CN112882009B - 基于幅度相位双通道网络的雷达微多普勒目标识别方法 - Google Patents

Abstract

本发明公开了一种基于幅度相位双通道网络的雷达微多普勒目标识别方法，用于解决现有技术提取的特征有缺失导致的目标识别准确率低，以及现有技术测试阶段运算量大、实时性差的问题。本发明的实现步骤为：(1)生成训练集；(2)构建幅度相位双通道网络；(3)训练幅度相位双通道网络；(4)目标识别。本发明通过构建幅度相位双通道网络，同时利用微动分量回波信号的幅度信息和相位信息对网络进行训练，实现了对目标回波信息的充分利用。而且本发明构造的网络是一种端到端的分类模型，易训练和使用，实时性能更好，有效地提高了雷达微多普勒目标的识别准确率。

Description

基于幅度相位双通道网络的雷达微多普勒目标识别方法

技术领域

本发明属于雷达技术领域，更进一步涉及雷达自动目标识别RATR技术领域中的一种基于幅度相位双通道网络的雷达微多普勒目标识别方法。本发明采用幅度相位双通道网络对雷达微多普勒目标进行识别。

背景技术

微多普勒目标主要利用目标微动特性进行目标识别。雷达目标除质心平动以外还存在某些部件的振动或转动，这些转动等称为微动，由微动产生的多普勒频率被称为微多普勒频率。不同的微动对回波的调制效果有所不同，因此，可以提取基于微多普勒效应的调制回波的相关特征，选择合适的分类器，从而实现对探测目标的识别。

目前现有的关于微多普勒目标识别方法主要是先对目标回波进行预处理，再人工选取时域、频域等特征，利用支撑向量机SVM或随机森林分类器进行分类，识别准确率的高低很大程度上取决于人工选取特征的代表性，或者是使用卷积神经网络进行识别，但是只利用了雷达回波的幅度部分，导致雷达回波信息利用不充分。

西安宁远电子电工技术有限公司在其申请的专利文献“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”(专利申请号：CN201911254099.7，申请公布号：CN111220958A)中提出了一种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。该方法通过雷达设备采集到原始回波数据，经过脉冲压缩、动目标检测得到包含目标和杂波的每帧数据，根据不同目标的多普勒差异性，提取出目标所在距离单元内的实一维多普勒像，构成数据集；设计一维卷积神经网络模型，对模型参数进行初始化；通过前向传播和后向传播过程训练网络，并计算损失函数；迭代训练直到损失函数收敛或者达到最大次数，训练结束得到一维卷积神经网络模型。该方法存在的不足之处是，该方法舍弃了目标回波信号的相位信息，提取到的特征有缺失，不能充分反映目标的形状、结构信息，因此该方法的分类模型对于待识别目标的识别准确率较低。

西安电子科技大学在其申请的专利文献“基于广义匹配滤波的飞机目标杂噪稳健分类方法”(专利申请号：CN201410128512.6，申请公布号：CN103885043A)中提出了一种基于广义匹配滤波的飞机目标分类方法。该方法的具体步骤是：第一步：利用雷达接收实测数据，针对接收到的实测数据；第二步：得出飞机目标回波样本的自相关矩阵；第三步：得出广义匹配滤波的白化矩阵；第四步：得出飞机目标回波样本在滤除杂波和噪声后的自相关矩阵；第五步：得出实测数据的3维特征谱散布特征；第六步：得出训练数据特征矩阵，利用训练数据特征矩阵训练支撑向量机分类器；第七步：利用训练完成的支撑向量机分类器对实测数据的3维特征谱散布特征进行分类。该方法存在的不足之处是：该方法利用广义匹配滤波对雷达回波数据进行滤除杂波和噪声操作后，利用人工特征提取的方法训练支撑向量机分类器，该方法分类性能的好坏很大部分取决于噪声滤除效果和人工特征提取的效果，且人工提取特征的计算量较大，不能满足目标识别实时性要求。

发明内容

本发明的目的在于针对上述现有技术存在的不足，提出了一种基于幅度相位双通道网络的雷达微多普勒目标识别方法，用于解决现有技术提取的特征有缺失，不能充分反映目标的形状、结构信息，导致的对于待识别目标识别准确率较低的问题，以及现有技术需要人工选取特征，测试阶段运算量大、实时性差的问题。

实现本发明目的的思路是：先构建一个幅度特征提取模块与一个相位特征提取模块，并基于此构建幅度相位双通道网络，幅度相位双通道网络的输入为微动分量回波信号的幅度信息与相位信息，使得本网络能同时利用微动分量回波信号的幅度信息与相位信息，将两个通道网络所提取的目标特征进行拼接、融合，再利用分类器对融合特征进行识别，可实现对目标回波信息的充分利用。

为实现上述目的，本发明实现的具体步骤包括如下：

(1)生成训练集：

(1a)提取N个类别目标的雷达回波信号，每个类别至少包含500个雷达回波信号，其中，N表示目标的类别总数，N≥3；

(1b)利用区域CLEAN方法，对每个雷达回波信号进行杂波抑制；

(1c)利用全域CLEAN方法，对杂波抑制后的每个回波信号提取微动分量回波信号，将所有微动分量回波信号组成微动目标数据集；

(1d)分别对微动目标数据集中每个类别的回波信号设置相应类别标签；

(1e)计算微动目标数据集中的每个微动分量回波信号的幅度信息，组成幅度数据集，对幅度数据集中每个样本进行能量归一化处理，得到归一化后的幅度数据集；

(1f)计算微动目标数据集中的每个微动分量回波信号的相位信息，组成相位数据集；

(1g)将幅度数据集与相位数据集组成训练集；

(2)构建幅度相位双通道网络：

(2a)构建两个结构相同的特征提取模块，分别用于提取幅度特征与相位特征；每个特征提取模块的结构依次为：输入层，第一卷积层，第一激活层，第一池化层，第二卷积层，第二激活层，第二池化层，全连接层；将第一至第二卷积层的卷积核个数均设置为16，卷积核尺寸均设置为1×9，卷积核的输入通道数分别设置为1、16，输出通道数均设置为16；将第一至第二激活层的激活函数均设置为ReLU函数；将第一至第二池化层的池化核尺寸均设置为1×2，池化步长均设置为2，池化方式均设置为最大值池化；将全连接层的神经元个数设置为100；

(2b)构建一个由拼接维度为200的concat层，输出神经元个数为M的全连接层以及SoftMax层组成的特征融合分类模块，其中，输出神经元个数M与目标类别总数N相等，SoftMax层采用SoftMax激活函数用于计算输入回波信号被分类为每一类的概率；

(2c)将分别用于提取幅度特征与相位特征的两个模块并联后再与特征融合分类模块串联，组成幅度相位双通道网络；

(3)训练幅度相位双通道网络：

(3a)将训练集中的幅度数据集与相位数据集，分别输入到幅度相位双通道网络的幅度特征提取模块与相位特征提取模块中，输出幅度相位双通道网络的预测分类标签；

(3b)利用交叉熵损失函数，计算预测分类标签与目标真实类别标签间的损失，再利用反向传播算法迭代更新网络参数，直到交叉熵损失函数收敛为止，得到训练好的幅度相位双通道网络；

(4)目标识别：

(4a)利用区域CLEAN方法，对每个待识别回波信号进行杂波抑制；

(4b)利用全域CLEAN方法，对每个杂波抑制后的回波信号提取微动分量回波信号；

(4c)计算每个微动分量回波信号的幅度信息，对幅度信息进行能量归一化处理；

(4d)计算每个微动分量回波信号的相位信息；

(4e)将每个微动分量回波信号的能量归一化后的幅度信息与相位信息分别输入到训练好的幅度相位双通道网络的幅度特征提取模块与相位特征提取模块中，通过SoftMax层计算出待识别目标被划分为各类别的概率，选择最高概率对应的类别作为识别结果。

本发明与现有技术相比较，具有以下优点：

第一，由于本发明构建了幅度相位双通道网络，该网络包含幅度特征提取模块和相位特征提取模块，同时利用微动分量回波信号的幅度信息与相位信息对构建的幅度相位双通道网络进行训练，克服了现有技术提取到的特征有缺失，不能充分反映目标的形状、结构信息，导致的分类模型对于待识别目标分类准确率低的问题，使得本发明能够实现对目标回波信息的充分利用，提高了目标识别的准确率。

第二，由于本发明在输入端直接将微动分量回波信号的幅度信息与相位信息输入到幅度相位双通道网络中的幅度特征提取模块和相位特征提取模块中，输出端直接输出待识别目标的类别，克服了现有技术需要人工选取特征计算量大导致的分类模型实时性差的问题，使得本发明提升了对目标识别的实时性能。

附图说明

图1是本发明的流程图；

图2是本发明的网络结构图；

图3是本发明仿真实验结果图。

具体实施方式

下面结合附图，对本发明做进一步的描述。

参照图1，对本发明的具体步骤做进一步的描述。

步骤1.生成训练集。

提取N个类别目标的雷达回波信号，每个类别至少包含500个雷达回波信号，其中N表示目标的类别总数，N≥3。

利用区域CLEAN方法，对每个雷达回波信号进行杂波抑制；

所述的区域CLEAN方法步骤如下：

第一步，根据所提取的雷达回波信号的雷达工作参数，估计雷达回波中地杂波能量。

第二步，对每个雷达回波信号进行离散傅里叶变换，得到该回波信号的多普勒谱，将杂波频谱范围作为杂波区域，所述杂波频谱范围由杂波的类型确定。

第三步，利用下式，对每一个回波信号中的杂波区域中最大多普勒幅度对应的时域信号进行重构：

其中，C_i(t)表示第i个回波信号中杂波区域中最大多普勒幅度对应的时域信号重构后的时域信号在t时刻的信号幅度，Y_i表示在第i个回波信号的多普勒谱的杂波区域的最大多普勒幅度，K表示离散傅里叶变换的点数，exp表示以自然常数e为底的指数操作，j表示虚数单位符号，π表示圆周率，ξ_i表示与Y_i对应的多普勒频率，

表示与Y_i对应的相位。

第四步，用每一个回波信号减去重构后的时域信号，得到该回波处理后的信号。

第五步，计算每一个处理后的回波信号在杂波区域的能量。

第六步，判断每一个处理后的回波信号在杂波区域的能量是否小于地杂波能量，若是，得到该杂波抑制后的回波信号；否则，执行第二步。

利用全域CLEAN方法，对杂波抑制后的每个回波信号提取微动分量回波信号，将所有微动分量回波信号组成微动目标数据集。

所述的全域CLEAN方法步骤如下：

第一步，对每一个回波信号做离散傅里叶变换，获得该回波信号的多普勒谱。

第二步，利用下式，对每个回波信号中的主体分量回波信号进行重构：

其中，B_i(t)表示对第i个回波信号中主体分量回波信号进行重构后的主体分量回波信号在t时刻的信号幅度，R_i表示在第i个回波信号的多普勒谱中的最大多普勒幅度，f_i表示R_i对应的多普勒频率，θ_i表示R_i对应的相位。

第三步，用每一个杂波抑制后的回波信号减去重构后的时域信号，得到每个回波信号中的微动分量回波信号。

分别对微动目标数据集中每个类别的回波信号设置相应类别标签。

计算微动目标数据集中的每个微动分量回波信号的幅度信息，组成幅度数据集，对幅度数据集中每个样本进行能量归一化处理，得到归一化后的幅度数据集。

所述的计算每个微动分量回波信号的幅度信息的步骤如下：

第一步，利用下式，计算每个微动分量回波信号每个时刻的幅度值：

G_i(t)＝|D_i(t)|

其中，G_i(t)表示第i个微动分量回波信号在t时刻的幅度值，D_i(t)表示第i个微动分量回波信号在t时刻的强度，| |表示取模运算操作。

第二步，将每个微动分量回波信号的所有幅度值组成该微动分量回波信号的幅度信息。

计算微动目标数据集中的每个微动分量回波信号的相位信息，组成相位数据集。

所述的计算每个微动分量回波信号的相位信息的步骤如下：

第一步，利用下式，计算每个微动分量回波信号在每个时刻的相位值；

其中，φ_i(t)表示第i个微动分量回波信号在t时刻的相位值，arctan表示反正切函数，Im表示取虚部运算操作，Re表示取实部运算操作，D_i(t)表示第i个微动分量回波信号在t时刻的强度。

第二步，将每个微动分量回波信号的所有相位值组成该微动分量回波信号的相位信息。

将幅度数据集与相位数据集组成训练集。

步骤2.构建幅度相位双通道网络。

构建两个结构相同的特征提取模块，分别用于提取幅度特征与相位特征；每个特征提取模块的结构依次为：输入层，第一卷积层，第一激活层，第一池化层，第二卷积层，第二激活层，第二池化层，全连接层；将第一至第二卷积层的卷积核个数均设置为16，卷积核尺寸均设置为1×9，卷积核的输入通道数分别设置为1、16，输出通道数均设置为16；将第一至第二激活层的激活函数均设置为ReLU函数；将第一至第二池化层的池化核尺寸均设置为1×2，池化步长均设置为2，池化方式均设置为最大值池化；将全连接层的神经元个数设置为100。

构建一个由拼接维度为200的concat层，输出神经元个数为M的全连接层以及SoftMax层组成的特征融合分类模块，其中，输出神经元个数M与目标类别总数N相等，SoftMax层采用SoftMax激活函数用于计算输入回波信号被分类为每一类的概率。

将分别用于提取幅度特征与相位特征的两个模块并联后再与特征融合分类模块串联，组成幅度相位双通道网络。

参照图2，对本发明构建的幅度相位双通道网络的结构作进一步详细描述。

在图2中幅度相位双通道网络具有两个数据输入端，幅度信息与相位信息分别通过各自的输入端传入幅度特征提取模块与相位特征提取模块进行特征提取，再通过concat层与全连接层将幅度特征与相位特征进行拼接、融合，最后将融合特征传入SoftMax层得到识别结果。

步骤3.训练幅度相位双通道网络。

将训练集中的幅度数据集与相位数据集，分别输入到幅度相位双通道网络的幅度特征提取模块与相位特征提取模块中，输出幅度相位双通道网络的预测分类标签。

利用交叉熵损失函数，计算预测分类标签与目标真实类别标签间的损失，交叉熵损失函数如下：

其中，H表示交叉熵损失函数，Y_pre表示幅度相位双通道网络的预测分类标签，Y_train表示训练集中目标样本的真实类别标签，p＝1,2,…，N，p表示训练集中目标样本的类别序号，log表示以10为底的对数操作。

利用反向传播算法迭代更新网络参数，直到交叉熵损失函数收敛为止，得到训练好的幅度相位双通道网络。

步骤4.目标识别。

利用区域CLEAN方法，对每个待识别回波信号进行杂波抑制。

所述的区域CLEAN方法步骤如下：

第一步，根据所提取的雷达回波信号的雷达工作参数，估计雷达回波中地杂波能量。

第二步，对每个雷达回波信号进行离散傅里叶变换，得到该回波信号的多普勒谱，将杂波频谱范围作为杂波区域，所述杂波频谱范围由杂波的类型确定。

第三步，利用下式，对每一个回波信号中的杂波区域中最大多普勒幅度对应的时域信号进行重构：

其中，C_i(t)表示第i个回波信号中杂波区域中最大多普勒幅度对应的时域信号重构后的时域信号在t时刻的信号幅度，Y_i表示在第i个回波信号的多普勒谱的杂波区域的最大多普勒幅度，K表示离散傅里叶变换的点数，exp表示以自然常数e为底的指数操作，j表示虚数单位符号，π表示圆周率，ξ_i表示与Y_i对应的多普勒频率，

表示与Y_i对应的相位。

第四步，用每一个回波信号减去重构后的时域信号，得到该回波处理后的信号。

第五步，计算每一个处理后的回波信号在杂波区域的能量。

第六步，判断每一个处理后的回波信号在杂波区域的能量是否小于地杂波能量，若是，得到该杂波抑制后的回波信号；否则，执行第二步。

利用全域CLEAN方法，对每个杂波抑制后的回波信号提取微动分量回波信号。

所述的全域CLEAN方法步骤如下：

第一步，对每一个回波信号做离散傅里叶变换，获得该回波信号的多普勒谱。

第二步，利用下式，对每个回波信号中的主体分量回波信号进行重构：

其中，B_i(t)表示对第i个回波信号中主体分量回波信号进行重构后的主体分量回波信号在t时刻的信号幅度，R_i表示在第i个回波信号的多普勒谱中的最大多普勒幅度，f_i表示R_i对应的多普勒频率，θ_i表示R_i对应的相位。

第三步，用每一个杂波抑制后的回波信号减去重构后的时域信号，得到每个回波信号中的微动分量回波信号。

计算每个微动分量回波信号的幅度信息，对幅度信息进行能量归一化处理。

所述的计算每个微动分量回波信号的幅度信息的步骤如下：

第一步，利用下式，计算每个微动分量回波信号每个时刻的幅度值：

G_i(t)＝|D_i(t)|

其中，G_i(t)表示第i个微动分量回波信号在t时刻的幅度值，D_i(t)表示第i个微动分量回波信号在t时刻的强度，| |表示取模运算操作。

第二步，将每个微动分量回波信号的所有幅度值组成该微动分量回波信号的幅度信息。

计算每个微动分量回波信号的相位信息。

所述的计算每个微动分量回波信号的相位信息的步骤如下：

第一步，利用下式，计算每个微动分量回波信号在每个时刻的相位值；

其中，φ_i(t)表示第i个微动分量回波信号在t时刻的相位值，arctan表示反正切函数，Im表示取虚部运算操作，Re表示取实部运算操作，D_i(t)表示第i个微动分量回波信号在t时刻的强度。

第二步，将每个微动分量回波信号的所有相位值组成该微动分量回波信号的相位信息。

将每个微动分量回波信号的能量归一化后的幅度信息与相位信息分别输入到训练好的幅度相位双通道网络的幅度特征提取模块与相位特征提取模块中，通过SoftMax层计算出待识别目标被划分为各类别的概率，选择最高概率对应的类别作为识别结果。

下面结合仿真实验对本发明的效果做进一步的说明：

1、仿真实验条件：

本发明的仿真实验的硬件测试平台为：处理器为Intel Core i7 CPU，主频3.4GHz，内存16GB。

本发明的仿真实验的软件平台为：Windows 10操作系统、MatlabR2016a以及python3.6。

本发明的仿真实验所使用的训练数据集、测试数据集的目标回波均来自三类飞机目标的仿真数据，三类飞机目标的结构参数：桨叶个数、桨叶角、桨叶长度是在一定范围内随机产生的。雷达具体参数为：中心频率3000MHz，脉冲重复频率5KHz，驻留时间110ms。直升机、螺旋桨、喷气机各自随机生成1200组回波共3600组回波构成训练数据集，直升机、螺旋桨、喷气机各自随机生成800组回波共2400组回波构成测试数据集。

2、仿真内容及结果分析：

本发明的仿真实验是采用本发明和两个现有技术(支撑向量机SVM分类方法、卷积神经网络分类方法)分别对测试数据集进行识别，获得识别结果。

在仿真实验中，现有技术支撑向量机SVM分类方法是指：西安电子科技大学在其申请的专利文献“基于稳健性时频特征的地面目标分类方法”(专利申请号：CN201510475477.X，公开号：CN105044701A)中提出的雷达多普勒目标分类方法，简称支撑向量机SVM分类方法。

在仿真实验中，现有技术卷积神经网络分类方法是指：西安宁远电子电工技术有限公司在其申请的专利文献“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”(专利申请号：CN201911254099.7，申请公布号：CN111220958A)中提出的雷达多普勒目标分类方法。

使用本发明方法对测试数据集进行识别，首先将训练集中的幅度数据集与相位数据集输入幅度相位双通道网络，对幅度相位双通道网络进行训练，然后将测试数据集中的幅度数据集与相位数据集输入到训练好的幅度相位双通道网络模型中，得到对测试数据集的识别结果，统计本发明方法对各信噪比条件下的测试数据的识别准确率。

使用支撑向量机SVM分类方法对测试数据集进行识别，首先提取训练数据集中样本的时域特征(波形熵特征、中心距特征、幅值方差)以及频域特征(波形熵特征、中心距特征、幅值方差)，构成训练特征矩阵，然后将训练特征矩阵输入到支撑向量机SVM分类器中训练得到训练模型，然后对测试数据集采用相同的特征提取方法得到测试特征矩阵，结合训练模型和测试特征矩阵，得到对测试数据集的分类结果，统计支撑向量机SVM分类方法对各信噪比条件下的测试数据的识别准确率。

使用卷积神经网络分类方法进行识别，首先将预处理后的训练数据集的幅度信息输入卷积神经网络，对卷积神经网络进行训练，然后将测试数据集的幅度信息输入到训练好的卷积神经网络模型中，得到对测试数据集的识别结果，统计卷积神经网络分类方法对各信噪比条件下的测试数据的识别准确率。

将本发明方法、支撑向量机SVM分类方法、卷积神经网络分类方法对每个信噪比条件下的测试数据的识别准确率绘制为图3中的三条曲线。图3中以三角形标记的曲线表示采用本发明方法得到的测试数据的识别准确率与信噪比的关系曲线，以圆圈标记的曲线表示采用支撑向量机SVM分类方法得到的测试数据的识别准确率与信噪比的关系曲线，以星号标记的曲线表示采用卷积神经网络识别方法得到的测试数据的识别准确率与信噪比的关系曲线。图3中，横坐标表示测试数据的信噪比，分别为0dB、2.5dB、5dB、7.5dB、10dB、12.5dB、15dB、17.5dB、20dB，纵坐标表示对测试数据的识别准确率。

由图3可见，在每个信噪比条件下，本发明方法对测试数据的识别准确率均高于支撑向量机SVM分类方法，特别在0dB信噪比条件下，本发明方法对测试数据的识别准确率比支撑向量机SVM分类方法高出近20个百分点。在0dB-10dB信噪比条件下，本发明方法对测试数据的识别准确率比只利用幅度信息的卷积神经网络分类方法高出近2个百分点，证明本发明方法提出的技术能够实现对目标回波信息的充分利用从而提取到更具可分性的特征，提高了对目标识别的准确率。

将仿真实验中本发明方法和两个现有技术分别对测试数据集识别的耗时情况绘制成表1。

从表1可以看出，本发明方法的识别耗时少于现有技术的识别耗时，证明本发明方法具备更好的实时性。

表1.本发明仿真实验对测试数据集分类耗时一览表

分类方法	时间
		本发明方法	10秒
支撑向量机SVM分类方法	242秒
		卷积神经网络分类方法	11秒

以上仿真实验表明，本发明提出的基于幅度相位双通道网络的雷达微多普勒目标识别方法有着实时性好，识别准确率高等特点，因而本发明提出的方法对雷达微多普勒目标识别性能更好，具有重要的实际意义。

Claims (6)

1.一种基于幅度相位双通道网络的雷达微多普勒目标识别方法，其特征在于，构建由幅度特征提取模块和相位特征提取模块组成的双通道网络，利用微动分量回波信号的幅度信息与相位信息训练该双通道网络，该方法的步骤包括如下：

(1)生成训练集：

(1a)提取N个类别目标的雷达回波信号，每个类别至少包含500个雷达回波信号，其中，N表示目标的类别总数，N≥3；

(1b)利用区域CLEAN方法，对每个雷达回波信号进行杂波抑制；

(1c)利用全域CLEAN方法，对杂波抑制后的每个回波信号提取微动分量回波信号，将所有微动分量回波信号组成微动目标数据集；

(1d)分别对微动目标数据集中每个类别的回波信号设置相应类别标签；

(1e)计算微动目标数据集中的每个微动分量回波信号的幅度信息，组成幅度数据集，对幅度数据集中每个样本进行能量归一化处理，得到归一化后的幅度数据集；

(1f)计算微动目标数据集中的每个微动分量回波信号的相位信息，组成相位数据集；

(1g)将幅度数据集与相位数据集组成训练集；

(2)构建幅度相位双通道网络：

(2a)构建两个结构相同的特征提取模块，分别用于提取幅度特征与相位特征；每个特征提取模块的结构依次为：输入层，第一卷积层，第一激活层，第一池化层，第二卷积层，第二激活层，第二池化层，全连接层；将第一至第二卷积层的卷积核个数均设置为16，将第一至第二卷积层的卷积核尺寸均设置为1×9，将第一卷积层的卷积核输入通道数设置为1，将第二卷积层的卷积核输入通道数设置为16，将第一至第二卷积层的卷积核输出通道数均设置为16；将第一至第二激活层的激活函数均设置为ReLU函数；将第一至第二池化层的池化核尺寸均设置为1×2，池化步长均设置为2，池化方式均设置为最大值池化；将全连接层的神经元个数设置为100；

(2b)构建一个由拼接维度为200的concat层，输出神经元个数为M的全连接层以及SoftMax层组成的特征融合分类模块，其中，输出神经元个数M与目标类别总数N相等，SoftMax层采用SoftMax激活函数用于计算输入回波信号被分类为每一类的概率；

(2c)将分别用于提取幅度特征与相位特征的两个模块并联后再与特征融合分类模块串联，组成幅度相位双通道网络；

(3)训练幅度相位双通道网络：

(3a)将训练集中的幅度数据集与相位数据集，分别输入到幅度相位双通道网络的幅度特征提取模块与相位特征提取模块中，输出幅度相位双通道网络的预测分类标签；

(3b)利用交叉熵损失函数，计算预测分类标签与目标真实类别标签间的损失，再利用反向传播算法迭代更新网络参数，直到交叉熵损失函数收敛为止，得到训练好的幅度相位双通道网络；

(4)目标识别：

(4a)利用区域CLEAN方法，对每个待识别回波信号进行杂波抑制；

(4b)利用全域CLEAN方法，对杂波抑制后的每个回波信号提取微动分量回波信号；

(4c)计算每个微动分量回波信号的幅度信息，对幅度信息进行能量归一化处理；

(4d)计算每个微动分量回波信号的相位信息；

(4e)将每个微动分量回波信号的能量归一化后的幅度信息与相位信息分别输入到训练好的幅度相位双通道网络的幅度特征提取模块与相位特征提取模块中，通过SoftMax层计算出待识别目标被划分为各类别的概率，选择最高概率对应的类别作为识别结果。

2.根据权利要求1所述的基于幅度相位双通道网络的雷达微多普勒目标识别方法，其特征在于，步骤(1b)、(4a)中所述区域CLEAN方法的步骤如下：

第一步，根据所提取的雷达回波信号的雷达工作参数，估计雷达回波中地杂波能量；

第二步，对每个雷达回波信号进行离散傅里叶变换，得到该回波信号的多普勒谱，将杂波频谱范围作为杂波区域，所述杂波频谱范围由杂波的类型确定；

第三步，利用下式，对每一个回波信号中的杂波区域中最大多普勒幅度对应的时域信号进行重构：

其中，C_i(t)表示第i个回波信号中杂波区域中最大多普勒幅度对应的时域信号重构后的时域信号在t时刻的信号幅度，Y_i表示在第i个回波信号的多普勒谱的杂波区域的最大多普勒幅度，K表示离散傅里叶变换的点数，exp表示以自然常数e为底的指数操作，j表示虚数单位符号，π表示圆周率，ξ_i表示与Y_i对应的多普勒频率，

表示与Y_i对应的相位；

第四步，用每一个回波信号减去重构后的时域信号，得到该回波处理后的信号；

第五步，计算每一个处理后的回波信号在杂波区域的能量；

第六步，判断每一个处理后的回波信号在杂波区域的能量是否小于地杂波能量，若是，得到该杂波抑制后的回波信号；否则，执行第二步。

3.根据权利要求2所述的基于幅度相位双通道网络的雷达微多普勒目标识别方法，其特征在于，步骤(1c)、步骤(4b)中所述全域CLEAN方法的步骤如下：

第一步，对每一个回波信号做离散傅里叶变换，获得该回波信号的多普勒谱；

第二步，利用下式，对每个回波信号中的主体分量回波信号进行重构：

其中，B_i(t)表示对第i个回波信号中主体分量回波信号进行重构后的主体分量回波信号在t时刻的信号幅度，R_i表示在第i个回波信号的多普勒谱中的最大多普勒幅度，f_i表示R_i对应的多普勒频率，θ_i表示R_i对应的相位；

第三步，用每一个杂波抑制后的回波信号减去重构后的时域信号，得到每个回波信号中的微动分量回波信号。

4.根据权利要求1所述的基于幅度相位双通道网络的雷达微多普勒目标识别方法，其特征在于，步骤(1e)、步骤(4c)中所述的计算每个微动分量回波信号的幅度信息的步骤如下：

第一步，利用下式，计算每个微动分量回波信号每个时刻的幅度值：

G_i(t)＝|D_i(t)|

其中，G_i(t)表示第i个微动分量回波信号在t时刻的幅度值，D_i(t)表示第i个微动分量回波信号在t时刻的强度，| |表示取模操作；

第二步，将每个微动分量回波信号的所有幅度值组成该微动分量回波信号的幅度信息。

5.根据权利要求4所述的基于幅度相位双通道网络的雷达微多普勒目标识别方法，其特征在于，步骤(1f)、步骤(4d)中所述的计算每个微动分量回波信号的相位信息的步骤如下：

第一步，利用下式，计算每个微动分量回波信号在每个时刻的相位值；

其中，φ_i(t)表示第i个微动分量回波信号在t时刻的相位值，arctan表示反正切函数，Im表示取虚部操作，Re表示取实部操作；

第二步，将每个微动分量回波信号的所有相位值组成该微动分量回波信号的相位信息。

6.根据权利要求1所述的基于幅度相位双通道网络的雷达微多普勒目标识别方法，其特征在于，步骤(3b)中所述交叉熵损失函数如下：

其中，H表示交叉熵损失函数，Y_pre表示幅度相位双通道网络的预测分类标签，Y_train表示训练集中目标样本的真实类别标签，p＝1,2,…，N，p表示训练集中目标样本的类别序号，log表示以10为底的对数操作。

Images