CN112686297B - 一种雷达目标运动状态的分类方法及系统 - Google Patents

Abstract

本发明涉及一种雷达目标运动状态的分类方法及系统。所述方法包括：获取待分类雷达目标运动状态的时频图；将所述待分类雷达目标运动状态的时频图输入分类模型得到所述待分类雷达目标运动状态的类别；所述分类模型为以待训练雷达目标运动状态的时频图为输入，以所述待训练雷达目标运动状态的类别为输出，对基于压缩激励模块和残差网络模块构建的多尺度神经网络进行训练得到的。本发明可以提高对雷达目标运动状态的分类精度和速度。

Description

一种雷达目标运动状态的分类方法及系统

技术领域

本发明涉及雷达信号处理和识别技术领域，特别是涉及一种雷达目标运动状态的分类方法及系统。

背景技术

目前，利用雷达多普勒技术能够有效探测运动目标。近年来，由于目标运动的复杂性，其多普勒随时间线性或非线性变化，导致具有机动或微动特性，因此，对各种运动目标运动状态的描述以及有效的特征提取，是目标多普勒精细化描述的关键，也是后续雷达运动目标分类和识别的前提条件。以人体微动特征为例，人体运动过程中的微多普勒特征包含两部分：一部分来自于身体躯干部分的反射，另一部分来自于肢体的反射。由于身体躯干相较于肢体部分具有大的雷达散射截面积(Radar-Cross Section,RCS)，躯干部分的雷达回波信号是人体微多普勒特征的主要来源。在简单的人体运动状态时，利用微多普勒特征识别的方法对人体的运动状态进行分类能取得不错的结果。但是当人体运动形式复杂多变时，人体躯体运动的多普勒频率极易与其四肢微动产生的多普勒频率混叠在一起，将会给目标的微动识别带来一定的困难。

目前，在雷达目标运动特征提取和识别中，基于神经网络算法的方法展现出高的识别精度。相较于采用基于经验模态分解方法、主成分分析和线性判别分析等方法，基于深度卷积神经网络的方法能够直接在原始数据中学习和获取有效特征并能合理地确定分类边界，其在模式识别领域获得了极大重视和广泛地应用。卷积神经网络(ConvolutionalNeural Network,CNN)作为深度学习的重要组成部分，在图像识别分类中获得了广泛的应用。它具有局部连接和权值共享两个重要性质，能够直接对图像进行自动学习和提取目标的特征，实现对图像的高精度识别。

然而，当前的基于CNN分类的模型，都是利用卷积核的卷积操作，相当于将多种滤波器通过特定规则组合而成，按照从粗略到精细化的特性从输入层的信息中进行特征学习。这种方法对于多目标运动状态和复杂环境下目标的识别分类，极易使网络模型学习到一些无用的特征信息，以及不能学习到更精细化的有用特征，进而会导致网络模型的过拟合以及泛化能力变差。因而，如何充分开发一种能在更细粒度上学习目标的特征信息，同时将有用特征信息进行保留，将无效的特征信息进行抑制，这对于提高复杂运动目标的特征提取和分类能力起着至关重要的作用。

发明内容

本发明的目的是提供一种雷达目标运动状态的分类方法及系统，可以提高对雷达目标运动状态的分类精度。

为实现上述目的，本发明提供了如下方案：

一种雷达目标运动状态的分类方法，包括：

获取待分类雷达目标运动状态的时频图；

将所述待分类雷达目标运动状态的时频图输入分类模型得到所述待分类雷达目标运动状态的类别；所述分类模型为以待训练雷达目标运动状态的时频图为输入，以所述待训练雷达目标运动状态的类别为输出，对基于压缩激励模块和残差网络模块构建的多尺度神经网络进行训练得到的。

可选的，所述多尺度神经网络具体包括：

依次连接的第一卷积层、残差网络模块、压缩激励模块、全连接层组和分类函数；所述全连接层组包括多个依次连接的全连接层。

可选的，所述残差网络模块包括：

第二卷积层、由多个卷积层组成的滤波器、第三卷积层和第一ReLu层；

所述第二卷积层的输入端和所述第一ReLu层的第一输入端均与所述第一卷积层的输出端连接，所述第二卷积层的输出端、所述滤波器、所述第三卷积层和所述第一ReLu层的第二输入端依次连接，所述第一ReLu层的输出端与所述压缩激励模块连接。

可选的，所述压缩激励模块包括：

全局平均池化层、第一全连接层、第二ReLu层、第二全连接层、Sigmoid激活函数和Scale函数；

所述全局平均池化层的输入端和所述Scale函数的第一输入端均与所述第一ReLu层的输出端连接，所述全局平均池化层的输出端、所述第一全连接层、所述第二ReLu层、所述第二全连接层、所述Sigmoid激活函数和所述Scale函数的第二输入端依次连接，所述Scale函数的输出端与所述全连接层组连接。

可选的，所述获取待分类雷达目标运动状态的时频图，具体为：

获取所述待分类雷达目标运动状态的回波数据；

对所述回波数据进行处理得到回波距离-脉冲图，所述回波距离-脉冲图表示距离门数与脉冲个数的关系；

采用时频分析法对所述回波距离-脉冲图进行处理得到待分类雷达目标运动状态的时频图。

一种雷达目标运动状态的分类系统，包括：

获取模块，用于获取待分类雷达目标运动状态的时频图；

分类模块，用于将所述待分类雷达目标运动状态的时频图输入分类模型得到所述待分类雷达目标运动状态的类别；所述分类模型为以待训练雷达目标运动状态的时频图为输入，以所述待训练雷达目标运动状态的类别为输出，对基于压缩激励模块和残差网络模块构建的多尺度神经网络进行训练得到的。

可选的，所述分类模块中的多尺度神经网络具体包括：

依次连接的第一卷积层、残差网络模块、压缩激励模块、全连接层组和分类函数；所述全连接层组包括多个依次连接的全连接层。

可选的，所述残差网络模块包括：

第二卷积层、由多个卷积层组成的滤波器、第三卷积层和第一ReLu层；

所述第二卷积层的输入端和所述第一ReLu层的第一输入端均与所述第一卷积层的输出端连接，所述第二卷积层的输出端、所述滤波器、所述第三卷积层和所述第一ReLu层的第二输入端依次连接，所述第一ReLu层的输出端与所述压缩激励模块连接。

可选的，所述压缩激励模块包括：

全局平均池化层、第一全连接层、第二ReLu层、第二全连接层、Sigmoid激活函数和Scale函数；

所述全局平均池化层的输入端和所述Scale函数的第一输入端均与所述第一ReLu层的输出端连接，所述全局平均池化层的输出端、所述第一全连接层、所述第二ReLu层、所述第二全连接层、所述Sigmoid激活函数和所述Scale函数的第二输入端依次连接，所述Scale函数的输出端与所述全连接层组连接。

可选的，所述获取模块包括：

获取单元，用于获取所述待分类雷达目标运动状态的回波数据；

回波距离-脉冲图确定单元，用于对所述回波数据进行处理得到回波距离-脉冲图，所述回波距离-脉冲图表示距离门数与脉冲个数的关系；

时频图确定单元，用于采用时频分析法对所述回波距离-脉冲图进行处理得到待分类雷达目标运动状态的时频图。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提出的将多尺度残差模块和压缩激励(Sequeeze Excitation，SE)模块相结合的神经网络模型，能学习到不同的感受野组合并能将有用的特征进行保留，对无效的特征信息进行抑制，提高了对雷达目标运动状态的分类精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种雷达目标运动状态的分类方法的流程图；

图2为本发明实施例提供的一种雷达目标运动状态的分类系统的框图；

图3为本发明实施例提供的分类模型的训练过程的流程图；

图4为本发明实施例提供的人体行走状态的距离-脉冲图；

图5为本发明实施例提供的人体微动六种状态的微多普勒特征时频图；

图6为本发明实施例提供的对时频图进行颜色显示范围调整的结果图；

图7为本发明实施例提供的多尺度网络模型的结构图；

图8为本发明实施例提供的残差网络模型的结构图；

图9为本发明实施例提供的多尺度网络模型和残差网络模型在人体微动识别分类验证集上的识别准确率的结果对比图；

图10为本发明实施例提供的多尺度网络模型和残差网络模型在人体微动识别分类验证集上的损失值的结果对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

现有技术在使用目标微多普勒特征时频图进行识别分类时，多目标同时运动引起的多普勒频率极易产生混叠现象，如人体躯干产生的多普勒频率与人体四肢运动产生多普勒频率混叠在一起，使用分类算法方法在目标微动特征的识别中，难以对多目标运动状态进行有效识别。

在基于微多普勒特征的目标识别方法中，当前很多分类算法都是浅层结构，应用范围较窄，数据样本量较少或较为复杂的识别问题时，无法对目标特征进行有效学习，其处理能力有限，因此在改善分类算法学习能力方面有待提高，所以本实施例提供了一种雷达目标运动状态的分类方法，如图1所示，所述方法包括：

101：获取待分类雷达目标运动状态的时频图。

102：将所述待分类雷达目标运动状态的时频图输入分类模型得到所述待分类雷达目标运动状态的类别。所述分类模型为以待训练雷达目标运动状态的时频图为输入，以所述待训练雷达目标运动状态的类别为输出，对基于压缩激励模块和残差网络模块构建的多尺度神经网络进行训练得到的。

在实际应用中，所述多尺度神经网络具体包括：

依次连接的第一卷积层、残差网络模块、压缩激励模块、全连接层组和分类函数；所述全连接层组包括多个依次连接的全连接层。分类函数可以为softmax分类函数。

在实际应用中，所述残差网络模块包括：

第二卷积层、由多个卷积层组成的滤波器、第三卷积层和第一ReLu层。

所述第二卷积层的输入端和所述第一ReLu层的第一输入端均与所述第一卷积层的输出端连接，所述第二卷积层的输出端、所述滤波器、所述第三卷积层和所述第一ReLu层的第二输入端依次连接，所述第一ReLu层的输出端与所述压缩激励模块连接。

在实际应用中，所述压缩激励模块包括：

全局平均池化层、第一全连接层、第二ReLu层、第二全连接层、Sigmoid激活函数和Scale函数。

所述全局平均池化层的输入端和所述Scale函数的第一输入端均与所述第一ReLu层的输出端连接，所述全局平均池化层的输出端、所述第一全连接层、所述第二ReLu层、所述第二全连接层、所述Sigmoid激活函数和所述Scale函数的第二输入端依次连接，所述Scale函数的输出端与所述全连接层组连接。

在实际应用中，所述获取待分类雷达目标运动状态的时频图，具体为：

获取所述待分类雷达目标运动状态的回波数据。

对所述回波数据进行处理得到回波距离-脉冲图，所述回波距离-脉冲图表示距离门数与脉冲个数的关系。

采用时频分析法对所述回波距离-脉冲图进行处理得到待分类雷达目标运动状态的时频图。

本实施例还提供了一种与上述方法匹配的雷达目标运动状态的分类系统，如图2所示，所述系统包括：

获取模块A1，用于获取待分类雷达目标运动状态的时频图。

分类模块A2，用于将所述待分类雷达目标运动状态的时频图输入分类模型得到所述待分类雷达目标运动状态的类别；所述分类模型为以待训练雷达目标运动状态的时频图为输入，以所述待训练雷达目标运动状态的类别为输出，对基于压缩激励模块和残差网络模块构建的多尺度神经网络进行训练得到的。

其中，所述分类模块中的多尺度神经网络具体包括：

依次连接的第一卷积层、残差网络模块、压缩激励模块、全连接层组和分类函数；所述全连接层组包括多个依次连接的全连接层。

其中，残差网络模块包括：

第二卷积层、由多个卷积层组成的滤波器、第三卷积层和第一ReLu层。

所述第二卷积层的输入端和所述第一ReLu层的第一输入端均与所述第一卷积层的输出端连接，所述第二卷积层的输出端、所述滤波器、所述第三卷积层和所述第一ReLu层的第二输入端依次连接，所述第一ReLu层的输出端与所述压缩激励模块连接。

其中，压缩激励模块包括：

全局平均池化层、第一全连接层、第二ReLu层、第二全连接层、Sigmoid激活函数和Scale函数。

所述全局平均池化层的输入端和所述Scale函数的第一输入端均与所述第一ReLu层的输出端连接，所述全局平均池化层的输出端、所述第一全连接层、所述第二ReLu层、所述第二全连接层、所述Sigmoid激活函数和所述Scale函数的第二输入端依次连接，所述Scale函数的输出端与所述全连接层组连接。

其中，所述获取模块包括：

获取单元，用于获取所述待分类雷达目标运动状态的回波数据。

回波距离-脉冲图确定单元，用于对所述回波数据进行处理得到回波距离-脉冲图，所述回波距离-脉冲图表示距离门数与脉冲个数的关系。

时频图确定单元，用于采用时频分析法对所述回波距离-脉冲图进行处理得到待分类雷达目标运动状态的时频图。

如图3所示，本实施例中分类模型的训练过程为：

步骤1：对雷达回波数据进行预处理，得到目标回波的时间距离图。

步骤1-1：以人体行走运动状态为例，对雷达回波数据进行预处理是利用傅里叶变换(FFT)对回波数据矩阵的每一列进行变换，获得目标微动的多普勒频谱(距离-脉冲图)。

步骤1-2：采用动目标显示技术对回波距离-脉冲图进行脉冲间对消，如图4所示，得到处理后的回波距离-脉冲图。

步骤2：构建数据集(时频图)。

步骤2-1：构建数据集是从回波距离-脉冲图的剖面图中选取适当目标活动距离单元，利用时频分析方法提取目标的微多普勒特征获得时频图。

时频分析方法是利用短时傅里叶变换(STFT)或小波变换(WT)等方法对目标进行微多普勒特征提取。

其中：采用短时傅里叶变换对目标距离-脉冲图进行特征提取得到时频图，具体为：

对目标距离-脉冲图采用公式

进行提取得到时频图，其中STFT_s(t,ω)代表原信号在u＝t时刻处的时频图，S_M×N(u)为目标距离-脉冲图对应的距离-脉冲数据，u为时间采样的离散数，t为时间，ω为角频率，g(u-t)为可移动的窗函数，带入不同的t，窗函数会不停的滑动从而可以得到不同时间段内频率的成分，j为虚数单位。

以人体行走运动状态为例，选取目标所在距离单元5-25，并利用STFT或者S变换提取人体运动的微动特征，得到时频图。如图5所示，以人体微动的六种运动状态为例，分别为行走如图5(a)所示、坐下如图5(b)所示、站立如图5(c)所示、捡东西如图5(d)所示、喝水如图5(e)所示和摔倒如图5(f)所示。

步骤2-2：对步骤2-1获得时频图进行数据集扩充、边缘剪切和尺寸归一化。

数据集扩充是通过控制时频图中微多普勒特征的颜色显示范围，增强或减弱目标的微多普勒特征。

具体的，利用imagesc(C,clims)函数将目标数据组C(获得的时频图)中的数据显示为图像并设置颜色范围，颜色范围指定为clims＝[cmin cmax]形式的二元素向量，其中cmax大于cmin。

以人体行走运动状态为例，对时频图设置颜色显示范围为[A,0]指定A数值分别为-20、-30、-40和-50，当A数值分别为-20时得到的扩充数据集如图6(a)所示、当A数值分别为-30时如图6(b)所示、当A数值分别为-40时如图6(c)所示，当A数值分别为-50时如图6(d)所示。

步骤2-3：将处理后的数据集随机划分训练数据和测试数据，同时将训练数据按照8:2比例随机又划分为训练集和验证集。

具体地，以上述人体微运动的六种运动状态作为数据集，每种运动状态包含300组数据，对每种运动状态数据进行3倍数据增广，经数据集扩充后的人体微动识别的数据集划分，如表1所示。

表1人体微动识别分类数据集构成表

步骤3：构建多尺度神经网络模型。

步骤3-1：构建多尺度神经网络模型是在残差网络模块的基础上进行，首先采用单层卷积核大小为7×7的卷积层对输入图片Image进行特征提取，随后进行残差网络模块，利用1×1卷积核对输入通道数进行调整，以便于接下来多尺度模块进行深层次的特征提取，经1×1卷积后的特征图，假设含有n个通道数，用卷积核大小为3×3的滤波器组替代n个通道的1×1卷积后的特征图，将其划分为s个特征图子集，每个特征图子集含n/s个通道数。除第一个特征图子集直接向下传递除外，其余特征图子集其后都接一个卷积核大小3×3的卷积层，并进行卷积操作；第二特征图子集经卷积操作后形成新的特征子集并分两条线路向下传递，一条线路直接向下传递；另一条线路采用层级递进的排布连接方式与第三特征图子集结合并送入卷积层得到新的特征图子集，再分两条线路，一条直接向下传递，另一条线路依旧采用层级递进排布连接与第四特征图子集结合并送入卷积层得到新的特征图子集，重复上述的操作，直至所有特征图子集被处理完成。每一个特征图子集经卷积层后再与另一特征图子集结合，这种操作使得每一个卷积层的等效感受野逐渐增大，从而能完成不同尺度信息的提取。用K_i()表示3×3卷积核的输出，x_i表示划分的特征图子集，其中i∈{1,2,...,s}，s表示特征图划分的特征图子集个数，上述过程用数学表达式可以表示为：

y₁＝x₁

y₂＝K₂(x₂)

y₃＝K₃(x₃+y₂)＝K₃(x₃+K₂(x₂))

y₄＝K₄(x₄+y₃)＝K₄(x₄+K₃(x₃+K₂(x₂)))  (1-1)

那么输出y_i可表示为：

综合网络结构和上式，可看出这种拆分混合连接结构能使多尺度模块的输出包含不同感受野大小的组合，这种结构有利于提取全局和局部信息。

具体地，将通过卷积核大小为1×1的卷积操作后的特征图划分为4个特征图子集，经多尺度结构混合连接后，将处理完的特征图子集采用拼接方法结合，而后使用卷积核大小为1×1的卷积层将拼接的特征图子集进行信息融合，实现对所划分s个特征图子集的信息融合。

随后将多尺度残差模块与恒等映射y＝x相结合，这样能有效避免模型训练过程中梯度消失和网络退化问题，即形成多尺度残差模块，如图7所示。

步骤3-2：多尺度残差模块后加入SE模块即完成多尺度神经网络残差模块的构建。SE模块结构由图7右图给出，对于一张形状为(H,W,C)的特征图，SE模块首先进行压缩操作，在空间维度将特征图进行全局平均得到一个表示全局信息的特征向量，也就是将多尺度残差模块输出h×w×c转换成1×1×c的输出。其次是激励操作，如公式(1-3)，从等式的右侧开始可以看出，前面压缩操作得到的结果是z，W₁×z表示第一个全连接操作，权重W₁的维度是

其中r称为缩放因子，它的作用是减少通道个数从而减少参数计算。经第一个全连接层后的维度变为

然后再接一个ReLu层激活函数以增加网络的非线性，同时输出的维度保持不变；然后再和第二个全连接层的权重W₂相乘，输出维度变为1×1×c；最后经过激活函数Sigmoid得到SE模块的输出S。

S＝F_ex(z,W)＝σ(g(z,W))＝σ(W₂×δ(W₁×z))  (1-3)

最后进行重加权操作，通过乘法逐通道地将特征权重S乘到多尺度残差模块输出的特征图上，完成特征重标定操作。这种学习方式能自动获取到每个特征通道的重要程度，然后依照这个重要程度去提升有用的特征并抑制对当前任务用处不大的特征。构建的多尺度残差模块与SE模块相结合组成了多尺度网络模块，由包含多个这种多尺度网络模块构成了多尺度网络模型。

步骤3-3：将构建的多尺度神经网络模型后面加入三层的全连接层，用于将多尺度残差网络学习到的有效特征映射到样本的标记空间，同时增加网络模型的深度，使其学习到更深层次的抽象特征。如图7所示。

步骤4：模型的训练，将构建的时频图数据样本量输入多尺度神经网络模型进行特征学习。多尺度神经网络模型进行特征学习是对训练集完成一次迭代训练后，在验证集上对网络模型进行验证分析，通过不断优化调整网络参数，直至在验证集上达到预期的识别正确率，此时保存多尺度神经网络模型的各项参数，即得最优网络模型。

步骤5：测试，得到分类结果。

将未参与训练和验证的测试数据输入最优网络模型，验证多尺度神经网络模型的有效性和泛化能力。验证多尺度神经网络模型的有效性和泛化能力是通过计算测试数据集分类正确的样本数占整个测试集样本总数的比值，得到多尺度神经网络模型的准确率。

下面将多尺度网络模型和Resnet残差网络模型的分类结果进行对比，本实施例人体微动识别分类中多尺度网络模型和Resnet残差网络模型均包含18个多尺度网络模块和残差网络模块：

首先，将构建的时频图数据样本量输入多尺度网络模型或Resnet残差网络模型进行特征学习，Resnet残差网络模型的网络结构，如图8所示，首先采用单层卷积核大小为7×7的卷积层对输入图片Image进行特征提取，随后进行残差网络模块，利用卷积核大小为1×1的卷积层对输入通道数进行调整，然后输入卷积核大小为3×3的滤波器，得到特征图，将特征图输入卷积核大小为1×1的卷积层，然后输入三个全连接层和Softmax得到分类结果。其次，利用多尺度网络模型或Resnet残差网络模型进行特征学习，通过设置参数求解算法Adam、非线性激活函数ReLU、初始学习率0.0001、训练轮次(Epoch)100等参数，利用多尺度神经网络模型或Resnet残差网络模型对训练数据集进行训练，每对训练集训练一个轮次后就在验证集上进行一次验证，直至验证集的正确识别率达到要求，保存网络模型参数，即得最优网络模型。最后，两种网络模型在验证集上的性能对比，如图9所示。通过对人体微动识别分类数据集的验证分析，发现多尺度网络模型(识别正确率97.65)相比Resnet残差网络模型(识别正确率95.76)在验证集上有1.89％识别正确率的提升，如图10所示，从损失值中发现多尺度网络型具有更快的收敛能力。

具体地，以人体微动识别分类为例，随机选取100组未参与训练和验证的数据作为测试数据集进行验证分析，可得其混淆矩阵结果如表2所示。

分析可知，多尺度网络模型在测试集上最低分类正确率为96.7％，高于Resnet残差网络模型的95.76％。同时对人体六种运动状态的识别正确率进行平均，发现多尺度网络模型的平均分类正确率为99.3％，验证了本实施例提出的多尺度神经网络模型的有效性以及好的泛化能力。

表2人体微动目标识别结果表

根据本发明提供的具体实施例，本发明公开了以下技术效果：

(1)本发明提出基于多尺度神经网络目标微多普勒特征分类方法，利用多尺度拆分混合连接结构能使多尺度模块的输出包含不同感受野大小的组合，有利于提取目标特征信息的全局和局部信息。

(2)本发明提出的将多尺度残差模块和SE模块相结合的神经网络模型，能学习到不同的感受野组合并能将有用的特征进行保留，无效的特征信息进行抑制，极大的简化了深度学习的过程，对参数的计算也有很大的减少。

(3)本发明提出的基于多尺度神经网络的雷达运动目标分类方法与系统，有效地解决了人工选取特征值费时费力、浅层分类算法对多目标运动识别和复杂识别问题的处理能力有限的问题，实现了高效、准确的多目标运动识别。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (4)

1.一种雷达目标运动状态的分类方法，其特征在于，包括：

获取待分类雷达目标运动状态的时频图；

对回波距离-脉冲图采用公式

进行提取得到时频图，其中STFT_s(t,ω)代表原信号在u＝t时刻处的时频图，S_M×N(u)为目标距离-脉冲图对应的距离-脉冲数据，u为时间采样的离散数，t为时间，ω为角频率，g(u-t)为可移动的窗函数，带入不同的t，窗函数会不停的滑动从而可以得到不同时间段内频率的成分，j为虚数单位；

利用imagesc(C,clims)函数将获得的时频图中的数据显示为图像并设置颜色范围，颜色范围指定为clims＝[cmin cmax]形式的二元素向量，其中cmax大于cmin；

将所述待分类雷达目标运动状态的时频图输入分类模型得到所述待分类雷达目标运动状态的类别；所述分类模型为以待训练雷达目标运动状态的时频图为输入，以所述待训练雷达目标运动状态的类别为输出，对基于压缩激励模块和残差网络模块构建的多尺度神经网络进行训练得到的；

所述多尺度神经网络具体包括：依次连接的第一卷积层、残差网络模块、压缩激励模块、全连接层组和分类函数；所述全连接层组包括多个依次连接的全连接层；

所述残差网络模块包括：第二卷积层、由多个卷积层组成的滤波器、第三卷积层和第一ReLu层；所述第二卷积层的输入端和所述第一ReLu层的第一输入端均与所述第一卷积层的输出端连接，所述第二卷积层的输出端、所述滤波器、所述第三卷积层和所述第一ReLu层的第二输入端依次连接，所述第一ReLu层的输出端与所述压缩激励模块连接；

将多尺度残差模块与恒等映射y＝x相结合；

所述压缩激励模块包括：全局平均池化层、第一全连接层、第二ReLu层、第二全连接层、Sigmoid激活函数和Scale函数；所述全局平均池化层的输入端和所述Scale函数的第一输入端均与所述第一ReLu层的输出端连接，所述全局平均池化层的输出端、所述第一全连接层、所述第二ReLu层、所述第二全连接层、所述Sigmoid激活函数和所述Scale函数的第二输入端依次连接，所述Scale函数的输出端与所述全连接层组连接；

所述全连接层组包括三层的全连接层。

2.根据权利要求1所述的一种雷达目标运动状态的分类方法，其特征在于，所述获取待分类雷达目标运动状态的时频图，具体为：

获取所述待分类雷达目标运动状态的回波数据；

对所述回波数据进行处理得到回波距离-脉冲图，所述回波距离-脉冲图表示距离门数与脉冲个数的关系；

采用时频分析法对所述回波距离-脉冲图进行处理得到待分类雷达目标运动状态的时频图。

3.一种雷达目标运动状态的分类系统，其特征在于，包括：

获取模块，用于获取待分类雷达目标运动状态的时频图；

对回波距离-脉冲图采用公式

进行提取得到时频图，其中STFT_s(t,ω)代表原信号在u＝t时刻处的时频图，S_M×N(u)为目标距离-脉冲图对应的距离-脉冲数据，u为时间采样的离散数，t为时间，ω为角频率，g(u-t)为可移动的窗函数，带入不同的t，窗函数会不停的滑动从而可以得到不同时间段内频率的成分，j为虚数单位；

利用imagesc(C,clims)函数将获得的时频图中的数据显示为图像并设置颜色范围，颜色范围指定为clims＝[cmin cmax]形式的二元素向量，其中cmax大于cmin；

分类模块，用于将所述待分类雷达目标运动状态的时频图输入分类模型得到所述待分类雷达目标运动状态的类别；所述分类模型为以待训练雷达目标运动状态的时频图为输入，以所述待训练雷达目标运动状态的类别为输出，对基于压缩激励模块和残差网络模块构建的多尺度神经网络进行训练得到的；

所述分类模块中的多尺度神经网络具体包括：依次连接的第一卷积层、残差网络模块、压缩激励模块、全连接层组和分类函数；所述全连接层组包括多个依次连接的全连接层；

所述残差网络模块包括：第二卷积层、由多个卷积层组成的滤波器、第三卷积层和第一ReLu层；所述第二卷积层的输入端和所述第一ReLu层的第一输入端均与所述第一卷积层的输出端连接，所述第二卷积层的输出端、所述滤波器、所述第三卷积层和所述第一ReLu层的第二输入端依次连接，所述第一ReLu层的输出端与所述压缩激励模块连接；

将多尺度残差模块与恒等映射y＝x相结合；

所述压缩激励模块包括：全局平均池化层、第一全连接层、第二ReLu层、第二全连接层、Sigmoid激活函数和Scale函数；所述全局平均池化层的输入端和所述Scale函数的第一输入端均与所述第一ReLu层的输出端连接，所述全局平均池化层的输出端、所述第一全连接层、所述第二ReLu层、所述第二全连接层、所述Sigmoid激活函数和所述Scale函数的第二输入端依次连接，所述Scale函数的输出端与所述全连接层组连接；

所述全连接层组包括三层的全连接层。

4.根据权利要求3所述的一种雷达目标运动状态的分类系统，其特征在于，所述获取模块包括：

获取单元，用于获取所述待分类雷达目标运动状态的回波数据；

回波距离-脉冲图确定单元，用于对所述回波数据进行处理得到回波距离-脉冲图，所述回波距离-脉冲图表示距离门数与脉冲个数的关系；

时频图确定单元，用于采用时频分析法对所述回波距离-脉冲图进行处理得到待分类雷达目标运动状态的时频图。

Images