所示。

在具体实施时，所述标签值与雷达目标航迹类别的关系为：所述标签值是1时，表示所述雷当目标航迹类别是抛物线；所述标签值是1时，表示所述雷当目标航迹类别是抛物线；所述标签值是2时，表示所述雷当目标航迹类别是圆弧；所述标签值是3时，表示所述雷当目标航迹类别是椭圆；所述标签值是4时，表示所述雷当目标航迹类别是直线；所述标签值是5时，表示所述雷当目标航迹类别是S型；所述标签值是6时，表示所述雷当目标航迹类别是圆。

Step2：将Step1的一行数据的前30列取出来，组成30*30的矩阵。作为一个输入值X。重复操作，直至得到整个输入数据集。取整个输入数据集的多数为训练集，取整个输入数据集的少数作为测试集。

示例地，将Step1的一行数据的前30列取出来，组成30*30的矩阵(如图3中的第一个模块)，作为一个输入值X。重复操作，直至得到整个输入数据集。取整个输入数据集的80％为训练集，取整个输入数据集的20％作为测试集。

在具体实施时，所述RNN模型的隐层中的记忆神经单元的数量是50个。

图3是构建的RNN模型内部的结构图。输入的数据是30*30维的矩阵，代表输入层进行计算的基础是30*30维的数据。第二个模块是隐层。RNN递归神经网络中最重要的部分就是隐藏层中的记忆神经单元的数量，记忆神经元的数量过少，记忆的信息不够，会导致整个模型的学习结果不好。记忆单元数量如果过多的话，就是加入记忆单元数量50已经能够记得足够的信息的话，模拟能够有不错的学习效果，如果再增加记忆单元的数量，只会增大计算量和计算难度且对模型的学习效果没有好的影响。所以选择的记忆单元数量是50。第三个模块是输出层，这里输出的是输入对应的预测值。第四个模块是损失函数，通过损失函数的计算结果去计算误差，从而调整误差值，向前传播，传播的过程中修改权值矩阵。最后训练完成之后，输出预测分类的结果。

Step3:设置RNN模型的参数，输入层到隐层的权重矩阵U、隐层到输出层的权重矩阵V、迭代次数、学习率等、批次大小。根据：对(训练集中输入X的个数/批次大小)取整+1＝批次数。求出批次数。还有其他的等等参数。

示例地，设置RNN模型的参数，输入层到隐层的权值矩阵U,隐层到输出层的权值矩阵V，迭代次数可设置为100，学习率可设置为0.0001，批次大小可设置为500，对(训练集中输入X的个数/批次大小)取整+1＝批次数。求出批次数。假设批次数为100等参数。

其中，RNN模型的搭建方式：

搭建平台：tensorflow

输入层：128个神经元

隐层：50个记忆神经单元

输出层：128个神经元

激活函数：Softmax

损失函数：对数损失函数

在具体实施时，在开始学习训练之前，所述权值矩阵U、V、以及W是随机生成的三个数值范围都是0和1之间的矩阵。

权值矩阵U,V,W最开始是随机生成的三个数值范围都是0和1之间的矩阵。

Step4:判断当前批次数目是否小于等于批次数。若小于或等于，则按顺序找到当前输入数据的起始位置，若剩余数据量大于等于批次大小，则取一个批次大小的数据作为此次RNN模型的输入。若剩余数据量小于一个批次大小，则取全部剩余量作为RNN模型的输入。若当前批次数目大于批次数，则说明训练数据全部学习完，则转去执行Step8。

示例地，判断当前批次数目是否小于100。若小于或等于，则按顺序找到当前输入数据的起始位置，若剩余数据量大于等于500，则取500个数据作为此次RNN模型的输入。若剩余数据量小于一个500，则取全部剩余量作为RNN模型的输入。若当前批次数目大于100，则说明训练数据全部学习完，则转去执行Step8。

Step5:输入数据经过计算到达隐层(图3中的第二个模块)，再经过隐层的一系列操作，得到隐层的输出，再经过输出层的一系列操作，得到输出预测值Y。

示例地，输入数据经过计算到达隐层(图3中的第二个模块，记忆神经元数量是50)，再经过隐层的一系列操作，得到隐层的输出，再经过输出层(图3中的第三个模块)的一系列操作，得到一组预测输出值Y(图3中的第三个模块)。

Step6:输出预测值Y(图3的第三个模块)和真实标签作为损失层的输入。损失层则将这两个输入进行一系列运算，得到当前网络的损失函数(Loss Function)，计算误差更新值，通过反向传播逐层到达第一层，所有权值在反向传播结束时一起更新。

示例地，输出预测值Y和真实标签作为损失层(图3中的第四个模块)的输入。(假设输入数据预测值是圆：标签6，预测值Y＝6；标签值是椭圆，也就是3)损失层则将这两个输入进行一系列运算，得到当前网络的损失函数(Loss Function)，计算误差更新值，通过反向传播逐层到达第一层，所有权值在反向传播结束时一起更新。

Step7:批次数加1，转到Step4继续学习训练。

Step8:调用测试集，记录输入数据的分类结果，计算测试集的识别准确率。第一次迭代完成。

在具体实施时，按照以下公式确定所述识别准确率：

输入分类正确数/测试集总数＝识别准确率。

示例地，调用测试集，记录输入分类的结果，(图3中的output：总共是6个类，图3中的最后的1、2、3、4、5、6)。计算测试集的识别准确率(可按照：输入分类正确数/测试集总数＝识别准确率)。第一次迭代完成。

Step9:迭代次数加1。判断迭代次数是否达到最大值，若迭代次数小于等于最大值，则转至执行Step4。若大于最大值，则算法结束。

示例地，迭代次数加1。判断迭代次数是否达到最大值，若迭代次数小于等于100，则转至执行Step4。若大于100，则算法结束。

在具体实施时，在序列索引号t附近的RNN模型如下：

x(t)代表在序列索引号t时训练样本的输入，x(t-1)在序列索引号t-1时训练样本的输入；

h(t)是在序列索引号t时模型的隐藏状态，且h(t)是x(t)和h(t-1)一起决定；

o(t)代表在序列索引号t时模型的输出，o(t)只由所述RNN模型当前的隐藏状态h(t)决定；

L(t)代表在序列索引号t时RNN模型的损失函数；

y(t)代表在序列索引号t时训练样本序列的真实输出。

图4描述了在序列索引号t附近的RNN的模型。其中：x(t)代表在序列索引号t时训练样本的输入。同样的，x(t-1)在序列索引号t-1时训练样本的输入。h(t)是在序列索引号t时模型的隐藏状态；h(t)则是x(t)和h(t-1)一起决定。o(t)代表在序列索引号t时模型的输出；o(t)只由模型当前的隐藏状态h(t)决定；L(t)代表在序列索引号t时模型的损失函数；y(t)代表在序列索引号t时训练样本序列的真实输出；U,W,V这三个矩阵是RNN模型的线性关键参数，它在整个RNN网络中是共享的，大大减小了计算复杂度。并且体现了RNN的模型的“循环反馈”的思想。

RNN的构造原理是：首先将输入数据X输入进去，输入数据经过一系列操作到达隐层，再经过隐层的一系列操作，得到一组预测输出值Y。输出预测值Y和真实标签作为损失层的输入。损失层则将这两个输入进行一系列运算，得到当前网络的损失函数(LossFunction)，计算误差更新值，通过反向传播逐层到达第一层，所有权值在反向传播结束时一起更新。这就是RNN的一次训练过程。

故RNN模型的构造包括输入层(input Layer)的构造，隐层(Hidden Layer)的构造，输出层(Output Layer)的构造，损失函数的选取，激活函数的选取，还有最开始的输入层和隐层之间的权重矩阵U，隐层到输出层之间的权重矩阵V，还有W是上一次的值作为这一次的输入的权重矩阵，真实(预测、分类等)输出层等。

图4是一个标准的RNN结构图，图中每个箭头代表做一次变换，也就是说箭头连接带有权值。左侧是折叠起来的样子，右侧是展开的样子，左侧中h旁边的箭头代表此结构中的“循环“体现在隐层。

根据图4可知，在标准的RNN结构中，隐层的神经元之间也是带有权值的。也就是说，随着序列的不断推进，前面的隐层将会影响后面的隐层。考虑到目标航迹数在时间上的序列性，构建RNN模型实现对目标航迹的分类任务。

在具体实施时，所述权值矩阵U、V、以及W是所述RNN模型的线性关键参数，在整个RNN模型中是共享的。

本发明中RNN模型搭建方便简单，因为共享了权重矩阵，所以计算量较小。搭建成本比较低。

本发明的有益效果如下：

本发明从计算机的角度出发，将递归神经网络应用到雷达目标识别领域。提出一种新的雷达目标航迹识别的方式。这种方式可以基本准确识别雷达目标航迹。

基于同一发明构思，本发明实施例提供一种基于RNN的雷达目标航迹识别装置。如图5所示，该装置包括：

划分模块，用于执行S1：将模拟生成的雷达目标航迹数据，按照时间的先后顺序排列，以为10个点一组，分为1行30列的数据，并给每一行数据加上标签值；

第一获得模块，用于执行S2：将S1中的一行数据的前30列取出来，组成30*30的矩阵，作为一个输入值X，并重复操作，直至得到整个输入数据集，取整个输入数据集的多数为训练集，取整个输入数据集的少数作为测试集；

设置模块，用于执行S3：设置RNN模型的参数：输入层到隐层的权重矩阵U、隐层到输出层的权重矩阵V、迭代次数、学习率、批次大小，并确定批次数；

第一判断模块，用于执行S4：判断当前批次数目是否小于等于所述批次数，若小于或等于，则按顺序找到当前输入数据的起始位置，若剩余数据量大于等于所述批次大小，则取一个批次大小的数据作为此次RNN模型的输入，若剩余数据量小于所述批次大小，则取全部剩余量作为RNN模型的输入，若当前批次数目大于所述批次数，则转入S8；

第二获得模块，用于执行S5：输入数据经过计算到达RNN模型的隐层，再经过隐层的一系列操作，得到隐层的输出，再经过输出层的一系列操作，得到输出预测值Y；

更新模块，用于执行S6：将输出预测值Y和真实标签作为RNN模型的损失层的输入，损失层将这两个输入进行一系列运算，得到当前网络的损失函数，计算误差更新值，通过反向传播逐层到达第一层，所有权值在反向传播结束时一起更新；

计数模块，用于执行S7：当前批次数加1，转到S4继续学习训练；

计算模块，用于执行S8：调用所述测试集，记录输入数据的分类结果，计算所述测试集的识别准确率，完成第一次迭代；

第二判断模块，用于执行S9：迭代次数加1，并判断迭代次数是否达到最大值，若迭代次数小于等于最大值，则转入S4，若大于最大值，则结束训练；

应用模块，用于执行S10：利用训练完毕的RNN对雷达目标航迹数据进行分类。

由于本实施例所介绍的基于RNN的雷达目标航迹识别装置可以为执行本发明实施例中的基于RNN的雷达目标航迹识别方法的装置，故而基于本发明实施例中所介绍的基于RNN的雷达目标航迹识别方法，本领域所属技术人员能够了解本实施例的基于RNN的雷达目标航迹识别装置的具体实施方式以及其各种变化形式，所以在此对于该基于RNN的雷达目标航迹识别装置如何实现本发明实施例中的基于RNN的雷达目标航迹识别方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中基于RNN的雷达目标航迹识别方法所采用的装置，都属于本申请所欲保护的范围。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本公开的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本公开的示例性实施例的描述中，本公开的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本公开要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本公开的单独实施例。

Claims (6)

1.一种基于RNN的雷达目标航迹识别方法，其特征在于，包括：

S1：将模拟生成的雷达目标航迹数据，按照时间的先后顺序排列，以10个点为一组，分为1行30列的数据，并给每一行数据加上标签值；

S2：将S1中的一行数据的前30列取出来，组成30*30的矩阵，作为一个输入值X，并重复操作，直至得到整个输入数据集，取整个输入数据集的多数为训练集，取整个输入数据集的少数作为测试集；

S3：设置RNN模型的参数：输入层到隐层的权重矩阵U、隐层到输出层的权重矩阵V、迭代次数、学习率、批次大小，并确定批次数；

S4：判断当前批次数目是否小于等于所述批次数，若小于或等于，则按顺序找到当前输入数据的起始位置，若剩余数据量大于等于所述批次大小，则取一个批次大小的数据作为此次RNN模型的输入，若剩余数据量小于所述批次大小，则取全部剩余量作为RNN模型的输入，若当前批次数目大于所述批次数，则转入S8；

S5：输入数据经过计算到达RNN模型的隐层，再经过隐层的一系列操作，得到隐层的输出，再经过输出层的一系列操作，得到输出预测值Y；

S6：将输出预测值Y和真实标签作为RNN模型的损失层的输入，损失层将这两个输入进行一系列运算，得到当前网络的损失函数，计算误差更新值，通过反向传播逐层到达第一层，所有权值在反向传播结束时一起更新；

S7：当前批次数加1，转到S4继续学习训练；

S8：调用所述测试集，记录输入数据的分类结果，计算所述测试集的识别准确率，完成第一次迭代；

S9：迭代次数加1，并判断迭代次数是否达到最大值，若迭代次数小于等于最大值，则转入S4，若大于最大值，则结束训练；

S10：利用训练完毕的RNN对雷达目标航迹数据进行分类；

所述标签值与雷达目标航迹类别的关系为：所述标签值是1时，表示所述雷达目标航迹类别是抛物线；所述标签值是2时，表示所述雷达目标航迹类别是圆弧；所述标签值是3时，表示所述雷达目标航迹类别是椭圆；所述标签值是4时，表示所述雷达目标航迹类别是直线；所述标签值是5时，表示所述雷达目标航迹类别是S型；所述标签值是6时，表示所述雷达目标航迹类别是圆；

所述RNN模型的隐层中的记忆神经单元的数量是50个；

权重矩阵U、V、以及W是随机生成的三个数值范围都是0和1之间的矩阵。

2.根据权利要求1所述的方法，其特征在于，按照以下步骤确定批次数：

对所述训练集中输入值X的个数与批次大小的商取整，然后加1，以确定批次数。

3.根据权利要求1所述的方法，其特征在于，按照以下公式确定所述识别准确率：

输入分类正确数/测试集总数＝识别准确率。

4.根据权利要求1所述的方法，其特征在于，在序列索引号t附近的RNN模型如下：

x(t)代表在序列索引号t时训练样本的输入，x(t-1)在序列索引号t-1时训练样本的输入；

h(t)是在序列索引号t时模型的隐藏状态，且h(t)是x(t)和h(t-1)一起决定；

o(t)代表在序列索引号t时模型的输出，o(t)只由所述RNN模型当前的隐藏状态h(t)决定；

L(t)代表在序列索引号t时RNN模型的损失函数；

y(t)代表在序列索引号t时训练样本序列的真实输出。

5.根据权利要求1所述的方法，其特征在于，权重矩阵U、V、以及W是所述RNN模型的线性关键参数，在整个RNN模型中是共享的。

6.一种基于RNN的雷达目标航迹识别装置，其特征在于，包括：

划分模块，用于执行S1：将模拟生成的雷达目标航迹数据，按照时间的先后顺序排列，以为10个点一组，分为1行30列的数据，并给每一行数据加上标签值；

第一获得模块，用于执行S2：将S1中的一行数据的前30列取出来，组成30*30的矩阵，作为一个输入值X，并重复操作，直至得到整个输入数据集，取整个输入数据集的多数为训练集，取整个输入数据集的少数作为测试集；

设置模块，用于执行S3：设置RNN模型的参数：输入层到隐层的权重矩阵U、隐层到输出层的权重矩阵V、迭代次数、学习率、批次大小，并确定批次数；

第一判断模块，用于执行S4：判断当前批次数目是否小于等于所述批次数，若小于或等于，则按顺序找到当前输入数据的起始位置，若剩余数据量大于等于所述批次大小，则取一个批次大小的数据作为此次RNN模型的输入，若剩余数据量小于所述批次大小，则取全部剩余量作为RNN模型的输入，若当前批次数目大于所述批次数，则转入S8；

第二获得模块，用于执行S5：输入数据经过计算到达RNN模型的隐层，再经过隐层的一系列操作，得到隐层的输出，再经过输出层的一系列操作，得到输出预测值Y；

更新模块，用于执行S6：将输出预测值Y和真实标签作为RNN模型的损失层的输入，损失层将这两个输入进行一系列运算，得到当前网络的损失函数，计算误差更新值，通过反向传播逐层到达第一层，所有权值在反向传播结束时一起更新；

计数模块，用于执行S7：当前批次数加1，转到S4继续学习训练；

计算模块，用于执行S8：调用所述测试集，记录输入数据的分类结果，计算所述测试集的识别准确率，完成第一次迭代；

第二判断模块，用于执行S9：迭代次数加1，并判断迭代次数是否达到最大值，若迭代次数小于等于最大值，则转入S4，若大于最大值，则结束训练；

应用模块，用于执行S10：利用训练完毕的RNN对雷达目标航迹数据进行分类；

所述标签值与雷达目标航迹类别的关系为：所述标签值是1时，表示所述雷达目标航迹类别是抛物线；所述标签值是2时，表示所述雷达目标航迹类别是圆弧；所述标签值是3时，表示所述雷达目标航迹类别是椭圆；所述标签值是4时，表示所述雷达目标航迹类别是直线；所述标签值是5时，表示所述雷达目标航迹类别是S型；所述标签值是6时，表示所述雷达目标航迹类别是圆；

所述RNN模型的隐层中的记忆神经单元的数量是50个；

权重矩阵U、V、以及W是随机生成的三个数值范围都是0和1之间的矩阵。

Images