CN111898652A - 一种基于卷积神经网络的空间目标姿态分类识别方法 - Google Patents

Abstract

本发明涉及一种基于卷积神经网络的空间目标姿态分类识别方法，针对利用单目标雷达低分辨非平稳雷达散射截面(RCS)序列难以进行空间目标姿态稳定分类识别的难题，引入短时傅里叶变换对RCS序列进行预处理，将RCS非平稳时间序列转化为RCS谱图；设计了空间目标姿态识别的卷积神经网络结构，利用卷积神经网络对RCS谱图进行自提特征和分类识别。实测数据处理结果表明，该方法测试实测数据样本识别率达到99.95％，明显优于传统空间目标姿态分类识别算法，可在空间目标姿态分类识别实际工程中应用。

Description

一种基于卷积神经网络的空间目标姿态分类识别方法

技术领域

本发明属于空间目标探测识别技术领域，涉及到空间目标姿态分类识别方法，具体涉及一种基于卷积神经网络的空间目标姿态分类识别方法。

背景技术

为保障我国在轨航天器安全，急需全面监视进出及在轨空间目标，精确识别并掌握其在轨状态。地基测量雷达作为空间目标监视系统的骨干目标探测与识别设备，以其全天候、全天时、快反应、高可靠的突出技术优势在空间目标监视系统中的重要地位和作用日益显现。雷达散射截面积是几乎所有型号特征测量雷达都可利用的信息，如何有效利用空间目标RCS特征对挖掘现役窄带雷达的目标识别能力具有重要意义。窄带精密跟踪雷达因其高采样率的属性，利用其采集的RCS测量数据进行在轨空间目标姿态识别已经进行了初步工程应用，但存在识别率不高、难以进行工程化应用的问题。已有方法需要人工凭借经验进行特征提取，具有一定的盲目性和不确定性。

近年来，深度学习(Deep Learning)理论在模式识别领域掀起了一股浪潮，相关的理论和实验成果不断出现。卷积神经网络作为一种特征学习方法，采用原始图像作为网络输入，避免了复杂的特征提取过程，权值共享结构降低了网络模型的复杂度，下采样利用局部相关性原理，在有效减少数据处理量的同时保留了结构信息。通过非线性的简单模型将原始数据转化为更为抽象的表达，在特征学习过程中不需要过多的人工参与。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于卷积神经网络的空间目标姿态分类识别方法，利用短时傅里叶变换将RCS序列由一维时间序列转化为二维谱图；设计了适用于空间目姿态分类识别的卷积神经网络结构，并利用实测数据进行了对空间目标的RCS特征提取和翻滚姿态识别方法进行验证。

技术方案

一种基于卷积神经网络的空间目标姿态分类识别方法，其特征在于步骤如下：

步骤1、空间目标RCS序列短时间傅里叶变换谱图获取：对获取的空间目标实测RCS时间序列数据进行短时间傅里叶变换，得到二维时频分布的谱图；

STFT(t,ω)＝∫s(t′)w(t′-t)exp{-jωt′}dt′

式中：w(t)为时变窗函数，s(t)为采样数据；STFT是函数s(t′)在一组由w(t′-t)exp{-jωt′}组成的基函数上的投影，参数是t和ω；|STFT(t,ω)|为信号的谱图，显示了频谱即谱图的垂直列分量随时间轴水平分量的函数变化；

步骤2、空间目标短时间傅里叶变换谱图的离散化：采用对数振幅谱中各谱线的振幅对二维时频分布的谱图进行对数计算，使振幅较低的成分相对高振幅成分得以拉高，实现空间目标短时间傅里叶变换谱图的离散化；

步骤3、以卷积神经网络对基于RCS数据对空间目标姿态进行分类识别：

将步骤2处理后为36×36的相控阵RCS序列的STFT变换频谱矩阵，作为卷积神经网络的输入，卷积神经网络的输出层的特征，输出0即为姿态稳定，输出1即为姿态翻滚；

所述卷积神经网络的第一卷积层的卷积核为5×5，卷积核数量为32个；第一池化层采样为2×2不重叠采样，结构与第一卷积层相同；

第二卷积层的卷积核为5×5，卷积核数量变为64；第二池化层2采样大小为2×2不重叠采样，结构与第二卷积层相同；

平坦层的神经元个数设置为36×36个；

隐藏层的神经元个数设置为1000个；

输出层即Softmax回归层：

所述卷积层的计算公式：

式中，l表示当前的网络层数，l-1为前一层网络；

表示当前卷积层的第j个特征图；

表示前一层的第i个特征图；w_i,j为i和j之间的卷积核；

所述池化层的计算公式：

式中，l表示当前的网络层数；j表示第j个特征图；down(g)表示池化函数；

卷积神经网络的全连接层：

式中n为前一层神经元的个数；l为当前层数；w_i,j为当前层

与前一层

的连接权值参数；

为偏置项；f(x)是激活函数；

卷积神经网络的Softmax回归层采用Softmax回归层。

有益效果

本发明提出的一种基于卷积神经网络的空间目标姿态分类识别方法，针对利用单目标雷达低分辨非平稳雷达散射截面(RCS)序列难以进行空间目标姿态稳定分类识别的难题，引入短时傅里叶变换对RCS序列进行预处理，将RCS非平稳时间序列转化为RCS谱图；设计了空间目标姿态识别的卷积神经网络结构，利用卷积神经网络对RCS谱图进行自提特征和分类识别。实测数据处理结果表明，该方法测试实测数据样本识别率达到99.95％，明显优于传统空间目标姿态分类识别算法，可在空间目标姿态分类识别实际工程中应用。

与现有技术相比，本发明具有以下有益效果：

该方法在1906个测试样本中识别率达到99.95％，明显优于传统分类识别算法，可在空间目标姿态分类识别实际工程中进行应用。

附图说明

图1为本发明的具体流程图；

图2为本发明的某姿态稳定卫星的RCS序列和STFT谱图；

图3为给出了本发明雷达RCS观测数据离散化为频谱的流程图；

图4给出了某姿态稳定卫星的RCS序列和STFT变换离散化后的谱图；

图5给出了本发明设计的卷积神经网络结构。

具体实施方式

现结合实施例、附图对本发明作进一步描述：

本发明针对利用单目标雷达低分辨非平稳RCS序列难以进行空间目标姿态稳定分类识别的难题，提出了一种基于卷积神经网络的空间目标姿态分类识别方法。引入短时傅里叶变换对RCS序列进行预处理，将RCS非平稳时间序列转化为RCS谱图；设计了空间目标姿态识别的卷积神经网络结构，利用卷积神经网络对RCS谱图进行自提特征和分类识别。

为了达到上述目的，本发明所采用的技术方案包括以下步骤：

1)空间目标实测RCS时间序列数据获取；

2)空间目标RCS序列短时间傅里叶变换谱图获取；

3)空间目标短时间傅里叶变换谱图的离散化；

4)用于空间目标姿态分类识别的卷积神经网络设计；

5)利用卷积神经网络基于RCS数据对空间目标姿态进行分类识别。

1)空间目标实测RCS时间序列数据获取：

利用窄带精密跟踪雷达对在轨及进出轨空间目标进行实测RCS时间序列数据采集。

2)空间目标RCS序列短时间傅里叶变换谱图获取：

短时间傅里叶变换(Short Time Fourier Transform,STFT)是一个移动窗口的傅里叶变换，通过移动时间窗口来分析信号的频率分量，得到二维时频分布的谱图，定义如下：

STFT(t,ω)＝∫s(t′)w(t′-t)exp{-jωt′}dt′

式中w(t)为时变窗函数，s(t)为采样数据。STFT是函数s(t′)在一组由w(t′-t)exp{-jωt′}组成的基函数上的投影，参数是t和ω。|STFT(t,ω)|为信号的谱图，显示了频谱(即谱图的垂直列分量)随时间轴(水平分量)的函数变化。

STFT在频域可以表示为：

式中W(ω)是w(t)的傅立叶变换。某姿态稳定卫星的RCS序列和STFT谱图如图2所示。

3)空间目标短时间傅里叶变换谱图的离散化：

频谱图不利于网络进行训练，需要将频谱进行离散化。图3给出了雷达RCS观测数据离散化为频谱的流程图，现雷达RCS观测数据分为很多帧，每帧RCS都对应于一个频谱(通过短时傅里叶计算)，频谱表示频率与能量的关系。采用对数振幅谱中各谱线的振幅进行对数计算，使振幅较低的成分相对高振幅成分得以拉高，以便观察掩盖在低幅噪声中的周期信号。图4给出了某姿态稳定卫星的RCS序列和STFT变换离散化后的谱图。

4)用于空间目标姿态分类识别的卷积神经网络设计：

(1)用于空间目标姿态分类识别的卷积神经网络的卷积层：卷积层的计算公式可为：

式中，l表示当前的网络层数，l-1为前一层网络；

表示当前卷积层的第j个特征图；

表示前一层的第i个特征图；w_i,j为i和j之间的卷积核；

(2)用于空间目标姿态分类识别的卷积神经网络的池化层：池化层的作用就是降低卷积后特征图的特征维数，以降低网络的复杂度，减少计算量。池化的表达式为：

式中，l表示当前的网络层数；j表示第j个特征图；down(g)表示池化函数。

(3)用于空间目标姿态分类识别的卷积神经网络的全连接层：全连接层的表达式为：

式中n为前一层神经元的个数；l为当前层数；w_i,j为当前层

与前一层

的连接权值参数；

为偏置项；f(x)是激活函数。

(4)用于空间目标姿态分类识别的卷积神经网络的Softmax回归层：Softmax回归层一般接在全连接层之后，作为卷积神经网络的最后一层输出分类。Softmax回归分析是logistic回归分析在多个分类问题上面的发展。在卷积神经网络中，Softmax分类器用于对样本种类进行概率判断，选取输出值最大的神经元所对应的类别作为分类结果。

具体实施例中，用于空间目标姿态分类识别的卷积神经网络的架构设计时，将步骤1作为卷积神经网络的初始端一并考虑，输入层为RCS序列，进行STFT变换后离散化为图像，输入卷积神经网络结构进行自提特征训练识别。该卷积神经网络共有9层，包含1个输入层、1个预处理层、2个卷积层，2个池化层，1个平坦层、1个隐藏层和1个输出层(Softmax回归层)。网络输入为36×36的相控阵RCS序列的STFT变换频谱矩阵，卷积层1卷积核大小为5×5，卷积核数量为32个，得出32个特征图。池化层1的采样大小为2×2不重叠采样，与卷积层1相对应，得出32个特征图。卷积层2卷积核大小为5×5，卷积核数量变为64，池化层2与之对应。平坦层的神经元个数设置为36×36个，隐藏层的神经元个数设置为1000个，对输出层输出的特征进行分类，得出0(姿态稳定)和1(姿态翻滚)两种姿态分类结果。图5给出了本发明设计的卷积神经网络结构。

5)利用卷积神经网络基于RCS数据对空间目标姿态进行分类识别：

数据集来源于地基单目标雷达实际测量数据，共有24颗空间目标，11906个弧段。利用本发明提出了卷积神经网络对上述数据集进行训练，其中训练数据集为10000个弧段，测试数据集为1906个弧段，训练集和测试集均为随机抽取生成。

Claims (1)

1.一种基于卷积神经网络的空间目标姿态分类识别方法，其特征在于步骤如下：

步骤1、空间目标RCS序列短时间傅里叶变换谱图获取：对获取的空间目标实测RCS时间序列数据进行短时间傅里叶变换，得到二维时频分布的谱图；

STFT(t,ω)＝∫s(t′)w(t′-t)exp{-jωt′}dt′

式中：w(t)为时变窗函数，s(t)为采样数据；STFT是函数s(t′)在一组由w(t′-t)exp{-jωt′}组成的基函数上的投影，参数是t和ω；|STFT(t,ω)|为信号的谱图，显示了频谱即谱图的垂直列分量随时间轴水平分量的函数变化；

步骤2、空间目标短时间傅里叶变换谱图的离散化：采用对数振幅谱中各谱线的振幅对二维时频分布的谱图进行对数计算，使振幅较低的成分相对高振幅成分得以拉高，实现空间目标短时间傅里叶变换谱图的离散化；

步骤3、以卷积神经网络对基于RCS数据对空间目标姿态进行分类识别：

将步骤2处理后为36×36的相控阵RCS序列的STFT变换频谱矩阵，作为卷积神经网络的输入，卷积神经网络的输出层的特征，输出0即为姿态稳定，输出1即为姿态翻滚；

所述卷积神经网络的第一卷积层的卷积核为5×5，卷积核数量为32个；第一池化层采样为2×2不重叠采样，结构与第一卷积层相同；

第二卷积层的卷积核为5×5，卷积核数量变为64；第二池化层2采样大小为2×2不重叠采样，结构与第二卷积层相同；

平坦层的神经元个数设置为36×36个；

隐藏层的神经元个数设置为1000个；

输出层即Softmax回归层：

所述卷积层的计算公式：

式中，l表示当前的网络层数，l-1为前一层网络；

表示当前卷积层的第j个特征图；

表示前一层的第i个特征图；w_i,j为i和j之间的卷积核；

所述池化层的计算公式：

式中，l表示当前的网络层数；j表示第j个特征图；down(g)表示池化函数；

卷积神经网络的全连接层：

式中n为前一层神经元的个数；l为当前层数；w_i,j为当前层

与前一层

的连接权值参数；

为偏置项；f(x)是激活函数；

卷积神经网络的Softmax回归层采用Softmax回归层。

Images