CN111859784A - 一种基于深度学习神经网络的rcs时间序列特征提取方法 - Google Patents

一种基于深度学习神经网络的rcs时间序列特征提取方法 Download PDF

Info

Publication number
CN111859784A
CN111859784A CN202010590943.XA CN202010590943A CN111859784A CN 111859784 A CN111859784 A CN 111859784A CN 202010590943 A CN202010590943 A CN 202010590943A CN 111859784 A CN111859784 A CN 111859784A
Authority
CN
China
Prior art keywords
neural network
target
rcs
feature extraction
time sequence
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.)
Granted
Application number
CN202010590943.XA
Other languages
English (en)
Other versions
CN111859784B (zh
Inventor
杨嘉琛
张茁
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN202010590943.XA priority Critical patent/CN111859784B/zh
Publication of CN111859784A publication Critical patent/CN111859784A/zh
Application granted granted Critical
Publication of CN111859784B publication Critical patent/CN111859784B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于深度学习神经网络的RCS时间序列特征提取方法，包括下列步骤：目标样本建模；获取目标样本RCS值；计算目标RCS时间序列；利用MATLAB程序制作训练集：以RCS时间序列为训练数据，并附上时间序列对应目标的包括种类、尺寸、角度在内的各项物理参数作为数据特征，以此形成神经网络训练数据集；搭建基于深度神经网络的特征提取系统。

Description

一种基于深度学习神经网络的RCS时间序列特征提取方法
技术领域
本发明属于数据挖掘领域，涉及基于深度学习神经网络的时间序列分类方法。
背景技术
空间目标识别技术作为一项研究热点，在军事、航天方面都具有重要的意义。随着军事信息化的进程的推进，反卫星、反导弹技术需求愈加迫切；而随着航天技术提升，日益增长的空间碎片也使得人们需要高效的针对各种尺寸的空间碎片的雷达信息分析技术。空间目标识别技术能对目标物体的雷达回波信息进行特征提取，从而实现对目标物体的识别。
雷达目标识别中，信息量与信号带宽相关，带宽越大，信息量越多。虽然窄带带宽信息量有限，但是结构简单，造价低廉，易于研制，故窄带雷达信息仍旧是空间目标识别重要的研究对象。目标的雷达散射截面积(Radar Cross Section，RCS)是窄带雷达能够从目标身上获取的主要信息。RCS具有丰富的信息，但是提取难度较大。
时间序列分类是数据挖掘技术的一个分支，其主要技术支撑为机器学习。而随着深度学习的兴起，神经网络已经在各种领域取得非常惊人的效果。本发明基于深度学习领域的循环神经网络-长短期记忆(RNN-LSTMs)结构，对物体的动态RCS时间序列进行特征提取，从而实现对物体种类的分类与长度、角度的估计。
发明内容
本发明的目的在于提供一种可以实现端到端的针对时间序列的特征提取方法。本发明摆脱现有的时间序列分类方法，将深度学习技术引入针对时间序列的数据挖掘，通过CST三维全波电磁场仿真软件模拟雷达环境环境，制作实际工程所需的RCS时间序列样本，将仿真过程中设置的参数设定为不同任务所需的训练样本标签，最终构成训练集。训练集投入深度学习神经网络结构进行时间序列分类，优化神经网络参数，最终实现针对目标物体时间序列的特征提取。技术方案如下：
一种基于深度学习神经网络的RCS时间序列特征提取方法，包括下列步骤：
第一步：目标样本建模：根据实际需要，按1:1比例，利用CST三维全波电磁场仿真软件制作目标的3D模型，并对模型赋予物理属性，目标种类包含球、圆锥、锥柱、锥柱裙和圆柱。
第二步：获取目标样本RCS值：利用CST三维全波电磁场仿真软件中的仿真实验，生成目标的全方位RCS值，仿真求解器为高频渐进求解器，远场频率为1～10Ghz，步进0.5Ghz；
第三步：计算目标RCS时间序列：基于目标全方位RCS值，利用MATLAB时间序列计算程序，生成目标在不同轨迹下的RCS时间序列；
第四步：利用MATLAB程序制作训练集：以RCS时间序列为训练数据，并附上时间序列对应目标的包括种类、尺寸、角度在内的各项物理参数作为数据特征，以此形成神经网络训练数据集；
第五步：数据预处理：将收集好的训练集进行Z-Scores标准化处理，使之符合神经网络输入层的数据格式，对数据适当添加高斯白噪声，以增加样本数量；
第六步：搭建基于深度神经网络的特征提取系统：基于PyTorch神经网络框架，采用rnn-LSTMs结构，引入注意力机制以提高特征提取的准确性，利用梯度下降法训练神经网络参数，使得神经网络能提取出时间序列对应目标的包括种类、尺寸、角度在内的数据特征；
第七步：基于PyTorch神经网络框架，进行测试。
本发明所采用的基于深度学习的时间序列特征提取系统将克服传统时间序列分类方法中存在的建模复杂，算法集成度高的问题，通过多层高精度神经网络的结构设计，加之引入可以提高算法专注度的注意力机制，最终能对种类种类特征的提取准确度在95％以上，对尺寸和角度等几何外形特征的提取准确度在85％以上。
附图说明
图1RNN-LSTMs结构(含注意力机制)
图2生成的目标全方位RCS值
图3生成的目标RCS时间序列
具体实施方式
为使本发明的技术方案更加清楚，下面结合附图对本发明做进一步阐述。本发明按以下步骤具体实现：
第一步：目标样本建模。根据实际需要，按1:1比例，利用CST三维全波电磁场仿真软件制作目标的3D模型，并对模型赋予物理属性，目标种类包含球、圆锥、锥柱、锥柱裙和圆柱；
模型材料设置为PEC(Perfect Electric Conductor)，模型尺寸步进为200mm，角度步进为0.5°。
第二步：获取目标样本RCS值。利用CST软件中的仿真实验，生成目标的全方位RCS值，仿真求解器为高频渐进求解器，远场频率为1～10Ghz，步进0.5Ghz；
平面波方向为(0,0,1)，频率范围为0～10Ghz。RCS值坐标范围为theta：-180°～180°，由于目标物体皆为旋转体，仅采样一个Phi角方位。
第三步：计算目标RCS时间序列。基于目标全方位RCS值，利用MATLAB时间序列计算程序，生成目标在不同轨迹下的RCS时间序列；本发明的实验共含有15种不同物体轨迹，生成的时间序列长度从1550s到2240秒不等。
第四步：利用MATLAB程序制作训练集。以RCS时间序列为训练数据，并附上时间序列对应目标的各项物理参数，如种类、尺寸、角度等作为数据特征。以此形成神经网络训练数据集，共11440条样本；
第五步：数据预处理。将收集好的训练集进行Z-Scores标准化处理，使之符合神经网络输入层的数据格式，对数据适当添加高斯白噪声，以增加样本数量；添加的高斯噪声信噪比为-5dB，对样本容量扩增到5倍，即57200条样本。
第六步：搭建基于深度神经网络的特征提取系统。系统将基于PyTorch神经网络框架，采用已经成熟的rnn-LSTMs结构，引入注意力机制以提高特征提取的准确性，利用梯度下降法训练神经网络参数，使得神经网络能提取出时间序列对应目标的种类、尺寸、角度等特征；本发明所用神经网络网络结构中含有两层LSTM，训练数据以30s长度的子序列为训练单元对神经网络参数进行训练，考虑到样本长度的参差不齐与序列中信息分布问题，实验样本统一截取前450s长度的序列作为训练对象。训练轮数为20个EPOCH，用动态学习率对神经网络参数进行更新。
第七步：基于PyTorch神经网络框架，进行测试。

Claims (1)

1.一种基于深度学习神经网络的RCS时间序列特征提取方法，包括下列步骤：
第一步：目标样本建模：根据实际需要，按1:1比例，利用CST三维全波电磁场仿真软件制作目标的3D模型，并对模型赋予物理属性，目标种类包含球、圆锥、锥柱、锥柱裙和圆柱。
第二步：获取目标样本RCS值：利用CST三维全波电磁场仿真软件中的仿真实验，生成目标的全方位RCS值，仿真求解器为高频渐进求解器，远场频率为1～10Ghz，步进0.5Ghz；
第三步：计算目标RCS时间序列：基于目标全方位RCS值，利用MATLAB时间序列计算程序，生成目标在不同轨迹下的RCS时间序列；
第四步：利用MATLAB程序制作训练集：以RCS时间序列为训练数据，并附上时间序列对应目标的包括种类、尺寸、角度在内的各项物理参数作为数据特征，以此形成神经网络训练数据集；
第五步：数据预处理：将收集好的训练集进行Z-Scores标准化处理，使之符合神经网络输入层的数据格式，对数据适当添加高斯白噪声，以增加样本数量；
第六步：搭建基于深度神经网络的特征提取系统：基于PyTorch神经网络框架，采用rnn-LSTMs结构，引入注意力机制以提高特征提取的准确性，利用梯度下降法训练神经网络参数，使得神经网络能提取出时间序列对应目标的包括种类、尺寸、角度在内的数据特征；
第七步：基于PyTorch神经网络框架，进行测试。
CN202010590943.XA 2020-06-24 2020-06-24 一种基于深度学习神经网络的rcs时间序列特征提取方法 Active CN111859784B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010590943.XA CN111859784B (zh) 2020-06-24 2020-06-24 一种基于深度学习神经网络的rcs时间序列特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010590943.XA CN111859784B (zh) 2020-06-24 2020-06-24 一种基于深度学习神经网络的rcs时间序列特征提取方法

Publications (2)

Publication Number Publication Date
CN111859784A true CN111859784A (zh) 2020-10-30
CN111859784B CN111859784B (zh) 2023-02-24

Family

ID=72988242

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010590943.XA Active CN111859784B (zh) 2020-06-24 2020-06-24 一种基于深度学习神经网络的rcs时间序列特征提取方法

Country Status (1)

Country Link
CN (1) CN111859784B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112986941A (zh) * 2021-02-08 2021-06-18 天津大学 一种雷达目标微动特征提取方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109901159A (zh) * 2019-04-04 2019-06-18 哈尔滨理工大学 一种基于深度学习的米波雷达目标识别方法
CN109948722A (zh) * 2019-03-27 2019-06-28 中国人民解放军战略支援部队航天工程大学 一种识别空间目标的方法
CN110188637A (zh) * 2019-05-17 2019-08-30 西安电子科技大学 一种基于深度学习的行为识别技术方法
CN110223342A (zh) * 2019-06-17 2019-09-10 电子科技大学 一种基于深度神经网络的空间目标尺寸估计方法
CN110309797A (zh) * 2019-07-05 2019-10-08 齐鲁工业大学 融合CNN-BiLSTM模型和概率协作的运动想象识别方法及系统
CN111222992A (zh) * 2020-01-17 2020-06-02 大连大学 一种基于注意力机制的长短期记忆神经网络的股票价格预测方法
CN111297349A (zh) * 2020-02-12 2020-06-19 北京蓝卫通科技有限公司 一种基于机器学习的心律分类系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109948722A (zh) * 2019-03-27 2019-06-28 中国人民解放军战略支援部队航天工程大学 一种识别空间目标的方法
CN109901159A (zh) * 2019-04-04 2019-06-18 哈尔滨理工大学 一种基于深度学习的米波雷达目标识别方法
CN110188637A (zh) * 2019-05-17 2019-08-30 西安电子科技大学 一种基于深度学习的行为识别技术方法
CN110223342A (zh) * 2019-06-17 2019-09-10 电子科技大学 一种基于深度神经网络的空间目标尺寸估计方法
CN110309797A (zh) * 2019-07-05 2019-10-08 齐鲁工业大学 融合CNN-BiLSTM模型和概率协作的运动想象识别方法及系统
CN111222992A (zh) * 2020-01-17 2020-06-02 大连大学 一种基于注意力机制的长短期记忆神经网络的股票价格预测方法
CN111297349A (zh) * 2020-02-12 2020-06-19 北京蓝卫通科技有限公司 一种基于机器学习的心律分类系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YAO QIN等: "A Dual-Stage Attention-Based Recurrent Neural Network for Time Series Prediction", 《ARXIV:1704.02971V4 [CS.LG]》 *
张梦娇: "基于小波自编码-循环神经网络的雷达HRRP目标识别技术研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 *
郭晨等: "基于深度多尺度一维卷积神经网络的雷达舰船目标识别", 《电子与信息学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112986941A (zh) * 2021-02-08 2021-06-18 天津大学 一种雷达目标微动特征提取方法
CN112986941B (zh) * 2021-02-08 2022-03-04 天津大学 一种雷达目标微动特征提取方法

Also Published As

Publication number Publication date
CN111859784B (zh) 2023-02-24

Similar Documents

Publication Publication Date Title
CN110084195B (zh) 基于卷积神经网络的遥感图像目标检测方法
CN107392875A (zh) 一种基于k近邻域划分的点云数据去噪方法
CN111027140B (zh) 基于多视角点云数据的飞机标准件模型快速重构方法
CN101477529B (zh) 一种三维对象的检索方法和装置
CN114092832A (zh) 一种基于并联混合卷积网络的高分辨率遥感影像分类方法
CN112560966B (zh) 基于散射图卷积网络的极化sar图像分类方法、介质及设备
CN111859784B (zh) 一种基于深度学习神经网络的rcs时间序列特征提取方法
CN102542543A (zh) 基于块相似性的交互式图像分割方法
CN102208033A (zh) 基于数据聚类的鲁棒sift特征匹配方法
CN110223342B (zh) 一种基于深度神经网络的空间目标尺寸估计方法
CN116152494A (zh) 基于两阶段3d点云语义分割的建筑物脚点识别分割方法
CN117973201A (zh) 基于深度学习的大地电磁各向异性识别方法、设备和介质
CN104699879A (zh) 复杂多目标电磁散射的多次旋转等效仿真方法
CN112766381A (zh) 有限样本下属性引导的sar图像生成方法
Yang et al. IoT-based critical infrastructure enabled radar information fusion
CN111914400B (zh) 基于多任务学习的hrrp特征提取方法
CN117788810A (zh) 一种无监督语义分割的学习系统
CN115598714B (zh) 基于时空耦合神经网络的探地雷达电磁波阻抗反演方法
CN116794736A (zh) 一种基于transform的大地电磁反演模型建立方法
CN112862946A (zh) 基于级联条件生成对抗网络的灰度岩心图像三维重建方法
CN103020984B (zh) 基于稀疏表达的三维人体运动数据补全方法
CN115470675A (zh) 一种重载压力容器裂纹扩展路径的预测方法及系统
CN111191392B (zh) 计算电大目标电磁散射问题的快速方法
CN114283258A (zh) 一种基于cnn的单幅图像生成三维点云的方法
Li et al. Ctmu-net: an improved u-net for semantic segmentation of remote-sensing images based on the combined attention mechanism

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