CN112001342A - 一种采用vgg-16网络的杂波分类方法 - Google Patents

一种采用vgg-16网络的杂波分类方法 Download PDF

Info

Publication number
CN112001342A
CN112001342A CN202010883041.5A CN202010883041A CN112001342A CN 112001342 A CN112001342 A CN 112001342A CN 202010883041 A CN202010883041 A CN 202010883041A CN 112001342 A CN112001342 A CN 112001342A
Authority
CN
China
Prior art keywords
vgg
clutter
network
data
classification
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
CN202010883041.5A
Other languages
English (en)
Other versions
CN112001342B (zh
Inventor
于俊鹏
彭晓燕
汪鹏
田勇
任唯祎
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202010883041.5A priority Critical patent/CN112001342B/zh
Publication of CN112001342A publication Critical patent/CN112001342A/zh
Application granted granted Critical
Publication of CN112001342B publication Critical patent/CN112001342B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01S7/023—Interference mitigation, e.g. reducing or avoiding non-intentional interference with other HF-transmitters, base station transmitters for mobile communication or other radar systems, e.g. using electro-magnetic interference [EMI] reduction techniques
    • 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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/006—Theoretical aspects
    • 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
    • G01S7/418—Theoretical aspects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

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

Abstract

本发明属于雷达杂波分类技术领域，具体涉及一种采用VGG‑16网络的雷达杂波分类方法。雷达所处的真实环境是复杂多变的，会受到干扰、天气、地形等影响而大大降低其检测性能。因此，为了在非均匀、非平稳的环境中实现杂波分类，本发明使用了动态环境信息(气象数据)和静态环境信息(高程数据)结合来接近真实的环境，通过结构优美、层次清晰的VGG‑16网络提取动态、静态环境数据的特征，利用Bi‑LSTM完成特征的融合，最终在softmax层实现杂波的分类。充分利用了动态、静态两类环境信息，弥补了传统方法的不足，更加智能高效。

Description

一种采用VGG-16网络的杂波分类方法
技术领域
本发明属于雷达杂波分类技术领域，设计了一种利用动态环境信息和静态环境信息并采用VGG-16网络的杂波分类方法。
背景技术
雷达在军事和民用领域有着广泛的应用，它们具有对目标进行检测、跟踪、参数估计和识别等能力。雷达往往身处于复杂多变的电磁环境中，会受到干扰、天气、地形等影响而大大降低其性能，因此需要在接收到的信号中将目标与杂波、噪声等区分开来。然而，在实际场景中，地形地貌和气象条件在雷达工作期间会产生波动，导致雷达所处环境的特性发生改变，扰乱了杂波分布的参数，适用于杂波背景均匀的传统检测算法，无法获得良好的检测性能。因此雷达系统需要在非平稳环境中准确地学习环境的新特性，实现杂波的分类，自适应地更新检测、跟踪等算法，以提高雷达系统的当前性能。
认知雷达是未来雷达的智能化呈现，基于认知雷达实现杂波识别和分类的方法主要有基于决策树算法、采用模糊逻辑框架、基于神经网络的方法以及利用自回归模型和协方差矩阵的先验信息等。环境信息利用不充分，依然很难达到较好的性能。本方法是站在认知雷达方的角度，获取所处环境信息的综合特征是进行分类的重要前提。本方法所使用的VGG-16网络能够自动提取特征，通过增加网络的深度减少了网络处理参数、降低了计算量，对杂波进行分类时有着良好的性能。
发明内容
为了解决现有技术的不足，本发明提出了一种利用动态环境信息和静态环境信息并采用VGG-16网络的杂波分类方法。本发明的核心技术分为两个部分：一是分析和利用雷达所处的环境信息，实现动态和静态信息的特征提取与融合；二是基于融合后的特征采用VGG-16网络完成杂波的分类。
为了实现上述提出的方法，本发明采用的技术方案如下所述：
本方案共分为数据处理、信息特征提取与融合和杂波分类三个部分。
静态环境信息通常指雷达工作前已经获得的、不随时间变化或者变化很慢的相对固定的信息，如地面粗糙度、地面植被覆盖情况、地面起伏等信息。这里基于地理信息，利用静态数据库中的地理信息系统(GIS)和数字高程模型(DEM)数据直接获取静态环境先验信息，提取和计算雷达波束照射区域的海拔高度、坡度、地形起伏高度和地表粗糙度等地形因子。
动态环境信息通常指雷达工作期间实时获得的、动态变化的信息，如降雨量、云层、风速等信息。气象杂波由气体分子、气溶胶质(凝结核、水汽凝结物等)组成，属于动态环境产生的杂波，这里将其结合静态信息中的地理信息实现杂波的分类，以提高综合环境下认知雷达的检测能力。
数据处理阶段，是对收集到的高程数据和气象数据进行分析、读取、计算和合成，根据VGG-16网络的输入要求，完成图像的分割处理。
信息特征提取与融合阶段，是利用VGG网络的卷积层、池化层和全连接层分别对动态(气象信息的平均温度(℃)、降水量(mm)和风速(m/s))和静态(地理信息的坡度、地行起伏度和地表粗糙度)环境信息进行特征提取，为了充分体现杂波环境的特性，对上述提取到的特征进行融合处理，即利用双向LSTM(Bi-LSTM)将获得的两类信息的深度特征完成交互并获得综合的特征。
杂波分类阶段，是将融合的特征向量作为分类层的输入节点，通过softmax分类器实现杂波的分类。
本发明的有益效果是：
本发明考虑了雷达所处的环境是非均匀、非平稳的情况，因此使用了动态环境信息(气象数据)和静态环境信息(高程数据)来接近真实的环境；通过VGG-16网络提取动态、静态环境数据的特征，利用BiLSTM完成特征的融合；基于VGG-16网络的杂波分类模型结构简单优美、层次清晰，在卷积层和全连接层中使用了ReLU做非线性变换，能够加快网络收敛速度；首次用于在复杂环境中的雷达杂波分类，弥补了传统方法的不足，更加智能高效。
附图说明
图1为坡度数据；
图2为地形起伏度数据；
图3为地表粗糙度数据；
图4为静态环境信息；
图5为平均温度数据；
图6为降水量数据；
图7为风速数据；
图8为动态环境信息；
图9为本发明提出的杂波模型结构图。
具体实施方式
下面结合附图说明本发明的具体实施方式：
步骤一：数据处理
读取高程栅格数据，提取和计算出全球陆地区域的坡度、地行起伏度和地表粗糙度，计算公式如下：
坡度：
Figure BDA0002654670980000031
地形起伏度：RF＝h(xi,yj)max-h(xi,yj)min
地表粗糙度：
Figure BDA0002654670980000032
其中，h(xi,yj)表示分辨单元(xi,yj)的数字高程，D表示距离单元分辨率，h(xi,yj)max、h(xi,yj)min分别指分辨单元内高程的最大值和最小值。
图1、图2和图3所示的分别是全球陆地区域的坡度、地形起伏度、地表粗糙度数据，将这三类数据合成为静态环境信息图，如图4所示。
对气象数据进行同样地处理，读取的平均温度(℃)、降水量(mm)和风速(m/s)三类气象的栅格数据，结果分别如图5、图6和图7所示，合成之后的动态环境信息如图8所示。
由于VGG-16网络模型对输入的图片大小有要求为，因此需要将图4和图8按照大小为224pixel×224pixel进行图像分割。
步骤二：动态、静态信息的特征提取与融合
本发明提出的基于VGG-16网络的认知雷达杂波分类模型的结构如图9所示。根据图9，首先将上述处理好的图像作为VGG-16网络的输入，通过模型的卷积层、池化层和全连接层进行深度学习，分别对动态和静态环境信息进行特征提取。接着利用Bi-LSTM将获得的两类信息的深度特征完成交互并获得综合的特征。
步骤三：杂波分类
将融合的特征向量作为分类层的输入节点，通过softmax分类器完成杂波的分类。这里使用四种概率统计模型来描述综合场景下杂波的分布，分别是对数正态分布、Weibull分布、对数Weibull分布和K分布。
对数分布：
Figure BDA0002654670980000041
Weibull分布：
Figure BDA0002654670980000042
对数Weibull分布：
Figure BDA0002654670980000043
K分布：
Figure BDA0002654670980000044
其中，b、c分别为对应的概率统计模型的尺度参数和形状参数，Kc-1(2bx)为n阶第二类修正贝塞尔函数。实际中，Weibull分布中c的取值范围一般为(0,2]，如果c＝1，Weibull分布转为指数分布；如果c＝2，则Weibull分布转为Rayleigh分布。

Claims (1)

1.一种采用VGG-16网络的杂波分类方法，其特征在于包括以下步骤：
S1、高程数据和气象数据处理：
读取高程栅格数据，提取和计算出全球陆地区域的坡度、地行起伏度和地表粗糙度，计算公式如下：
坡度：
Figure FDA0002654670970000011
地形起伏度：RF＝h(xi,yj)max-h(xi,yj)min
地表粗糙度：
Figure FDA0002654670970000012
其中，h(xi,yj)表示分辨单元(xi,yj)的数字高程，D表示距离单元分辨率，h(xi,yj)max、h(xi,yj)min分别指分辨单元内高程的最大值和最小值；
其次将读取到的全球陆地区域的坡度、地形起伏度、地表粗糙度三类地形因子数据合成为静态环境信息图；
读取平均温度、降水量和风速三类气象的栅格数据，将平均温度、降水量和风速三类气象的栅格数据合成动态环境信息图；
最后根据VGG-16网络模型的输入要求将静态和动态环境信息图均按照大小为224pixel×224pixel进行图像分割；
S2、动态、静态信息的特征提取与融合：
将步骤S1处理好的图像作为VGG-16网络的输入，通过模型的卷积层、池化层和全连接层进行深度学习，分别对动态和静态环境信息进行特征提取，接着利用双向LSTM将获得的两类信息的深度特征完成交互并获得融合的特征向量；
S3、杂波分类：
将融合的特征向量作为分类层的输入节点，通过softmax分类器完成杂波的分类。
CN202010883041.5A 2020-08-28 2020-08-28 一种采用vgg-16网络的杂波分类方法 Active CN112001342B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010883041.5A CN112001342B (zh) 2020-08-28 2020-08-28 一种采用vgg-16网络的杂波分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010883041.5A CN112001342B (zh) 2020-08-28 2020-08-28 一种采用vgg-16网络的杂波分类方法

Publications (2)

Publication Number Publication Date
CN112001342A true CN112001342A (zh) 2020-11-27
CN112001342B CN112001342B (zh) 2023-04-07

Family

ID=73464404

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010883041.5A Active CN112001342B (zh) 2020-08-28 2020-08-28 一种采用vgg-16网络的杂波分类方法

Country Status (1)

Country Link
CN (1) CN112001342B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113376591A (zh) * 2021-06-11 2021-09-10 电子科技大学 一种基于杂波知识的雷达目标恒虚警检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6894639B1 (en) * 1991-12-18 2005-05-17 Raytheon Company Generalized hebbian learning for principal component analysis and automatic target recognition, systems and method
CN103885053A (zh) * 2014-03-27 2014-06-25 中国电子科技集团公司第二十八研究所 一种基于追踪滤波器的雷达数据动目标检测处理方法
CN107993215A (zh) * 2017-11-27 2018-05-04 象辑知源（武汉）科技有限公司 一种天气雷达图像处理方法及系统
CN109101876A (zh) * 2018-06-28 2018-12-28 东北电力大学 基于长短时记忆网络的人体行为识别方法
CN109117776A (zh) * 2018-08-02 2019-01-01 西安电子工程研究所 基于航迹信息的飞机与气象杂波分类识别方法
CN110441743A (zh) * 2019-07-02 2019-11-12 中国航空工业集团公司雷华电子技术研究所 一种基于ENet全卷积网络的气象杂波抑制方法
CN110501683A (zh) * 2019-08-19 2019-11-26 杭州电子科技大学 一种基于四维数据特征的海陆杂波分类方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6894639B1 (en) * 1991-12-18 2005-05-17 Raytheon Company Generalized hebbian learning for principal component analysis and automatic target recognition, systems and method
CN103885053A (zh) * 2014-03-27 2014-06-25 中国电子科技集团公司第二十八研究所 一种基于追踪滤波器的雷达数据动目标检测处理方法
CN107993215A (zh) * 2017-11-27 2018-05-04 象辑知源（武汉）科技有限公司 一种天气雷达图像处理方法及系统
CN109101876A (zh) * 2018-06-28 2018-12-28 东北电力大学 基于长短时记忆网络的人体行为识别方法
CN109117776A (zh) * 2018-08-02 2019-01-01 西安电子工程研究所 基于航迹信息的飞机与气象杂波分类识别方法
CN110441743A (zh) * 2019-07-02 2019-11-12 中国航空工业集团公司雷华电子技术研究所 一种基于ENet全卷积网络的气象杂波抑制方法
CN110501683A (zh) * 2019-08-19 2019-11-26 杭州电子科技大学 一种基于四维数据特征的海陆杂波分类方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
MOHAMMAD AKHONDI DARZIKOLAEI 等: "Classification of radar clutters with Artificial Neural Network" *
XIAOYAN PENG 等: "Clutter classification for cognitive radar with a deep convolutional neural network" *
于俊鹏: "基于环境感知的认知雷达波形优化仿真研究" *
徐雅楠 等: "利用CNN的海上目标探测背景分类方法" *
田佳鹭 等: "基于改进VGG16的猴子图像分类方法" *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113376591A (zh) * 2021-06-11 2021-09-10 电子科技大学 一种基于杂波知识的雷达目标恒虚警检测方法

Also Published As

Publication number Publication date
CN112001342B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
KR102540762B1 (ko) 위성영상을 이용한 저수지 모니터링 방법
CN108898065B (zh) 候选区快速筛选与尺度自适应的深度网络舰船目标检测方法
CN107563411B (zh) 基于深度学习的在线sar目标检测方法
CN109829423B (zh) 一种结冰湖泊红外成像检测方法
CN112949407B (zh) 一种基于深度学习和点集优化的遥感影像建筑物矢量化方法
KR102496740B1 (ko) 위성영상 기반 저수지 수표면적 분석 시스템 및 방법
CN112668615B (zh) 一种基于深度跨尺度外推融合的卫星云图预测方法
CN113420594A (zh) 基于改进Faster R-CNN的SAR图像舰船检测方法
CN114266947A (zh) 一种基于激光点云和可见光图像融合的分类方法及装置
Liu et al. A spatio-temporal modeling framework for weather radar image data in tropical Southeast Asia
CN116863357A (zh) 一种无人机遥感堤坝影像定标与智能分割变化检测方法
Li et al. Landslide detection based on shipborne images and deep learning models: A case study in the Three Gorges Reservoir Area in China
Sun et al. A target recognition algorithm of multi-source remote sensing image based on visual Internet of Things
CN112001342B (zh) 一种采用vgg-16网络的杂波分类方法
Ni et al. Hurricane eye morphology extraction from SAR images by texture analysis
Zhu et al. A rain-type adaptive optical flow method and its application in tropical cyclone rainfall nowcasting
CN108509835B (zh) 基于DFIC超像素的PolSAR图像地物分类方法
Rajendiran et al. Cloud Segmentation, Validation of Weather Data, and Precipitation Prediction Using Machine Learning Algorithms
Yuan et al. [Retracted] Weather Radar Image Superresolution Using a Nonlocal Residual Network
Tian et al. Electric tower target identification based on high-resolution SAR image and deep learning
Wang [Retracted] Landscape Classification Method Using Improved U‐Net Model in Remote Sensing Image Ecological Environment Monitoring System
Das et al. Detection and validation of cloud top height from scanning Ka-band radar measurements using digital image processing technique
CN112766032A (zh) 一种基于多尺度和超像素分割的sar图像显著图生成方法
CN114170196A (zh) 基于CenterNet2的SAR图像小目标识别方法
CN114066815A (zh) 基于模糊c均值聚类的SAR图像变化检测方法

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