CN112184849B - 一种针对复杂动态多目标微动信号智能处理方法及系统 - Google Patents
一种针对复杂动态多目标微动信号智能处理方法及系统 Download PDFInfo
- Publication number
- CN112184849B CN112184849B CN202011025381.0A CN202011025381A CN112184849B CN 112184849 B CN112184849 B CN 112184849B CN 202011025381 A CN202011025381 A CN 202011025381A CN 112184849 B CN112184849 B CN 112184849B
- Authority
- CN
- China
- Prior art keywords
- target
- micro
- motion
- time
- frequency
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- 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
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种针对复杂动态多目标微动信号智能处理方法及装置,该方法步骤包括:S1.获取对多目标检测的雷达回波并转换为二维的时频图像;S2.对时频图像中多目标的多模态微动曲线进行目标级分离,分离出各单目标微动曲线;S3.对各单目标微动曲线中所包含的各模态微动信号进行解耦,分解得到各模态微动信号;S4.对分解得到的各模态微动信号进行微动特征提取,并使用预先基于深度学习神经网络模型训练好的分类器对提取到的微动特征进行识别。本发明具有实现方法简单、能够实现动态多目标微动特征的提取以及分类识别,且分类识别精度高、鲁棒性好等优点。
Description
技术领域
本发明涉及雷达目标特性检测技术领域,尤其涉及一种针对复杂动态多目标微动信号智能处理方法及系统。
背景技术
雷达微多普勒效应就是指由目标微动对回波信号附加的频率调制。目标微动包括目标的进动、章动,以及目标结构部件的旋转、摆动等。作为一种重要的目标特性,微动特征在雷达目标探测与目标识别领域具有很高的军用和民用价值,可有效提取地面目标、空中目标的运动特性和结构特征。随着ISAR(逆向合成孔径)雷达分辨力的提升,使用多普勒雷达进行目标微动特征的提取和精细化判读已经成为了当前研究的热点。而由于在复杂动态多目标背景下,多目标、多模态产生的微多普勒信息会在分析带宽内产生严重混叠,在复杂动态多目标背景要实现目标微动特征的识别、解耦、分类处理目前仍然是充满挑战的前沿课题。
目前能够针对动态多目标背景实现目标微动特征的有效识别的研究方案较少,这其中关键的多分量微多普勒信号解耦方法的分离效果通常都需要依赖于预先选定的参数和图像骨架质量,并且存在泛化困难的问题。
作为机器学习领域的一个新研究方向,深度学习可以从大量的输入数据中自学习有效的特征表示,从而自主提取有效的特征表示。利用深度学习技术,直接基于数据驱动实现对于微动特征的提取和分类具有广阔的应用前景。针对微动目标特性,目前通常是仅是直接使用深度学习网络方法来识别特定的单一目标特征,而动态多目标产生的微多普勒信息会在分析带宽内产生严重混叠,直接使用该类单一的深度学习网络方法要实现动态多目标的微动信号分类,不仅分类实现复杂,而且分类精度不高以及鲁棒性不强,尤其是在强噪声背景下识别率会迅速下降。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种实现方法简单、能够实现动态多目标微动特征的提取以及分类识别,且分类识别精度高、鲁棒性好的针对复杂动态多目标微动信号智能处理方法及系统。
为解决上述技术问题,本发明提出的技术方案为:
.一种针对复杂动态多目标微动信号智能处理方法,步骤包括:
S1.雷达信号处理:获取对多目标检测的雷达回波并转换为二维的时频图像;
S2.曲线分离:对所述时频图像中多目标多模态微动曲线进行目标级分离,分离出各单目标微动曲线;
S3.微动信号解耦:对各所述单目标微动曲线中所包含的各模态微动信号进行解耦,分解得到各模态微动信号;
S4.微动特征识别:对分解得到的所述各模态微动信号进行微动特征提取,并使用预先基于深度学习神经网络模型训练好的分类器对提取到的微动特征进行识别。
进一步的,所述步骤S1的步骤包括:
S101.对接收到的雷达回波信号做dechirp(去调频)处理生成参考信号;
S102.将接收到的所述雷达回波信号与生成的所述参考信号在频域做脉冲压缩处理,形成目标一维距离像;
S103.对目标进行连续观测,将连续观测中得到的一系列所述一维目标距离像按时间顺序排列,形成所述时频图像。
进一步的,所述步骤S2的步骤包括:
S201.对所述二维时频图像进行图像分割,得到二值化时频图像;
S202.遍历图像,使用滑窗算法对所述多目标多模态微动曲线进行分离,其中当出现多个滑窗视野重叠或视野内出现全为0列的状态时,将当前曲线出现所述状态之前列的行数送入序列模型中以产生预测值,直至完成各单目标微动曲线的分离。
进一步的,所述步骤S202还包括根据所述序列模型的预测结果调节滑动窗口的大小步骤。
进一步的,所述步骤S3中使用变分模态分解方法进行解耦,具体包括对各所述单目标微动曲线在傅里叶域中使用已调谐到当前中心频率的滤波器实现模态更新,使用当前模态功率谱的重心实现中心频率的更新,以及使用对偶上升法更新协态变量。
进一步的,所述基于深度学习神经网络模型训练好的分类器时,具体使用基于残差卷积模块构建的残差编码序列网络对训练数据中的图像区域特征进行提取,其中每个所述残差卷积模块包括跳跃连接的多层卷积模块,每层所述卷积模块包括一次卷积环节、一次修正线性单元激活环节、一次最大池化环节,每层所述卷积模块的特征通道的数量逐层递增,以及使用序列模型以使网络捕获所述时频图像的时序依赖,最后通过稠密连接层实现最后的分类任务。
进一步的,所述基于深度学习神经网络模型训练所述分类器的步骤包括:
步骤S401.构建所述残差编码序列网络的网络静态计算图;
步骤S402.前向计算:对训练数据进行时频张量的提取,并将提取出的所述时频张量输入所述网络静态计算图中,根据网络输出结果和标签信息计算损失函数,并在前向计算过程中对各层加入随机反向失活、权值衰减以实现网络正则化;
步骤S403.反向计算和参数更新:计算所述损失函数对各层可学习参数的导数,并根据计算得到的导数更新各层参数;
步骤S404.实时评价和参数保优:每次参数更新后在测试集上解算模型的性能度量参数,根据度量参数确定最优的模型参数,训练得到最终的分类器。
进一步的,所述基于深度学习神经网络模型训练所述分类器时,还包括构建训练所需的训练数据集步骤,具体步骤包括:
S411.设置参数范围,生成对应的雷达回波数据,其中参数包括雷达电磁参数、目标运动参数、目标结构参数、目标微动参数,所述目标微动参数包括自旋频率、进动频率、章动频率中一种或多种;
S412.对生成的所述雷达回波数据做快时间域dechirp处理生成参考信号,再将所述雷达回波数据与参考信号在频域做脉冲压缩处理,形成当前慢时间的目标一维距离像;
S413.对目标进行连续观测,将得到的一系列所述目标一维距离像按慢时间顺序排列,形成二维时频图像;
S414.根据预先设定的微动参数对生成的所述二维时频图像进行标定。
一种针对复杂动态多目标微动信号智能处理系统,包括:
雷达信号处理模块,用于获取对多目标检测的雷达回波并转换为二维的时频图像;
曲线分离模块,用于对所述时频图像中多目标多模态微动曲线进行目标级分离,分离出各单目标微动曲线;
微动信号解耦模块,用于对各所述单目标微动曲线中所包含的各模态微动信号进行解耦,分解得到各模态微动信号;
微动特征识别模块,用于对分解得到的所述各模态微动信号进行微动特征提取,并使用预先基于深度学习神经网络模型训练好的分类器对提取到的微动特征进行识别。
一种针对复杂动态多目标微动信号智能处理系统,包括处理器以及存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,其特征在于,所述处理器用于执行所述计算机程序,以执行如上述方法。
与现有技术相比,本发明的优点在于:
1、本发明针对复杂动态多目标背景下的微动特征,通过先将雷达回波转换为时频图像,对时频图像中多目标多模态微动曲线进行目标级分离,以分离出单目标微动曲线,对单目标微动曲线中各模态进行解耦后,再结合基于深度学习模型对目标微动特征进行分类识别,可以充分利用深度学习技术强大的自学习能力以及1*1卷积对不同特征的自适应能力,快速、智能的识别出各动态目标的微动信号,整个过程无需人工参与完成,同时通过先分离后识别的方式,可以有效降低复杂动态多目标微动信号的识别复杂度,同时有效提高识别精度,且鲁棒性强,即便是在低信噪比强噪声背景下也能够确保微动目标的高识别率。
2、本发明进一步在深度学习网络模型的基础上,使用残差编码序列网络对图像区域特征进行提取,能够在保证网络性能不变的前提下,有效削减模型体量,使得能够具有更好的模型性能和更合理的计算开销,与传统卷积网络相比,使用残差编码序列网络能够更有效利用时频数据的时域特征,与长短期记忆网络、门控循环单元等序列模型相比,使用残差编码序列网络通过卷积预先实现了特征压缩,能够在信息充分提取的前提下,有效削减模型的计算开销。
3、本发明进一步通过将数据驱动方法与滑窗法结合,实现多目标多模态微动曲线的分离,使得分离效果无需依赖参数选定或图像骨架质量,可以解决传统分离算法中微动曲线分离效果需要依赖于预先选定的参数和图像骨架质量的问题。
附图说明
图1是本实施例针对复杂动态多目标微动信号智能处理方法的实现流程示意图。
图2是本实施例实现微动信号智能处理方法的拓扑原理示意图。
图3是本发明在具体实施例中生成的进动杆状目标和进动锥形目标的高分辨率距离像示意图。
图4是本发明在具体实施例中构建的目标微多普勒效应时频数据集样例示意图。
图5是本发明在具体实施例中基于变分模态分解得到的多分量m-D信号解耦效果示意图。
图6是本发明在具体实施例中构建的残差编码序列网络结构示意图。
图7是是本发明在具体实施例中对弹头目标的训练和测试效果示意图。
图8是本发明在具体实施例中对弹头目标在不同噪声水平下的训练和测试效果示意图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述,但并不因此而限制本发明的保护范围。
如图1、2所示,本实施例针对复杂动态多目标微动信号智能处理方法的步骤包括:
S1.雷达信号处理:获取对多目标检测的雷达回波并转换为二维的时频图像;
S2.曲线分离:对时频图像中多目标多模态(m-D)微动曲线进行目标级分离,分离出各单目标微动曲线;
S3.微动信号解耦:对各单目标微动曲线中所包含的各模态微动信号进行解耦,分解得到各模态微动信号;
S4.微动特征识别:对分解得到的各模态微动信号进行微动特征提取,并使用预先基于深度学习神经网络模型训练好的分类器对提取到的微动特征进行识别。
本实施例针对复杂动态多目标背景下的微动特征,通过先将雷达回波转换为时频图像,对时频图像中多目标多模态微动曲线进行目标级分离,以分离出单目标微动曲线,对单目标微动曲线中各模态进行解耦后,再结合基于深度学习模型对目标微动特征进行分类识别,可以充分利用深度学习技术强大的自学习能力,以及1*1卷积对不同特征的自适应能力,快速、智能的识别出各动态目标的微动信号,整个过程无需人工参与完成,同时通过先分离后识别的方式,可以有效降低复杂动态多目标微动信号的识别复杂度,同时有效提高识别精度,且鲁棒性强,即便是在低信噪比强噪声背景下也能够确保微动目标的高识别率。在具体应用实施例中生成的进动杆状目标和进动锥形目标的高分辨率距离像如图3所示,以及构建的目标微多普勒效应时频数据集样例如图4所示。
本实施例中,步骤S1的具体步骤包括:
S101.对接收到的雷达回波信号做dechirp处理生成参考信号;
S102.将接收到的雷达回波信号与生成的参考信号在频域做脉冲压缩处理,形成目标一维距离像;
S103.对目标进行连续观测,将连续观测中得到的一系列一维目标距离像按时间顺序排列,形成时频图像。
本实施例具体使用脉冲雷达发射线性调频信号,接收到来自目标的回波信号时,首先对接收到的回波信号做dechirp处理生成参考信号,然后将接收信号与参考信号在频域做脉冲压缩处理,形成目标一维距离像,最后对目标进行连续观测,将得到的一系列一维目标距离像按时间顺序排列,最终形成所需的二维时频图像。
本实施例中,步骤S2的步骤包括:
S201.对二维时频图像进行图像分割,得到二值化时频图像;
S202.遍历图像,使用滑窗算法对多目标多模态微动曲线进行分离,其中当出现多个滑窗视野重叠或视野内出现全为0列的状态时,将当前曲线出现状态之前列的行数送入序列模型中以产生当前列的预测值,直至完成各单目标微动曲线的分离。
本实施例对多目标微动曲线进行分离时,具体首先使用图像分割方法得到二值化时频图像;再利用滑窗法对多目标m-D微动曲线进行分离,其中当出现多个滑窗视野重叠或视野内出现全为0列时,使用序列模型预测重叠区域或全0列的值,将曲线重叠区域或全0列之前列的行数送入序列模型产生当前列预测值,最后遍历图像完成多目标微动曲线的分离。滑窗法具体可根据实际需求选取各滑窗算法来进行曲线分离。
本实施例通过将数据驱动方法与滑窗法结合,可以快速、有效的实现多目标多模态微动曲线的分离,且分离效果无需依赖参数选定或图像骨架质量,可以解决传统分离算法中微动曲线分离效果需要依赖于预先选定的参数和图像骨架质量的问题。
本实施例中,步骤S202还包括根据序列模型的预测结果调节滑动窗口的大小步骤,可以结合滑动窗口以及序列模型对微动曲线进行有效的识别,同时抑制噪声干扰,使得对椒盐噪声(脉冲噪声)等具有较好的鲁棒性。
本实施例中,步骤S3中具体使用变分模态分解方法进行解耦,具体包括对各单目标微动曲线在傅里叶域中使用已调谐到当前中心频率的滤波器实现模态更新,使用当前模态功率谱的重心实现中心频率的更新,以及使用对偶上升法更新协态变量。通过使用变分模态分解方法进行解耦,具有更好的数学支撑和更明确的假设先验,可以进一步提高微动信号提取精度。在具体应用实施例中基于变分模态分解得到的多分量m-D信号解耦效果如图5所示。
本实施例中,基于深度学习神经网络模型训练好的分类器时,具体使用基于残差卷积模块构建的残差编码序列网络对训练数据中的图像区域特征进行提取,如图6所示,其中每个残差卷积模块包括跳跃连接的多层卷积模块,每层卷积模块包括一次卷积环节、一次修正线性单元激活环节、一次最大池化环节,每层卷积模块的特征通道的数量逐层递增。针对最后一个残差卷积模块提取出的特征张量,使用1*1卷积实现各通道信息融合,并将其转换至二维张量的形式,该张量的行方向对应时频图像的时间维度,列方向对应时频图像每一时刻的短时频谱信息,显然这是一个时序数据,将其送入序列模型中,可以使网络捕获时频图像的时序依赖,最后通过稠密连接层实现最后的分类任务。
本实施例在深度学习网络模型的基础上,使用残差编码序列网络。与传统卷积网络相比,更有效利用了时频数据的时域特征;与长短期记忆网络、门控循环单元等序列模型相比,通过卷积预先实现了特征压缩,能够在信息充分提取的前提下,有效削减模型的计算开销。
可以理解的是,上述网络结构还可以采用其他如卷积网络、序列网络等。
本实施例中还包括构建训练所需的训练数据集步骤,具体步骤包括:
S411.设置参数范围,生成对应的雷达回波数据,其中参数包括雷达电磁参数(如雷达载频、采样频率、脉冲重复频率、带宽等)、目标运动参数(如目标初始方位角、俯仰角、章动角等)、目标结构参数(散射点个数、散射点位置)、目标微动参数,目标微动参数包括自旋频率、进动频率、章动频率等;
S412.对生成的雷达回波数据做快时间域dechirp处理生成参考信号,再将雷达回波数据与参考信号在频域做脉冲压缩处理,形成当前慢时间的目标一维距离像;
S413.对目标进行连续观测,将得到的一系列所述目标一维距离像按慢时间顺序排列,形成二维时频图像;
S414.根据预先设定的微动参数对生成的二维时频图像进行标定。
本实施例中,基于深度学习神经网络模型训练分类器的步骤包括:
步骤S401.构建残差编码序列网络的网络静态计算图;
步骤S402.前向计算:对训练数据进行时频张量的提取,并将提取出的时频张量输入网络静态计算图中,根据网络输出结果和标签信息计算损失函数,并在前向计算过程中对各层加入随机反向失活、权值衰减以实现网络正则化;
步骤S403.反向计算和参数更新:计算损失函数对各层可学习参数的导数,并根据计算得到的导数更新各层参数;
步骤S404.实时评价和参数保优:每次参数更新后在测试集上解算模型的性能度量参数,根据度量参数确定最优的模型参数,训练得到最终的分类器。
经过上述步骤,可以训练得到具有最优模型参数的分类器。
本实施例步骤S4中进行微动特征识别时,具体使用脉冲雷达发射线性调频信号并接收来自目标的回波信号,服务器接收用户上传的回波并将其送入数据流水线中,经过dechirp处理、脉冲压缩、慢时间方向拼接、统一尺寸、标准化等环节,生成输入信号的时频特征张量,将信号的时频特征张量利用迭代器输入已训练好的神经网络模型,根据网络输出给出预测结果,并将其反馈至用户端。
如图2所示,本实施例实现动态多目标微动信号处理时,先使用脉冲雷达发射线性调频信号,雷达回波数据上传后,经过脉冲压缩处理,转换为二维时频图像,对各微动曲线经过数据驱动多目标的曲线分离以及单目标多模态信号的解耦后,得到解耦后的单目标微动特征,基于预先训练的残差编码序列网络进行目标识别后,识别出其中的微动特征,并将识别后的目标送入模型训练中。
为充分验证本发明的有效性,在具体应用实施例中基于Google云计算平台进行实验,其中所用服务器配备Intel Xeon E7-8880处理器(22核心,2.2GHz)、16GB内存和Google第三代TPU(Tensor Processor Unit,TPU3),软件平台为Python,基于MATLAB实现信号处理和数据集构建,基于Pytorch实现分类器设计、训练和测试。
在实验中,对自旋、进动、章动等三个类别进行仿真模拟,生成三种微动模式的回波信号共2133个,其中自旋目标回波136个,进动目标回波1694个,章动目标回波303个,按照4:1的比例划分训练集和测试集,使用数据流水线批量读取训练数据并提取时频特征张量,将每个批量数据的时频特征张量输入神经网络进行训练,网络训练曲线如图7所示。从实验可知,对三种微动模式的识别准确率在训练集和测试集上均超99%。
进一步地,以5dB为步长,不断降低训练图像的信噪比,记录模型在不同噪声水平下的收敛能力和泛化性能如图8所示。从图中可见,在该实施例中,当信噪比小于-20dB时,仍能达到不低于98%的分类精度,即模型对不同信噪比的时频图像具有较好的鲁棒性。
本发明通过把深度学习技术部署到复杂动态多目标的微动信号处理中,在硬件端实现雷达回波信号的高精度采集,再进行微动信号分离,然后基于深度学习模型对微动模式进行快速判读,对于微动特征的分类精度可以达到99.9%,进而可有效迁移到真假诱饵识别、目标结构特性识别领域,且在低信噪比情况下仍能保持较好的分类精度。
本实施例进一步还提供一种针对复杂动态多目标微动信号智能处理系统,包括:
雷达信号处理模块,用于获取对多目标检测的雷达回波并转换为二维的时频图像;
曲线分离模块,用于对时频图像中多目标多模态微动曲线进行目标级分离,分离出各单目标微动曲线;
微动信号解耦模块,用于对各单目标微动曲线中所包含的各模态微动信号进行解耦,分解得到各模态微动信号;
微动特征识别模块,用于对分解得到的所述各模态微动信号进行微动特征提取,并使用预先基于深度学习神经网络模型训练好的分类器对提取到的微动特征进行识别。
本实施例中,曲线分离模块包括:
第一单元,用于对二维时频图像进行图像分割,得到二值化时频图像;
第二单元,用于遍历图像,使用滑窗算法对所述多目标多模态微动曲线进行分离,其中当出现多个滑窗视野重叠或视野内出现全为0列的状态时,将当前曲线出现所述状态之前列的行数送入序列模型中以产生预测值并记录对应行非零元素值,直至完成各单目标微动曲线的分离。
本实施例中,微动特征识别模块包括使用基于残差卷积模块构建的残差编码序列网络,以用于对训练数据中的图像区域特征进行提取,其中每个残差卷积模块包括跳跃连接的多层卷积模块,每层卷积模块包括一次卷积环节、一次修正线性单元激活环节、一次最大池化环节,每层卷积模块的特征通道的数量逐层递增,以及使用序列模型以使网络捕获时频图像的时序依赖,最后通过稠密连接层实现最后的分类任务。本实施例残差编码序列网络具体如图6所示。
本实施例针对复杂动态多目标微动信号智能处理系统与上述针对复杂动态多目标微动信号智能处理方法为一一对应,在此不再一一赘述。
在另一实施例中,本发明针对复杂动态多目标微动信号智能处理系统还可以为:包括处理器以及存储器,存储器用于存储计算机程序,处理器用于执行计算机程序,其特征在于,处理器用于执行计算机程序,以执行如上述针对复杂动态多目标微动信号智能处理方法。
上述只是本发明的较佳实施例,并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明。因此,凡是未脱离本发明技术方案的内容,依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均应落在本发明技术方案保护的范围内。
Claims (9)
1.一种针对复杂动态多目标微动信号智能处理方法,其特征在于,步骤包括:
S1.雷达信号处理:获取对多目标检测的雷达回波并转换为二维的时频图像;
S2.曲线分离:对所述时频图像中多目标多模态微动曲线进行目标级分离,分离出各单目标微动曲线;
S3.微动信号解耦:对各所述单目标微动曲线中所包含的各模态微动信号进行解耦,分解得到各模态微动信号;
S4.微动特征识别:对分解得到的所述各模态微动信号进行微动特征提取,并使用预先基于深度学习神经网络模型训练好的分类器对提取到的微动特征进行识别,所述基于深度学习神经网络模型训练好的分类器时,具体使用基于残差卷积模块构建的残差编码序列网络对训练数据中的图像区域特征进行提取,其中每个所述残差卷积模块包括跳跃连接的多层卷积模块,每层所述卷积模块包括一次卷积环节、一次修正线性单元激活环节、一次最大池化环节,每层所述卷积模块的特征通道的数量逐层递增,以及使用序列模型以使网络捕获所述时频图像的时序依赖,最后通过稠密连接层实现最后的分类任务。
2.根据权利要求1所述的针对复杂动态多目标微动信号智能处理方法,其特征在于,所述步骤S1的步骤包括:
S101.对接收到的雷达回波信号做dechirp处理生成参考信号;
S102.将接收到的所述雷达回波信号与生成的所述参考信号在频域做脉冲压缩处理,形成目标一维距离像;
S103.对目标进行连续观测,将连续观测中得到的一系列所述目标一维距离像按时间顺序排列,形成所述时频图像。
3.根据权利要求1所述的针对复杂动态多目标微动信号智能处理方法,其特征在于,所述步骤S2的步骤包括:
S201.对所述二维时频图像进行图像分割,得到二值化时频图像;
S202.遍历图像,使用滑窗算法对所述多目标多模态微动曲线进行分离,其中当出现多个滑窗视野重叠或视野内出现全为0列的状态时,将当前曲线出现所述状态之前列的行数送入序列模型中以产生预测值,直至完成各单目标微动曲线的分离。
4.根据权利要求3所述的针对复杂动态多目标微动信号智能处理方法,其特征在于,所述步骤S202还包括根据所述序列模型的预测结果调节滑动窗口的大小步骤。
5.根据权利要求1~4中任意一项所述的针对复杂动态多目标微动信号智能处理方法,其特征在于,所述步骤S3中使用变分模态分解方法进行解耦,具体包括对各所述单目标微动曲线在傅里叶域中使用已调谐到当前中心频率的滤波器实现模态更新,使用当前模态功率谱的重心实现中心频率的更新,以及使用对偶上升法更新协态变量。
6.根据权利要求1所述的针对复杂动态多目标微动信号智能处理方法,其特征在于,所述基于深度学习神经网络模型训练所述分类器的步骤包括:
步骤S401.构建所述残差编码序列网络的网络静态计算图;
步骤S402.前向计算:对训练数据进行时频张量的提取,并将提取出的所述时频张量输入所述网络静态计算图中,根据网络输出结果和标签信息计算损失函数,并在前向计算过程中对各层加入随机反向失活、权值衰减以实现网络正则化;
步骤S403.反向计算和参数更新:计算所述损失函数对各层可学习参数的导数,并根据计算得到的导数更新各层参数;
步骤S404.实时评价和参数保优:每次参数更新后在测试集上解算模型的性能度量参数,根据度量参数确定最优的模型参数,训练得到最终的分类器。
7.根据权利要求1所述的针对复杂动态多目标微动信号智能处理方法,其特征在于,所述基于深度学习神经网络模型训练所述分类器时,还包括构建训练所需的训练数据集步骤,具体步骤包括:
S411.设置参数范围,生成对应的雷达回波数据,其中参数包括雷达电磁参数、目标运动参数、目标结构参数、目标微动参数,所述目标微动参数包括自旋频率、进动频率、章动频率中一种或多种;
S412.对生成的所述雷达回波数据做快时间域dechirp处理生成参考信号,再将所述雷达回波数据与参考信号在频域做脉冲压缩处理,形成当前慢时间的目标一维距离像;
S413.对目标进行连续观测,将得到的一系列所述目标一维距离像按慢时间顺序排列,形成二维时频图像;
S414.根据预先设定的微动参数对生成的所述二维时频图像进行标定。
8.一种针对复杂动态多目标微动信号智能处理系统,其特征在于,包括:
雷达信号处理模块,用于获取对多目标检测的雷达回波并转换为二维的时频图像;
曲线分离模块,用于对所述时频图像中多目标多模态微动曲线进行目标级分离,分离出各单目标微动曲线;
微动信号解耦模块,用于对各所述单目标微动曲线中所包含的各模态微动信号进行解耦,分解得到各模态微动信号;
微动特征识别模块,用于对分解得到的所述各模态微动信号进行微动特征提取,并使用预先基于深度学习神经网络模型训练好的分类器对提取到的微动特征进行识别,所述基于深度学习神经网络模型训练好的分类器时,具体使用基于残差卷积模块构建的残差编码序列网络对训练数据中的图像区域特征进行提取,其中每个所述残差卷积模块包括跳跃连接的多层卷积模块,每层所述卷积模块包括一次卷积环节、一次修正线性单元激活环节、一次最大池化环节,每层所述卷积模块的特征通道的数量逐层递增,以及使用序列模型以使网络捕获所述时频图像的时序依赖,最后通过稠密连接层实现最后的分类任务。
9.一种针对复杂动态多目标微动信号智能处理系统,包括处理器以及存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,其特征在于,所述处理器用于执行所述计算机程序,以执行如权利要求1~7中任意一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011025381.0A CN112184849B (zh) | 2020-09-25 | 2020-09-25 | 一种针对复杂动态多目标微动信号智能处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011025381.0A CN112184849B (zh) | 2020-09-25 | 2020-09-25 | 一种针对复杂动态多目标微动信号智能处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112184849A CN112184849A (zh) | 2021-01-05 |
CN112184849B true CN112184849B (zh) | 2022-06-07 |
Family
ID=73944001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011025381.0A Active CN112184849B (zh) | 2020-09-25 | 2020-09-25 | 一种针对复杂动态多目标微动信号智能处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112184849B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113281776A (zh) * | 2021-01-08 | 2021-08-20 | 浙江大学 | 针对复杂水下动态目标的激光雷达目标智能检测仪 |
CN113189555B (zh) * | 2021-04-12 | 2023-02-14 | 浙江大学 | 基于时-距包围盒目标截取的多目标分割方法、步态识别方法、装置、系统和存储介质 |
CN113281715B (zh) * | 2021-05-09 | 2022-06-21 | 复旦大学 | 一种基于神经网络的雷达目标特性数据表征方法 |
CN113312996B (zh) * | 2021-05-19 | 2023-04-18 | 哈尔滨工程大学 | 一种混叠短波通信信号检测与识别方法 |
CN113359207B (zh) * | 2021-06-03 | 2023-02-03 | 中国人民解放军国防科技大学 | 基于太赫兹雷达的声致水面微动特征提取方法及装置 |
CN113534065B (zh) * | 2021-07-20 | 2024-02-02 | 中国人民解放军海军航空大学 | 一种雷达目标微动特征提取与智能分类方法及系统 |
CN113702940B (zh) * | 2021-09-18 | 2022-06-21 | 中国人民解放军63921部队 | 基于多元特征信息分层融合空间集群目标分辨方法及应用 |
CN114002658B (zh) * | 2021-12-28 | 2022-05-24 | 中南大学 | 基于点迹曲线关联曲线分离的雷达目标微动特征提取方法 |
CN113985384B (zh) * | 2021-12-28 | 2022-05-24 | 中南大学 | 一种基于模板匹配的空间目标平动补偿方法及装置 |
CN114429156B (zh) * | 2022-01-21 | 2023-06-20 | 西安电子科技大学 | 雷达干扰多域特征对抗学习与检测识别方法 |
CN116580460B (zh) * | 2023-07-10 | 2023-10-24 | 南京隼眼电子科技有限公司 | 基于毫米波雷达的端到端神经网络人体行为识别方法及其装置 |
CN117033979B (zh) * | 2023-09-04 | 2024-06-04 | 中国人民解放军空军预警学院 | 一种形状相同且微动形式为包含关系的空间目标识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111025257A (zh) * | 2019-12-31 | 2020-04-17 | 西安电子科技大学 | 基于稀疏贝叶斯学习的微动目标高分辨时频图重构方法 |
CN111693954A (zh) * | 2020-05-08 | 2020-09-22 | 中国人民解放军空军工程大学 | 空间旋转群目标微多普勒分离方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10515199B2 (en) * | 2017-04-19 | 2019-12-24 | Qualcomm Incorporated | Systems and methods for facial authentication |
-
2020
- 2020-09-25 CN CN202011025381.0A patent/CN112184849B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111025257A (zh) * | 2019-12-31 | 2020-04-17 | 西安电子科技大学 | 基于稀疏贝叶斯学习的微动目标高分辨时频图重构方法 |
CN111693954A (zh) * | 2020-05-08 | 2020-09-22 | 中国人民解放军空军工程大学 | 空间旋转群目标微多普勒分离方法 |
Non-Patent Citations (2)
Title |
---|
一种用于锥体目标微动分类的深度学习模型;李江 等;《西安电子科技大学学报》;20200630;第47卷(第3期);第105-112页 * |
微动目标雷达特征提取、成像与识别研究进展;张群 等;《雷达学报》;20181031;第7卷(第5期);第531-547页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112184849A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112184849B (zh) | 一种针对复杂动态多目标微动信号智能处理方法及系统 | |
Angelov et al. | Practical classification of different moving targets using automotive radar and deep neural networks | |
CN108520199B (zh) | 基于雷达图像与生成对抗模型的人体动作开集识别方法 | |
CN111722199B (zh) | 一种基于卷积神经网络的雷达信号检测方法 | |
CN110780271B (zh) | 基于卷积神经网络的空间目标多模式雷达分类方法 | |
CN111220958A (zh) | 基于一维卷积神经网络的雷达目标多普勒像分类识别方法 | |
CN110647788B (zh) | 一种基于微多普勒特征的人类日常行为分类方法 | |
CN113534065B (zh) | 一种雷达目标微动特征提取与智能分类方法及系统 | |
CN112364689A (zh) | 基于cnn与雷达图像的人体动作与身份多任务识别方法 | |
CN114677419A (zh) | 基于三维卷积网络的雷达多普勒信号低慢小目标检测方法 | |
Tang et al. | Human activity recognition based on mixed CNN with radar multi-spectrogram | |
Budillon et al. | SAR tomography based on deep learning | |
CN116184394A (zh) | 基于多域谱图与多分辨率融合的毫米波雷达手势识别方法及系统 | |
CN115240040A (zh) | 一种穿墙雷达人体行为特征增强方法及装置 | |
Zhang et al. | Riddle: Real-time interacting with hand description via millimeter-wave sensor | |
Franceschi et al. | Deep learning-based radar detector for complex automotive scenarios | |
CN113960587A (zh) | 基于类别信息反馈的毫米波雷达多目标跟踪方法 | |
Erdoğan et al. | Object classification on noise-reduced and augmented micro-doppler radar spectrograms | |
CN112327286A (zh) | 低复杂度下日常活动分类方法、装置、设备及存储介质 | |
CN113759362B (zh) | 雷达目标数据关联的方法、装置、设备和存储介质 | |
CN115909086A (zh) | 基于多级增强网络的sar目标检测识别方法 | |
Cho et al. | Classification of human body motions using an ultra-wideband pulse radar | |
CN113281776A (zh) | 针对复杂水下动态目标的激光雷达目标智能检测仪 | |
Chen et al. | Human activity classification with radar based on Multi-CNN information fusion | |
Han et al. | High-resolution imaging and micromotion feature extraction of space multiple targets |
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 |