CN111624570B - 基于二维卷积神经网络的雷达目标识别方法 - Google Patents

基于二维卷积神经网络的雷达目标识别方法 Download PDF

Info

Publication number
CN111624570B
CN111624570B CN202010361230.6A CN202010361230A CN111624570B CN 111624570 B CN111624570 B CN 111624570B CN 202010361230 A CN202010361230 A CN 202010361230A CN 111624570 B CN111624570 B CN 111624570B
Authority
CN
China
Prior art keywords
dimensional
neural network
convolutional neural
data
radar
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
Application number
CN202010361230.6A
Other languages
English (en)
Other versions
CN111624570A (zh
Inventor
芮义斌
李雨航
谢仁宏
李鹏
高进盈
高媛
杨恺文
李宇豪
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 Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202010361230.6A priority Critical patent/CN111624570B/zh
Publication of CN111624570A publication Critical patent/CN111624570A/zh
Application granted granted Critical
Publication of CN111624570B publication Critical patent/CN111624570B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于二维卷积神经网络的雷达目标识别方法，包括：构造卷积神经网络——5层卷积层、5层池化层以及1层全连接层；将一维雷达频域目标数据基于Pooling算法进行压缩，并利用Hankle矩阵将压缩后的信号构造为二维数据平面；对所得到的二维数据平面进行标准化整形，去除直流部分使其满足所构造的卷积神经网络结构所要求的输入格式，生成训练集；使用卷积神经网络结构对训练集数据进行训练，并得到训练后的模型，使用该模型即可完成雷达目标识别的工作。本发明将原本为一维的地面侦察雷达频域目标信号构造为二维数据平面进行训练，可训练性大大增强，测试准确率更高，能更加有效地使用卷积神经网络对雷达频域目标信号进行目标识别。

Description

基于二维卷积神经网络的雷达目标识别方法
技术领域
本发明涉及雷达目标识别技术，具体为一种基于二维卷积神经网络的雷达目标识别方法。
背景技术
雷达目标识别是指从雷达接收到的目标反射回波信号中提取具有鲁棒性的目标雷达特征，并利用这些特征自动识别目标的类型或型号的一种技术。进入21世纪，由于现代军事战争环境的复杂，以及敌对目标和任务的多元化，如何在恶劣的环境中及时发现、检测和对目标进行有效识别，是战争制胜的关键所在。雷达作为一种重要的远距离探测传感器，在军事上发挥着重要价值，雷达目标识别技术也已经成为现代军事发展的有力杠杆，更是现代电子战的核心应用。
目前，已经发展出许多自动提取雷达深层特征的目标识别的方法如支持向量机(SVM)、极限学习机(ELM)。但上述方法仅仅用到了目标的时域特征并且目标识别的准确率较低。
卷积神经网络由于其良好的迁移性，以及能够提取目标的深层特征，更好地表现目标的本质信息，具有良好的鲁棒性，近年来也被用于雷达目标识别上。
专利申请号为CN201710838721.3，发明名称为“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”的中国专利。专利申请号为CN201811405815，发明名称为“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”的中国专利，上述两个专利的都是使用一维的卷积神经网络训练一维雷达频域目标信号来实现目标识别。与一维卷积神经网络相比，二维卷积神经网络具有计算效率更高，卷积更充分，提取特征更深的优势，性能上更好。
有关使用二维卷积神经网络训练一维地面侦察雷达频域目标数据的方法尚未查到。
发明内容
本发明的目的在于提供一种基于二维卷积神经网络的雷达目标识别方法。
实现本发明目的的技术解决方案为：一种基于二维卷积神经网络对一维地面侦察雷达频域目标信号升维的目标识别方法，包括以下步骤:
步骤1、构造卷积神经网络，包括5层卷积层、5层池化层和1层全连接层；
步骤2、对一维雷达频域目标数据基于Pooling算法进行压缩，具体方法是：
原始数据为：y(n)＝[a0,a1,a2,...,an]；
采用Pooling法：pm＝max(a2m,a2m+1)，
当n为偶数时从m＝0开始迭代，一直到m＝n/2-1；
当n为奇数时从m＝0开始迭代，一直到m＝(n-1)/2；
最终得到Pooling法处理后的雷达频域目标信号为：
步骤3、对p(n)进行数据标准整形，具体方法为，过滤掉数据信号中的直流部分，过滤后得到的输出信号为f(n)；
步骤4、对数据标准整形后的信号f(n)＝[f0，f1，…，fm]，n＝0,…,m，基于Hankel矩阵，将原始一维频域目标信号构造成二维数据平面，二维数据平面矩阵表示为HHankel，实现数据信号从一维构造到二维的具体方法为：
步骤5、把上述经过步骤2到4处理好的数据，按照一定比例生成训练集和验证集；
步骤6、将生成好的训练集放入步骤1构造的网络中进行训练，得到训练后的模型；
步骤7、利用验证集对训练后的模型进行验证。
进一步的，步骤1中所构建的卷积神经网络包括三个模块，其中模块1与模块2中均使用两次卷积接一层池化，模块3中连续进行3次一层卷积接一层池化。
进一步的，所有的卷积层均使用3×3的卷积核。
本发明与现有技术相比，其显著优点为：(1)卷积神经网络相较于其他的目标识别方法具有提取特征更深，识别能力更强的优势，与地面侦察雷达的契合性好；(2)基于Hankel矩阵实现了用原始一维地面侦察雷达频域目标信号构造为二维数据平面，极大地提升了地面侦察雷达频域目标信号的可训练性与可识别力；(3)基于Pooling算法实现对原始数据的压缩，极大程度地减少了计算量，并保留了数据的主要特征部分；(4)二维卷积神经网络相较于一维有卷积性能更强提取特征更深，学习能力更强的优势。
下面结合附图对本发明作进一步详细描述。
附图说明
图1是本发明基于卷积神经网络对地面侦察雷达频域目标信号升维的目标识别方法的流程图。
图2是本发明所构建的网络结构图。
图3是地面侦察雷达的原始信号图。
图4是地面侦察雷达经过步骤2到4变换后的信号图。
图5是本发明实施例1的测试结果数据表。
图6是本发明实施例1的测试结果图。
图7是本发明实施例2的测试结果数据表。
图8是本发明实施例2的测试结果图。
图9是本发明实例1与实例2的结果对比图。
具体实施方式
本发明公开了一种基于二维卷积神经网络的雷达目标识别方法，将原始的一维频域目标信号构造成二维数据平面，再输入到所构建的卷积神经网络中进行训练，属于雷达目标识别技术。结合图1和图2所示，该方法具有包括以下步骤：
步骤1、构建卷积神经网络，结合图2，本发明所提出的卷积神经网络结构总共使用5层卷积层、5层池化层以及1层全连接层。其中模块1与模块2中都是使用两次卷积接一层池化，模块3中连续进行3次一层卷积接一层池化。所有的卷积层都使用3×3的小卷积核，以提升卷积精度。模块1与模块2的结构能够减小训练参数,同时增加非线性变换次数更有利于提取更深的特征，模块3的结构是为了防止模型过拟合，卷积层中的通道数从64逐步增加到512是为了加深网络的训练深度。
步骤2、对y(n)进行Pooling法得到p(n)，实现数据压缩，具体方法为：
原始数据为：y(n)＝[a0,a1,a2,...,an]；
采用Pooling法：pm＝max(a2m,a2m+1)，
当n为偶数时从m＝0开始迭代，一直到m＝n/2-1；
当n为奇数时从m＝0开始迭代，一直到m＝(n-1)/2；
最终得到Pooling法处理后的雷达频域目标信号为：
步骤3、对p(n)进行数据标准整形，具体方法为，过滤掉数据信号中的直流部分，过滤后得到的输出为f(n)；
步骤4、对数据标准整形后的信号f(n)＝[f0,f1,…,fm],(n＝0,…m)基于Hankel矩阵，将原始一维频域目标信号，构造成二维数据平面实现数据信号从一维构造到二维的具体方法为：
变为HHankel，构造完成的二维数据平面如图4，图3是地面侦察雷达的原始信号图。
步骤5、把所有地面侦察雷达所测得的信号经过步骤1到4处理之后得到总数据集，再按照数据类别进行分类，之后按照比例把每一类的数据分别分为训练集(Training set)以及验证集(Validation set)；
步骤6、把步骤5中所得到的训练集数据作为输入，放入到步骤1中的网络进行训练，训练所采用的优化器(Optimizer)为Adam Optimizer，所采用的损失函数(LossFunction)为Sparse_categorical_crossentropy，训练后保存训练模型；
步骤7、使用训练好的模型来验证步骤5所得的验证集。
本发明将原本为一维的地面侦察雷达频域目标信号构造为二维数据平面进行训练，与直接使用一维信号进行训练相比，可训练性大大增强，测试准确率更高，能更加有效地使用卷积神经网络对雷达频域目标信号进行目标识别。
下面将未进行转化的一维地面侦察雷达频域目标信号和经过本发明升维后构造的二维信号分别作为卷积神经网络的输入，通过这两个实施例对本发明作进一步详细描述。
实施例1
从地面侦察雷达频域目标数据中，取8000个样本作为训练数据，2000个样本作为测试数据，构建数据集，分别构建为训练集与验证集后，直接采用与图2中二维卷积神经网络结构相似的一维结构。使用5层卷积层5层池化层接1层全连接层的结构进行训练，训练的epoch设置为10，训练后的模型用验证集进行验证得到结果。图5是本例中的测试结果准确率数据，图6是本例的测试结果图。
实施例2
使用与实例1中一致的数据样本，将这些样本数据依次经过步骤2中的pooling压缩，步骤3中的去直流，步骤4中的基于Hankel矩阵生成二维数据平面生成8000个训练样本，2000个验证样本。之后用图2所示的网络结构对训练集进行训练，并得到训练后的模型，再用该模型对验证集进行验证得到结果数据如图7，结果图如图8。实例1与实例2的验证结果比较图，如图9。
本发明将原本为一维的地面侦察雷达频域目标信号构造为二维数据平面进行训练，可训练性大大增强，经上述实施例验证，本发明测试准确率更高，能更加有效地使用卷积神经网络对雷达频域目标信号进行目标识别。

Claims (3)

1.一种基于二维卷积神经网络的雷达目标识别方法，其特征在于，包括以下步骤:
步骤1、构造卷积神经网络，包括5层卷积层、5层池化层和1层全连接层；
步骤2、对一维雷达频域目标数据基于Pooling算法进行压缩，具体方法是：
原始数据为：y(n)＝[a0,a1,a2,...,an]；
采用Pooling法：pm＝max(a2m,a2m+1)，
当n为偶数时从m＝0开始迭代，一直到m＝n/2-1；
当n为奇数时从m＝0开始迭代，一直到m＝(n-1)/2；
最终得到Pooling法处理后的雷达频域目标信号为：
步骤3、对p(n)进行数据标准整形，具体方法为，过滤掉数据信号中的直流部分，过滤后得到的输出信号为f(n)；
步骤4、对数据标准整形后的信号f(n)＝[f0，f1，…，fm]，n＝0,…,m，基于Hankel矩阵，将原始一维频域目标信号构造成二维数据平面，二维数据平面矩阵表示为HHankel，实现数据信号从一维构造到二维的具体方法为：
步骤5、把上述经过步骤2到4处理好的数据，按照一定比例生成训练集和验证集；
步骤6、将生成好的训练集放入步骤1构造的网络中进行训练，得到训练后的模型；
步骤7、利用验证集对训练后的模型进行验证。
2.根据权利要求1所述的基于二维卷积神经网络的雷达目标识别方法，其特征在于，步骤1中所构建的卷积神经网络包括三个模块，其中模块1与模块2中均使用两次卷积接一层池化，模块3中连续进行3次一层卷积接一层池化。
3.根据权利要求2所述的基于二维卷积神经网络的雷达目标识别方法，其特征在于，所有的卷积层均使用3×3的卷积核。
CN202010361230.6A 2020-04-30 2020-04-30 基于二维卷积神经网络的雷达目标识别方法 Active CN111624570B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010361230.6A CN111624570B (zh) 2020-04-30 2020-04-30 基于二维卷积神经网络的雷达目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010361230.6A CN111624570B (zh) 2020-04-30 2020-04-30 基于二维卷积神经网络的雷达目标识别方法

Publications (2)

Publication Number Publication Date
CN111624570A CN111624570A (zh) 2020-09-04
CN111624570B true CN111624570B (zh) 2023-09-26

Family

ID=72258881

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010361230.6A Active CN111624570B (zh) 2020-04-30 2020-04-30 基于二维卷积神经网络的雷达目标识别方法

Country Status (1)

Country Link
CN (1) CN111624570B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329534B (zh) * 2020-10-07 2023-07-18 南京理工大学 基于二维加权残差卷积神经网络的雷达目标识别方法
CN112684427B (zh) * 2020-12-15 2024-05-17 南京理工大学 基于串行二次强化训练的雷达目标识别方法
CN113807186B (zh) * 2021-08-18 2024-07-12 南京理工大学 基于多通道复用卷积神经网络的雷达目标识别方法
CN114821335B (zh) * 2022-05-20 2023-04-25 电子科技大学 基于深度特征与线性判别特征融合的未知目标判别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107728142A (zh) * 2017-09-18 2018-02-23 西安电子科技大学 基于二维卷积网络的雷达高分辨距离像目标识别方法
CN108226889A (zh) * 2018-01-19 2018-06-29 中国人民解放军陆军装甲兵学院 一种雷达目标识别的分类器模型训练方法
CN109407067A (zh) * 2018-10-13 2019-03-01 中国人民解放军海军航空大学 基于时频图卷积神经网络的雷达动目标检测与分类一体化方法
CN109471074A (zh) * 2018-11-09 2019-03-15 西安电子科技大学 基于奇异值分解与一维cnn网络的雷达辐射源识别方法
CN110222748A (zh) * 2019-05-27 2019-09-10 西南交通大学 基于1d-cnn多域特征融合的ofdm雷达信号识别方法
CN110647830A (zh) * 2019-09-12 2020-01-03 华中科技大学 基于卷积神经网络和高斯混合模型的轴承故障诊断方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107728142A (zh) * 2017-09-18 2018-02-23 西安电子科技大学 基于二维卷积网络的雷达高分辨距离像目标识别方法
CN108226889A (zh) * 2018-01-19 2018-06-29 中国人民解放军陆军装甲兵学院 一种雷达目标识别的分类器模型训练方法
CN109407067A (zh) * 2018-10-13 2019-03-01 中国人民解放军海军航空大学 基于时频图卷积神经网络的雷达动目标检测与分类一体化方法
CN109471074A (zh) * 2018-11-09 2019-03-15 西安电子科技大学 基于奇异值分解与一维cnn网络的雷达辐射源识别方法
CN110222748A (zh) * 2019-05-27 2019-09-10 西南交通大学 基于1d-cnn多域特征融合的ofdm雷达信号识别方法
CN110647830A (zh) * 2019-09-12 2020-01-03 华中科技大学 基于卷积神经网络和高斯混合模型的轴承故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
DIOD: Fast and Efficient Weakly Semi-Supervised Deep Complex ISAR Object Detection;Bin Xue 等;《IEEE TRANSACTIONS ON CYBERNETICS》;第49卷(第11期);全文 *

Also Published As

Publication number Publication date
CN111624570A (zh) 2020-09-04

Similar Documents

Publication Publication Date Title
CN111624570B (zh) 基于二维卷积神经网络的雷达目标识别方法
CN107220606B (zh) 基于一维卷积神经网络的雷达辐射源信号的识别方法
CN109784347B (zh) 基于多尺度稠密卷积神经网络和谱注意力机制的图像分类方法
CN109146944B (zh) 一种基于深度可分卷积神经网络的视觉深度估计方法
CN112684427B (zh) 基于串行二次强化训练的雷达目标识别方法
CN110197209A (zh) 一种基于多特征融合的辐射源识别方法
CN111461037B (zh) 一种基于fmcw雷达的端到端手势识别方法
CN104463224A (zh) 基于丰度显著性分析的高光谱图像解混方法及系统
CN110619296A (zh) 一种基于奇异分解的信号降噪方法
CN110516525A (zh) 基于gan和svm的sar图像目标识别方法
CN102542543A (zh) 基于块相似性的交互式图像分割方法
CN112905828A (zh) 一种结合显著特征的图像检索器、数据库及检索方法
CN114155445A (zh) 基于改进YOLOv3的SAR图像目标检测方法
CN113465676B (zh) 一种双阶段布里渊频移提取方法
Liu et al. A multi-scale feature pyramid SAR ship detection network with robust background interference
CN112329534B (zh) 基于二维加权残差卷积神经网络的雷达目标识别方法
CN103426001A (zh) Sar图像目标识别方法
CN115656958A (zh) 实时航迹起始和航迹分类的检测方法及检测装置
CN113807186B (zh) 基于多通道复用卷积神经网络的雷达目标识别方法
CN109522830A (zh) 一种面向海底底质分类的声纳图像特征选择的方法
CN110631827B (zh) 一种基于改进协同表示分类的齿轮箱故障诊断方法
CN114970601A (zh) 一种电力设备局部放电类型识别方法、设备及存储介质
CN115049054A (zh) 基于特征图响应的通道自适应分段动态网络剪枝方法
CN111652170A (zh) 基于二通道残差深度神经网络的二次雷达信号处理方法
CN111624585A (zh) 一种基于卷积神经网络的水下目标被动检测方法

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
GR01 Patent grant
GR01 Patent grant