CN112801218B

CN112801218B - 一种基于降噪特征增强的多视角一维距离像融合识别方法

Info

Publication number: CN112801218B
Application number: CN202110299566.9A
Authority: CN
Inventors: 杨琪; 范磊; 王元昊; 邓彬; 王宏强
Original assignee: National University of Defense Technology
Current assignee: National University of Defense Technology
Priority date: 2021-03-22
Filing date: 2021-03-22
Publication date: 2021-06-18
Anticipated expiration: 2041-03-22
Also published as: CN112801218A

Abstract

本申请涉及一种基于降噪特征增强的多视角一维距离像融合识别方法。所述方法包括：根据预设的目标参数建立对应的缩比目标，使用多视角雷达观测缩比目标，得到对应的实验一维距离像数据。使用加入不同信噪比噪声的实验一维距离像数据训练预设的降噪神经网络，得到对应的降噪模型。获取多视角雷达的一维距离像数据，使用降噪模型处理一维距离像数据，得到对应的降噪一维距离像数据。将多视角雷达的降噪一维距离像数据输入预设的分类识别模型，提取降噪一维距离像数据的高维特征，融合提取到的高维特征，得到对应的目标识别结果。本申请使用有针对性的降噪模型，并对多视角一维距离像在降噪后进行融合识别，能有效提高目标识别的可靠性与鲁棒性。

Description

一种基于降噪特征增强的多视角一维距离像融合识别方法

技术领域

本申请涉及雷达数据处理技术领域，特别是涉及一种基于降噪特征增强的多视角一维距离像融合识别方法。

背景技术

利用雷达实现自动目标识别是一种广泛使用的方法，具有全天时、全天候、高精度等特点。雷达一维距离像是指目标散射中心在宽带雷达视线上的分布，反映了目标的形状结构与物理特性，同时由于数据获取、存储、处理上的实用性，因此广泛用于雷达目标识别领域。

利用雷达一维距离像实现目标识别与降噪特征增强算法已经有广泛研究，然而在太赫兹频段的研究还远远不足。在微波段已有学者对降噪特征增强的一维距离像识别进行了研究，主要是从两个方面进行考虑：寻找对噪声鲁邦的特征与设计带降噪的特征提取方法。

在寻找对噪声鲁邦的特征方面，主要是考虑到目标强散射点的抗噪能力较强，因此通过寻找并匹配不同目标的强散射点，或构建对应特征字典，从而根据散射点的强弱与数目进行目标类型、大小、位置的估计，是一种基于稀疏的抗噪方式。这种方法对正确匹配散射中心的依赖度非常高。

在设计带降噪的特征提取方法，主要是在特征提取阶段，通过加入自编码器，来进行目标降噪。现有的方案大多都只利用单站雷达，但目标的RCS非常依赖于入射与观测角，因此单站得到的一维距离像数据可靠度不高。

发明内容

基于此，有必要针对上述技术问题，提供一种能够增强降噪性能并融合多视角特征的基于降噪特征增强的多视角一维距离像融合识别方法。

一种基于降噪特征增强的多视角一维距离像融合识别方法，所述方法包括：

根据预设的目标参数建立对应的缩比目标，使用多视角雷达观测缩比目标，得到对应的实验一维距离像数据。

基于加入不同信噪比噪声的实验一维距离像数据训练预设的降噪神经网络，得到对应的降噪模型。

获取多视角雷达的一维距离像数据，使用降噪模型处理一维距离像数据，得到对应的降噪一维距离像数据。

将多视角雷达的降噪一维距离像数据输入预设的分类识别模型，提取降噪一维距离像数据的高维特征，融合提取到的高维特征，得到对应的目标识别结果。

其中一个实施例中，基于加入不同信噪比噪声的实验一维距离像数据训练预设的降噪神经网络，得到对应的降噪模型的方式包括：

在实验一维距离像数据中加入预设的噪声数据，得到训练数据集。

将训练数据集输入预设的神经网络，计算神经网络的输出和对应的实验一维距离像数据的偏离程度值。

当偏离程度值小于预设值时，得到对应的降噪模型。

其中一个实施例中，提取降噪一维距离像数据的高维特征的方式包括：

使用预设的分类特征提取网络提取降噪一维距离像数据的高维特征。

其中一个实施例中，使用预设的分类特征提取网络提取降噪一维距离像数据的高维特征的步骤之前，还包括：

对降噪一维距离像数据进行数据预处理。数据预处理包括数据归一化、数据中心对齐和数据截取。

其中一个实施例中，对降噪一维距离像数据进行数据预处理的方式包括：

获取降噪一维距离像数据的序列最大值位置。

以序列最大值位置为中心点，根据预设的点数在降噪一维距离像数据中截取对应的数据。

对截取到的数据的幅值进行标准化处理。

其中一个实施例中，融合提取到的高维特征的方式包括：

使用通道级联、加权相加或加权相乘的方式对提取到的高维特征进行融合。

其中一个实施例中，预设的神经网络包括前向自编码器和跨连接层。

一种基于降噪特征增强的多视角一维距离像融合识别装置，包括：

实验一维距离像数据获取模块，用于根据预设的目标参数建立对应的缩比目标，使用多视角雷达观测所述缩比目标，得到对应的实验一维距离像数据。

降噪模型训练模块，用于基于加入不同信噪比噪声的实验一维距离像数据训练预设的降噪神经网络，得到对应的降噪模型。

降噪处理模块，用于获取多视角雷达的一维距离像数据，使用降噪模型处理所述一维距离像数据，得到对应的降噪一维距离像数据。

目标识别模块，用于将多视角雷达的降噪一维距离像数据输入预设的分类识别模型，提取降噪一维距离像数据的高维特征，融合提取到的高维特征，得到对应的目标识别结果。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

与现有技术相比，上述一种基于降噪特征增强的多视角一维距离像融合识别方法、装置、计算机设备和存储介质，使用多视角雷达观测需要观测目标的缩比目标，得到实验一维距离像数据。基于加入不同信噪比噪声的实验一维距离像数据训练预设的降噪神经网络得到降噪模型用于处理多视角雷达需要观测的目标的一维距离像数据，将处理后的数据输入预设的分类识别模型，提取高维特征并进行融合，得到对应的目标识别结果。本申请使用有针对性的降噪模型，并对多视角一维距离像在降噪后进行融合识别，能有效提高目标识别的可靠性与鲁棒性。

附图说明

图1为一个实施例中一种基于降噪特征增强的多视角一维距离像融合识别方法的应用场景图；

图2为一个实施例中一种基于降噪特征增强的多视角一维距离像融合识别方法的步骤图；

图3为一个实施例中降噪网络和分类网络的训练数据集构建和网络训练流程示意图；

图4为一个实施例中降噪模型使用的神经网络的结构示意图；

图5为一个实施例中分类识别模型使用的神经网络的结构示意图；

图6为降噪模型性能仿真曲线图；

图7为一维距离像数据输入降噪模型前后的信号曲线图；

图8为不同信噪比的数据经过降噪模型和未经过降噪模型处理后的目标识别概率对比图；

图9为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的基于降噪特征增强的多视角一维距离像融合识别方法，可以应用于如图1所示的应用环境中。其中，雷达I、雷达II和雷达III对虚线圆圈所示的区域进行观测，当飞机等目标进入观测区域时，雷达I、雷达II和雷达III对应得到一维距离像数据，即一维距离像I、一维距离像II和一维距离像III。一维距离像数据通过网络传输到数据处理端进行雷达图像处理。

在一个实施例中，如图2所示，提供了一种基于降噪特征增强的多视角一维距离像融合识别方法，以该方法应用于图1中的数据处理端为例进行说明，包括以下步骤：

步骤202，根据预设的目标参数建立对应的缩比目标，使用多视角雷达观测缩比目标，得到对应的实验一维距离像数据。

首先，根据雷达系统需要观测的目标参数，将其对应缩小，建立等效的缩比例模型。在选择缩小比例时以微波下的雷达识别性能需求为参考，考虑各个雷达的性能，以及观测区域和各个雷达的距离，使获得的实验一维距离像数据具有足够的分辨率。本步骤的目的是使实验一维距离像数据更贴近实际目标观测数据，提高降噪网络的性能。

步骤204，基于加入不同信噪比噪声的实验一维距离像数据训练预设的降噪神经网络，得到对应的降噪模型。

根据实验中对缩比目标观测得到的实验一维距离像数据，可以对预设的神经网络进行训练，得到降噪网络。基于实验一维距离像数据生成的训练数据集、神经网络结构、损失函数定义等都可以根据降噪性能的要求选用现有技术实现。

步骤206，获取多视角雷达的一维距离像数据，使用降噪模型处理一维距离像数据，得到对应的降噪一维距离像数据。

对于实际观测目标获得的一维距离像数据，使用训练好的降噪模型进行降噪处理，得到对应的降噪一维距离像数据。由于降噪模型的训练过程针对特定的目标类型，因此对于这类目标可以得到预期的降噪效果。尤其对于结构复杂的目标来说，采用上述方式能够显著提高数据处理过程的针对性。

步骤208，将多视角雷达的降噪一维距离像数据输入预设的分类识别模型，提取降噪一维距离像数据的高维特征，融合提取到的高维特征，得到对应的目标识别结果。

具体地，对于降噪一维距离像数据的分类识别模型可以基于一维卷积核建立，可以基于更简单的参数实现高维特征提取和融合，得到目标识别结果，方便模型嵌入，使其更适用于嵌入式环境。此外，对多视角雷达的一维距离像数据在降噪后进行融合，可以提高目标观测性能，降低错检和漏检目标的风险。

本实施例能够有效降低多视角一维距离像数据中的噪声，并通过融合识别得到准确度更高的目标识别结构，能有效提高目标识别系统的可靠性与鲁棒性。

其中一个实施例中，提供了一种基于降噪特征增强的多视角一维距离像融合识别方法，包括以下步骤：

步骤302，根据预设的目标参数建立对应的缩比目标，使用多视角雷达观测缩比目标，得到对应的实验一维距离像数据。

本实施例采用太赫兹雷达，雷达之间的间隔角度为30°，需要观测的目标参数与雷达参数如表1所示。

表1雷达参数和需观测目标尺寸

由于太赫兹雷达带宽大，采样点数多，计算量较大。因此建立等效的缩比目标是采用的比例为1:130的缩比模型，并将其导入CST电磁仿真计算软件，来获取实验一维距离像数据。CST的参数设置需要考虑考虑三个因数：因数1，一维距离像在小角度范围的变化趋势不大；因数2，缩比模型仍然属于电大目标，同时需要高性能的计算器进行仿真计算；因数3，对于对称目标，只需要建立一半的角度即可。本实施例中采用的电磁计算的参数为：方位角-90°到90°，仰角为20°，角度间隔为1°。雷达极化方式为水平极化，频率采样点数为1024。采用模型的默认剖分方式，同时采用射线跟踪方法，最终通过CST仿真得到181个方位角的原始数据，即实验一维距离像数据。

步骤304，在实验一维距离像数据中加入预设的噪声数据，得到训练数据集。

本实施例中构建训练数据集和使用构建的数据集训练降噪网络和分类网络的总体流程如图3所示。

具体地，对于降噪网络的训练数据集，本实施例在实验一维距离像数据中加入50倍不同信噪比的噪声，即-5dB、0dB、5dB、10dB、15dB、20dB，生成训练数据集，其中每一组信噪比下的数据量为72400。

步骤306，将训练数据集输入预设的神经网络，计算神经网络的输出和对应的实验一维距离像数据的偏离程度值。预设的神经网络包括前向自编码器和跨连接层。当偏离程度值小于预设值时，得到对应的降噪模型。

其中，降噪模型使用的神经网络的学习两个带不同信噪比的数据之间隐式映射关系，通过将低信噪比数据输入到网络中，然后将得到的预测与真实标签的高信噪比的数据进行一一映射，从而学习到了一种信噪比提升的能力，也就是实现了降噪特征增强。基于这一构思，本实施例采用如图4所示的降噪网络结构，具体分为两个阶段：第一阶段为下采样过程，将低信噪比数据依次通过3组卷积层，激活函数，池化层，得到三种关于目标不同尺度的特征；第二阶段为上采样过程，将下采样的数据依次经过3次步长为2的反卷积层，并依次与下采样得到不同尺度特征进行通道特征级联，然后再经过

卷积层通道数降维。卷积核和池化核的大小依次为

，通道数变化依次为1、64、128、256、512、256、128、64、1。总的说来，输入特征维度为1024，最小的底层特征大小为128，然后逐渐上采样到1024。最后，卷积层与反卷积层的权重初始化xavier方式，方差为固定常数。

训练时，将未加入噪声的数据样本作为输出期望值，可以关于不同信噪比训练下的7种降噪模型。测试数据的信噪比采用-15dB、-10dB、-5dB、0dB、5dB、10dB、15dB、20dB、25dB、30 dB。

降噪网络训练的流程具体包括：

步骤3061，初始化。构建如图4所示的建降噪网络模型

；初始化卷积层与反卷积层的参数

；超参数设置：迭代的时代数

为20，批大小

为100，初始学习率

为0.0003，且每5世代数学习率衰减随为原来的0.8，激活函数为随机梯度下降法（Stochasticgradient descent，

），其中动量为0.9，权重衰减系数

为0.02，损失函数

为最小均方损失函数。

步骤3062，前向传播。计算每次迭代过程

，预测结果

与标签

的最小均方误差损失

步骤3064，反向传播。根据链式法则计算梯度，则对每次迭代的训练样本

参数更新的公式为：

步骤3064，训练迭代。重复步骤3062与3063，直到损失变化曲线收敛，并使用测试数据进行算法验证。

步骤308，获取多视角雷达的一维距离像数据，使用降噪模型处理一维距离像数据，得到对应的降噪一维距离像数据，对降噪一维距离像数据进行预处理。使用分类识别模型对预处理后的降噪一维数据进行高维特征提取，使用通道级联、加权相加或加权相乘的方式对提取到的高维特征进行融合，得到目标分类识别结果。

本实施例中基于神经网络建立分类识别模型，对降噪一维距离像数据进行高维特征提取、融合，以及根据融合结果进行分类，得到目标识别结果。分类识别模型使用的神经网络结构如图5所示，由多层卷积层、激活函数、池化层级联的网络，然后通过自适应层池化层，紧接着将各个一维距离像高维特征通过加权相加进行特征融合，最后输出到全连接层与分类层进行分类。最后，卷积层的权重初始化xavier方式，方差为常数，全连接层的权重初始化为标准正态分布，方差初始为0。

对于分类网络的训练数据集，基于降噪模型的输出或者使用无噪的一维距离像数据生成训练数据集，具体方式为：考虑到目标分类识别的神经网络的参数量大，对数据进行扩增。本实施例中对CST得到的数据进行每个维度的15倍加噪，同时将得到的一维距离像进行中心对称提取，取最大值附近前后各512个点，并左右各移动30，60，90个点，与未移动的一维距离像一起，得到7倍的数据，数据总个数为101360个。3个雷达的视野角度间隔为30°，因此对应于各观测角度的数据量为67760个数据，将其分别命名为数据集A，数据集B，数据集C，并按照7:3的比例进行训练测试数据集划分，对神经网络进行训练。模型训练流程为：

步骤3081，初始化网络参数。构建降噪网络模型

；初始化卷积层与全连接层的参数

；超参数设置：迭代的时代数

为200，批大小

为100，初始学习率

为0.001，且每20世代数学习率衰减随为原来的0.8，激活函数为随机梯度下降法

,其中矩估计的指数衰减系数

，权重衰减系数

为0.02，损失函数

为交叉熵函数。

步骤3082，根据构建的损失函数进行模型的前向传播。计算每次迭代过程

，预测结果

与标签

的交叉熵损失：

步骤3083：根据链式法则，利用前向传播与损失函数，进行反向传播并更新参数。反向传播。根据链式法则计算梯度，对每次迭代的训练样本

参数更新，

为损失函数，

为梯度，

与

分别表示一阶与二阶偏见，

与

分别表示校正的偏差估计，然后参数更新根据以下公式：

步骤3084，重复步骤3082与3083，直到损失变化曲线收敛，并使用测试数据进行算法验证。

使用训练好的分类识别模型时，首先需要对降噪一维距离像数据进行对应的预处理，解决时移敏感性问题、幅度尺度敏感性问题以及目标方位敏感性问题，以提升模型的最终的识别率。时移敏感性问题指对一维距离像数据的截断窗位置以及截取长度不同；幅度敏感性问题指目标反射强度对不同目标的几何特性、物理特性、所处环境的差异；目标方位敏感性问题指目标的姿态角变化大时，某些散射点会发生越距离单元的迁移，一维距离像将会变化很大。因此进行识别之前需要对数据进行预处理。

对于时移敏感性，首先采用中心对齐法，即对每一幅一维距离像数据，找到序列最大值所在位置，然后向前向后各截取512个点，数据不够的地方补零。对于幅度量化，对其进行了了标准化处理，即：

其中，

表示第n点的数据，

其中，

为原始一维距离像序列的第n次采样结果，

代表进行了幅度归一化的结果，

代表幅度归一化后的均值，

为最终预处理后的一维距离像数据。

本实施例中的降噪模型性能如图6所示。可以看到，训练模型时使用的训练数据的信噪比越低，训练得到的降噪模型在低信噪比条件下的信噪比增强越好，即相比于信噪比大于0dB的训练模型，当模型的输入训练样本的信噪比低于0dB时，其在低信噪比条件下，如-5dB等下信噪比提升性能更好。还可以看到，对于低信噪的训练数据得到的降噪模型，当输入数据的信噪比增高时其降噪性能保持基本稳定。图7中实线为原始高噪声数据，虚线为降噪后得到的数据，可发现数据得到明显的降噪。

图8为不同信噪比的数据经过降噪模型和未经过降噪模型处理后的目标识别概率对比图。可以看到，经过降噪模型处理后，分类适变模型的识别概率得到约10%的提升，提高了模型在恶劣条件下的识别率，更能适应未知环境下的检测。

为了说明融合识别的性能提升，以比较不同方式的融合和不同雷达数的准确率变化作为基准，进行比较。表2为不同方式融合的性能对比，分析了不同方式融合的准确率变化和收敛速度。从准确率看，加权相加的准确率最高，其次为通道级联，最后为加权相乘。从收敛速度看，加权相加与通道级联的速度最优。此外，选择加权相加还可以全连接层的参数量。

表2不同高维特征融合方式的性能对比

表3和表4分别为一维距离像数据信噪比为-5dB条件下，雷达数量为2个和3个时的混淆矩阵。可以看到，雷达数目增多可以提高识别准确率并提升了数据的可靠性。

表3使用3个雷达时的混淆矩阵（整体识别率为82.63%）

表4使用2个雷达时的混淆矩阵（整体识别率为81.32%）

应该理解的是，虽然图1-2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，提供了一种基于降噪特征增强的多视角一维距离像融合识别装置，包括：

其中一个实施例中，降噪模型训练模块用于：在实验一维距离像数据中加入预设的噪声数据，得到训练数据集。将训练数据集输入预设的神经网络，计算神经网络的输出和对应的实验一维距离像数据的偏离程度值。当偏离程度值小于预设值时，得到对应的降噪模型。

其中一个实施例中，目标识别模块用于使用预设的分类特征提取网络提取降噪一维距离像数据的高维特征。

其中一个实施例中，目标识别模块用于对降噪一维距离像数据进行数据预处理。数据预处理包括数据归一化、数据中心对齐和数据截取。

其中一个实施例中，目标识别模块用于获取降噪一维距离像数据的序列最大值位置。以序列最大值位置为中心点，根据预设的点数在降噪一维距离像数据中截取对应的数据。对截取到的数据的幅值进行标准化处理。

其中一个实施例中，目标识别模块用于：使用通道级联、加权相加或加权相乘的方式对提取到的高维特征进行融合。

关于一种基于降噪特征增强的多视角一维距离像融合识别装置的具体限定可以参见上文中对于一种基于降噪特征增强的多视角一维距离像融合识别方法的限定，在此不再赘述。上述一种基于降噪特征增强的多视角一维距离像融合识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储降噪模型、分类识别模型数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于降噪特征增强的多视角一维距离像融合识别方法。

本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

在一个实施例中，处理器执行计算机程序时还实现以下步骤：在实验一维距离像数据中加入预设的噪声数据，得到训练数据集。将训练数据集输入预设的神经网络，计算神经网络的输出和对应的实验一维距离像数据的偏离程度值。当偏离程度值小于预设值时，得到对应的降噪模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：使用预设的分类特征提取网络提取降噪一维距离像数据的高维特征。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：对降噪一维距离像数据进行数据预处理。数据预处理包括数据归一化、数据中心对齐和数据截取。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取降噪一维距离像数据的序列最大值位置。以序列最大值位置为中心点，根据预设的点数在降噪一维距离像数据中截取对应的数据。对截取到的数据的幅值进行标准化处理。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：使用通道级联、加权相加或加权相乘的方式对提取到的高维特征进行融合。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：在实验一维距离像数据中加入预设的噪声数据，得到训练数据集。将训练数据集输入预设的神经网络，计算神经网络的输出和对应的实验一维距离像数据的偏离程度值。当偏离程度值小于预设值时，得到对应的降噪模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：使用预设的分类特征提取网络提取降噪一维距离像数据的高维特征。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对降噪一维距离像数据进行数据预处理。数据预处理包括数据归一化、数据中心对齐和数据截取。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取降噪一维距离像数据的序列最大值位置。以序列最大值位置为中心点，根据预设的点数在降噪一维距离像数据中截取对应的数据。对截取到的数据的幅值进行标准化处理。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：使用通道级联、加权相加或加权相乘的方式对提取到的高维特征进行融合。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims

1.一种基于降噪特征增强的多视角一维距离像融合识别方法，其特征在于，所述方法包括：

根据预设的目标参数建立对应的缩比目标，使用多视角雷达观测所述缩比目标，得到对应的实验一维距离像数据；

基于加入不同信噪比噪声的所述实验一维距离像数据训练预设的降噪神经网络，得到对应的降噪模型；

获取所述多视角雷达的一维距离像数据，使用所述降噪模型处理所述一维距离像数据，得到对应的降噪一维距离像数据；

将所述多视角雷达的所述降噪一维距离像数据输入预设的分类识别模型，提取所述降噪一维距离像数据的高维特征，融合提取到的高维特征，得到对应的目标识别结果；

其中，提取所述降噪一维距离像数据的高维特征的方式包括：

对所述降噪一维距离像数据进行数据预处理，所述数据预处理包括数据归一化、数据中心对齐和数据截取；所述数据预处理的方式包括：获取所述降噪一维距离像数据的序列最大值位置，以所述序列最大值位置为中心点，根据预设的点数在所述降噪一维距离像数据中截取对应的数据，对截取到的数据的幅值进行标准化处理；

使用预设的分类特征提取网络提取所述降噪一维距离像数据的高维特征。

2.根据权利要求1所述的方法，其特征在于，基于加入不同信噪比噪声的所述实验一维距离像数据训练预设的降噪神经网络，得到对应的降噪模型的方式包括：

在所述实验一维距离像数据中加入预设的噪声数据，得到训练数据集；

将所述训练数据集输入预设的神经网络，计算所述神经网络的输出和对应的实验一维距离像数据的偏离程度值；

当所述偏离程度值小于预设值时，得到对应的降噪模型。

3.根据权利要求1所述的方法，其特征在于，融合提取到的高维特征的方式包括：

4.根据权利要求2所述的方法，其特征在于，所述预设的神经网络包括前向自编码器和跨连接层。