CN113095354B - 基于辐射源特征子空间知识的未知雷达目标识别方法 - Google Patents

Abstract

本发明公开了一种基于辐射源特征子空间知识的未知雷达目标识别方法，属于雷达与人工智能领域，包括以下步骤：S1、采用已知雷达目标数据构建训练集，采用训练集对分类识别模型进行训练，得到训练完成的分类识别模型；S2、获取训练完成的分类识别模型对输入的雷达目标测试样本处理输出的高维特征向量，基于高维特征向量，构建中心矩阵，对中心矩阵进行奇异值分解，得到零值域子空间；S3、计算测试样本在值域子空间与零域子空间的投影的向量长度的比值，确定判决门限；S4、基于判决门限，判断新的待识别的雷达目标属于已知的雷达目标或未知的雷达目标；本发明解决了现有技术无法对雷达未知目标进行准确识别的问题。

Description

基于辐射源特征子空间知识的未知雷达目标识别方法

技术领域

本发明涉及雷达与人工智能领域，具体涉及一种基于辐射源特征子空间知识的未知雷达目标识别方法。

背景技术

典型雷达未知目标识别的方法：

A、基于目标聚类的方法：在获得雷达目标信号之后，对雷达数据进行预处理获得其特征数据，通过聚类的方法，在聚类空间中，将同属于一类的雷达目标信号聚集，不同类的雷达目标信号远离。

B、基于神经网络特征提取的方法：在获得雷达目标信号之后，对雷达数据进行预处理送入神经网络进行特征提取，获得高维向量。对高维向量进行分析，获得每一类雷达信号的特征数据，通过比较距离等相似度判决的方法区分已知与未知目标。

典型雷达未知目标识别方法存在的缺点

A、基于目标聚类的方法：目前雷达主要以多功能雷达为主，同一类雷达也会有不同工作模式，其信号特征也各不相同，对雷达数据进行预处理无法有效获得同一类雷达的典型特征数据。通过聚类的方法，在聚类空间中，也会将同一类雷达信号分成多类，无法达到聚类的目的。且该方法对目标数据量要求过大，在接收到较少数据时，聚类效果不明显。

B、基于神经网络特征提取的方法：该方法很大程度依赖于神经网络的构造，且需要对损失函数进行针对性的设计，对提取出来的特征向量也要通过降维等方法来确定判决门限，识别效果的好坏受到以上多方面的影响。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于辐射源特征子空间知识的未知雷达目标识别方法解决了现有技术无法对雷达未知目标进行准确识别的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于辐射源特征子空间知识的未知雷达目标识别方法，包括以下步骤：

S1、采用已知雷达目标数据构建训练集，采用训练集对分类识别模型进行训练，得到训练完成的分类识别模型；

S2、获取训练完成的分类识别模型对输入的雷达目标测试样本处理输出的高维特征向量，基于高维特征向量，构建中心矩阵，对中心矩阵进行奇异值分解，得到零值域子空间；

S3、计算测试样本在值域子空间与零域子空间的投影的向量长度的比值，确定判决门限；

S4、基于判决门限，判断新的待识别的雷达目标属于已知的雷达目标或未知的雷达目标。

进一步地，步骤S1中分类识别模型包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第一全连接层、第二全连接层、第三全连接层和softmax层；

所述输入层的数据维度为100*100*3；

所述第一卷积层、第二卷积层和第三卷积层的卷积核大小均为3*3，深度均为32；

所述第一卷积层、第二卷积层和第三卷积层用于在实施过程中均采用0填充方式，以步长为1不断地移动卷积核得到相应感受野的特征信息，并将特征信息进行组合；

所述第一池化层、第二池化层和第三池化层均为最大池化层，最大池化层的核尺寸为2*2；

所述第一池化层、第二池化层和第三池化层用于在实施过程中采用0填充的方式，以步长为2进行移动。

进一步地，步骤S1中训练完成的分类识别模型包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第一全连接层、第二全连接层和第三全连接层。

进一步地，第一全连接层、第二全连接层和第三全连接层的结构均为：每个输入节点分别与每一个输出节点连接，其具体表达式为：

其中，c_i为第i个输出节点的值，n为输入节点的数量，w_ik为第k个输入节点和第i个输出节点的连接权重，a_k为第k个输入节点的输入值，b_i为第i个输出节点的偏置，σ()为激活函数。

进一步地，步骤S2中包括以下分步骤：

S21、采用训练完成的分类识别模型对每一个已知雷达目标测试样本进行处理，得到高维特征向量；

S22、记录所有已知雷达目标测试样本经训练完成的分类识别模型进行处理后的高维特征向量；

S23、计算步骤S22中每个高维特征向量的中心值；

S24、将每个中心值组成中心矩阵，对中心矩阵进行奇异值分解，得到零值域子空间。

进一步地，步骤S23的计算公式为：

其中，Bⁱ为第i个高维特征向量的中心值，

为第i个已知雷达目标的第j个测试样本对应的高维特征向量，K为每个已知雷达目标的测试样本数量，为实数域，n为训练完成的分类识别模型输出的高维特征向量的维度，m为已知雷达目标的种类数。

进一步地，步骤S24中计算零值域子空间的公式为：

SVD(D)＝[U]∑[V]^T＝[U]∑[v₁v₂]^T

D＝(B¹,B²,…,B^m)^T D∈R^m×n∑∈R^m×nv₁∈R^n×mv₂∈R^n×(n-m)

其中，SVD()为奇异值分解函数，D为中心矩阵，U为m×m的矩阵，∑为m×n的矩阵，矩阵∑除了主对角线上的元素以外全为0，主对角线上的每个元素为奇异值，奇异值的大小从左上到右下依次减小，V为n×n的零值域子空间，v₁为值域子空间，v₂为零域子空间。

上述进一步方案的有益效果为：将通过分类识别模型获取到的已知辐射源目标测试样本的高维特征向量处理成可用于进行已知与未知辐射源目标识别的特征子空间的知识。解决了单纯依靠神经网络进行已知与未知辐射源目标识别时，需要设计网络结构与损失函数的缺点。

进一步地，步骤S24中计算零值域子空间的方法为：

A1、计算中心矩阵的转置矩阵D^T与中心矩阵的乘积D^TD；

A2、通过特征值方程对乘积D^TD求特征值λ，其特征值方程为：

D^TDx＝λx

(D^TD-λE)x＝0

其中，E为单位矩阵；

A3、根据特征值λ，计算特征向量x，并对特征向量x进行单位化，得到零值域子空间V，零值域子空间V由值域子空间v₁与零域子空间v₂构成。

上述进一步方案的有益效果为：具体解决了如何将已知辐射源目标测试样本的高维特征向量所组成的中心矩阵处理为了辐射源的特征子空间的问题。

进一步地，步骤S3包括以下分步骤：

S31、将已知雷达的测试样本输入训练完成的分类识别模型，得到已知雷达对应的高维特征向量；

S32、将步骤S31中每一个高维特征向量投影至零值域子空间，并计算投影到值域子空间与零域子空间的向量的长度的比值，其计算公式为：

a∈R^1×nv₁∈R^n×mv₂∈R^n×(n-m)

其中，ζ₁为测试样本对应的比值，a为步骤S31中测试样本通过分类识别模型获得的高维特征向量，v₁为值域子空间，v₂为零域子空间，||||²为向量的二范数，n为训练完成的分类识别模型输出的高维特征向量的维度，m为已知雷达目标的种类数；

S33、统计已知雷达目标比值范围，确定判决门限。

上述进一步方案的有益效果为：将测试的雷达样本的高维特征向量映射到值域子空间与零域子空间得到映射后的向量，通过计算值域子空间与零域子空间的向量的长度的比值，得到了用于判决已知与未知雷达目标的判决门限。

进一步地，步骤S4包括以下分步骤：

S41、将新的待识别的雷达的数据输入训练完成的分类识别模型，得到该待识别的雷达对应的高维特征向量；

S42、将步骤S41中的高维特征向量投影至零值域子空间，并计算投影到值域子空间与零域子空间的向量的长度的比值，其计算公式为：

b∈R^1×nv₁∈R^n×mv₂∈R^n×(n-m)

其中，ζ₂为待识别的雷达数据对应的比值，b为步骤S41中待识别的雷达目标的数据通过分类识别模型获得的高维特征向量，v₁为值域子空间，v₂为零域子空间，||||²为向量的二范数；

S43、将计算所得的待识别的雷达目标的比值与判决门限比较，当比值大于判决门限时，待识别的雷达目标属于已知雷达目标，当比值小于等于判决门限时，待识别的雷达目标属于未知雷达目标。

上述进一步方案的有益效果为：针对分类识别模型所获得的高维特征向量的辐射源特征子空间，通过求解二范数的比值实现了对已知与未知雷达辐射源目标的识别。解决了需对神经网络的进行针对性改进与传统聚类方法无法通过对雷达辐射源目标进行有效聚类来识别未知雷达目标的缺点。

综上，本发明的有益效果为：本发明有效结合了人工智能领域与传统信号处理领域的技术，减少了单纯通过神经网络进行未知识别的计算量以及解决了需对神经网络的网络结构与损失函数进行针对性改进的缺点，并解决了传统聚类方法无法对于多功能雷达进行有效聚类的问题，提高了计算速度与识别准确率。

附图说明

图1为一种基于辐射源特征子空间知识的未知雷达目标识别方法的流程图；

图2为分类识别模型的结构图；

图3为输入节点与输出节点的连接关系图；

图4为一种基于辐射源特征子空间知识的未知雷达目标识别方法详细流程图；

图5为已知雷达目标与未知雷达目标的判决流程图；

图6为训练完成的分类识别模型识别准确率变化图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1和4所示，一种基于辐射源特征子空间知识的未知雷达目标识别方法，包括以下步骤：

S1、采用已知雷达目标数据构建训练集，将多功能雷达的每个雷达工作状态作为待分类的类别，采用训练集对分类识别模型进行训练，得到训练完成的分类识别模型；

训练模型时的输出层为softmax层，输入数据为雷达信号的PRI、PW、RF三个维度的信息，输出向量的维度为已知雷达的类别数。如图2所示，步骤S1中分类识别模型包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第一全连接层、第二全连接层、第三全连接层和softmax层；

所述输入层的数据维度为100*100*3；

所述第一卷积层、第二卷积层和第三卷积层的卷积核大小均为3*3，深度均为32，第一卷积层的输入数据维度为100*100*3，第一卷积层的输出数据维度为100*100*32；

所述第一卷积层、第二卷积层和第三卷积层用于在实施过程中均采用0填充方式，以步长为1不断地移动卷积核得到相应感受野的特征信息，并将特征信息进行组合；

所述第一池化层、第二池化层和第三池化层均为最大池化层，最大池化层的核尺寸为2*2，在卷积层后加入最大池化层用于加快速度并防止过拟合；

所述第一池化层、第二池化层和第三池化层用于在实施过程中采用0填充的方式，以步长为2进行移动，第一池化层的输出维度为50*50*32。

在分类识别模型训练完成后，对网络的输出层进行修改，选择softmax层的前一层的全连接层作为输出，此时获得的输出为经过神经网络特征提取后的高维特征向量。因此，步骤S1中训练完成的分类识别模型包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第一全连接层、第二全连接层和第三全连接层。

第一全连接层、第二全连接层和第三全连接层的结构均为：每个输入节点分别与每一个输出节点连接，如图3所示，其具体表达式为：

其中，c_i为第i个输出节点的值，n为输入节点的数量，w_ik为第k个输入节点和第i个输出节点的连接权重，a_k为第k个输入节点的输入值，b_i为第i个输出节点的偏置，σ()为激活函数，通过σ()为激活函数去线性化处理，得到输出节点的值，激活函数σ()可以使用Relu，LeakRelu，Sigmoid，Tanh等函数。

构建好整个分类识别模型的结构后，采用反向传播不断更新分类识别模型中的卷积核、全连接层的权重和偏置等参数，同时为了防止模型过拟合，中间两层全连接层在训练时使用了Dropout的方式随机隐藏部分输出节点。

S2、获取训练完成的分类识别模型输出的高维特征向量，基于高维特征向量，构建中心矩阵，对中心矩阵进行奇异值分解，得到零值域子空间；

步骤S2中包括以下分步骤：

S21、采用训练完成的分类识别模型对每一个已知雷达目标训练样本进行处理，得到高维特征向量；

S22、记录所有已知雷达目标训练样本经训练完成的分类识别模型进行处理后的高维特征向量；

S23、计算步骤S22中每个高维特征向量的中心值；

步骤S23的计算公式为：

其中，Bⁱ为第i个高维特征向量的中心值，

为第i个已知雷达目标的第j个训练样本对应的高维特征向量，K为每个已知雷达目标的训练样本数量，为实数域，n为训练完成的分类识别模型输出的高维特征向量的维度，m为已知雷达目标的种类数。

S24、将每个中心值组成中心矩阵，对中心矩阵进行奇异值分解，得到零值域子空间。

步骤S24中计算零值域子空间的公式为：

SVD(D)＝[U]∑[V]^T＝[U]∑[v₁v₂]^T

D＝(B¹,B²,…,B^m)^T D∈R^m×n∑∈R^m×nv₁∈R^n×mv₂∈R^n×(n-m)

其中，SVD()为奇异值分解函数，D为中心矩阵，U为m×m的矩阵，∑为m×n的矩阵，矩阵∑除了主对角线上的元素以外全为0，主对角线上的每个元素为奇异值，奇异值的大小从左上到右下依次减小，V为n×n的零值域子空间，v₁为值域子空间，v₂为零域子空间。

步骤S24中计算零值域子空间的方法为：

A1、计算中心矩阵的转置矩阵D^T与中心矩阵的乘积D^TD；

A2、通过特征值方程对乘积D^TD求特征值λ，其特征值方程为：

D^TDx＝λx

(D^TD-λE)x＝0

其中，E为单位矩阵；

A3、根据特征值λ，计算特征向量x，并对特征向量x进行单位化，得到零值域子空间V，零值域子空间V由值域子空间v₁与零域子空间v₂构成。

S3、计算测试样本在值域子空间与零域子空间的投影的向量长度的比值，确定判决门限。

步骤S3包括以下分步骤：

S31、将已知雷达的测试样本输入训练完成的分类识别模型，得到已知雷达对应的高维特征向量；

S32、将步骤S31中每一个高维特征向量投影至零值域子空间，并计算投影到值域子空间与零域子空间的向量的长度的比值，其计算公式为：

a∈R^1×nv₁∈R^n×mv₂∈R^n×(n-m)

其中，ζ₁为测试样本对应的比值，a为步骤S31中测试样本通过分类识别模型获得的高维特征向量，v₁为值域子空间，v₂为零域子空间，||||²为向量的二范数，n为训练完成的分类识别模型输出的高维特征向量的维度，m为已知雷达目标的种类数；

S33、统计已知雷达目标比值范围，确定判决门限。

S4、基于判决门限，判断新的待识别的雷达目标属于已知的雷达目标或未知的雷达目标，如图5所示。

步骤S4包括以下分步骤：

S41、将新的待识别的雷达的数据输入训练完成的分类识别模型，得到该待识别的雷达对应的高维特征向量；

S42、将步骤S41中的高维特征向量投影至零值域子空间，并计算投影到值域子空间与零域子空间的向量的长度的比值，其计算公式为：

b∈R^1×nv₁∈R^n×mv₂∈R^n×(n-m)

其中，ζ₂为待识别的雷达数据对应的比值，b为步骤S41中待识别的雷达目标的数据通过分类识别模型获得的高维特征向量，v₁为值域子空间，v₂为零域子空间，||||²为向量的二范数；

S43、将计算所得的待识别的雷达目标的比值与判决门限比较，当比值大于判决门限时，待识别的雷达目标属于已知雷达目标，当比值小于等于判决门限时，待识别的雷达目标属于未知雷达目标。

图6为训练完成的分类识别模型识别准确率变化图。

本发明识别准确率统计如下：

表1

识别类别总数	已知类识别准确率(％)	未知类识别准确率(％)
			已知类55种+未知类10种	99.7	98.3

Claims (9)

1.一种基于辐射源特征子空间知识的未知雷达目标识别方法，其特征在于，包括以下步骤：

S1、采用已知雷达目标数据构建训练集，采用训练集对分类识别模型进行训练，得到训练完成的分类识别模型；

S2、获取训练完成的分类识别模型对输入的雷达目标测试样本处理输出的高维特征向量，基于高维特征向量，构建中心矩阵，对中心矩阵进行奇异值分解，得到零值域子空间；

S3、计算测试样本在值域子空间与零域子空间的投影的向量长度的比值，确定判决门限；

所述步骤S3包括以下分步骤：

S31、将已知雷达的测试样本输入训练完成的分类识别模型，得到已知雷达对应的高维特征向量；

S32、将步骤S31中每一个高维特征向量投影至零值域子空间，并计算投影到值域子空间与零域子空间的向量的长度的比值，其计算公式为：

a∈R^1×nv₁∈R^n×mv₂∈R^n×(n-m)

其中，ζ₁为测试样本对应的比值，a为步骤S31中测试样本通过分类识别模型获得的高维特征向量，v₁为值域子空间，v₂为零域子空间，|| ||²为向量的二范数，n为训练完成的分类识别模型输出的高维特征向量的维度，m为已知雷达目标的种类数；

S33、统计已知雷达目标的比值范围，确定判决门限；

S4、基于判决门限，判断新的待识别的雷达目标属于已知的雷达目标或未知的雷达目标。

2.根据权利要求1所述的基于辐射源特征子空间知识的未知雷达目标识别方法，其特征在于，所述步骤S1中分类识别模型包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第一全连接层、第二全连接层、第三全连接层和softmax层；

所述输入层的数据维度为100*100*3；

所述第一卷积层、第二卷积层和第三卷积层的卷积核大小均为3*3，深度均为32；

所述第一卷积层、第二卷积层和第三卷积层用于在实施过程中均采用0填充方式，以步长为1不断地移动卷积核得到相应感受野的特征信息，并将特征信息进行组合；

所述第一池化层、第二池化层和第三池化层均为最大池化层，最大池化层的核尺寸为2*2；

所述第一池化层、第二池化层和第三池化层用于在实施过程中采用0填充的方式，以步长为2进行移动。

3.根据权利要求1所述的基于辐射源特征子空间知识的未知雷达目标识别方法，其特征在于，所述步骤S1中训练完成的分类识别模型包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第一全连接层、第二全连接层和第三全连接层。

4.根据权利要求3所述的基于辐射源特征子空间知识的未知雷达目标识别方法，其特征在于，所述第一全连接层、第二全连接层和第三全连接层的结构均为：每个输入节点分别与每一个输出节点连接，其具体表达式为：

其中，c_i为第i个输出节点的值，n为输入节点的数量，w_ik为第k个输入节点和第i个输出节点的连接权重，a_k为第k个输入节点的输入值，b_i为第i个输出节点的偏置，σ()为激活函数。

5.根据权利要求1所述的基于辐射源特征子空间知识的未知雷达目标识别方法，其特征在于，所述步骤S2中包括以下分步骤：

S21、采用训练完成的分类识别模型对每一个已知雷达目标测试样本进行处理，得到高维特征向量；

S22、记录所有已知雷达目标测试样本经训练完成的分类识别模型进行处理后的高维特征向量；

S23、计算步骤S22中每个高维特征向量的中心值；

S24、将每个中心值组成中心矩阵，对中心矩阵进行奇异值分解，得到零值域子空间。

6.根据权利要求5所述的基于辐射源特征子空间知识的未知雷达目标识别方法，其特征在于，所述步骤S23的计算公式为：

其中，Bⁱ为第i个高维特征向量的中心值，

为第i个已知雷达目标的第j个测试样本对应的高维特征向量，K为每个已知雷达目标的测试样本数量，R为实数域，n为训练完成的分类识别模型输出的高维特征向量的维度，m为已知雷达目标的种类数。

7.根据权利要求6所述的基于辐射源特征子空间知识的未知雷达目标识别方法，其特征在于，所述步骤S24中计算零值域子空间的公式为：

SVD(D)＝[U]∑[V]^T＝[U]∑[v₁v₂]^T

D＝(B¹，B²，...，B^m)^T D∈R^m×n ∑∈R^m×nv₁∈R^n×mv₂∈R^n×(n-m)

其中，SVD()为奇异值分解函数，D为中心矩阵，U为m×m的矩阵，∑为m×n的矩阵，矩阵∑除了主对角线上的元素以外全为0，主对角线上的每个元素为奇异值，奇异值的大小从左上到右下依次减小，V为n×n的零值域子空间，v₁为值域子空间，v₂为零域子空间。

8.根据权利要求7所述的基于辐射源特征子空间知识的未知雷达目标识别方法，其特征在于，所述步骤S24中计算零值域子空间的方法为：

A1、计算中心矩阵的转置矩阵D^T与中心矩阵的乘积D^TD；

A2、通过特征值方程对乘积D^TD求特征值λ，其特征值方程为：

D^TDx＝λx

(D^TD-λE)x＝0

其中，E为单位矩阵；

A3、根据特征值λ，计算特征向量x，并对特征向量x进行单位化，得到零值域子空间V，零值域子空间V由值域子空间v₁与零域子空间v₂构成。

9.根据权利要求1所述的基于辐射源特征子空间知识的未知雷达目标识别方法，其特征在于，所述步骤S4包括以下分步骤：

S41、将新的待识别的雷达的数据输入训练完成的分类识别模型，得到该待识别的雷达对应的高维特征向量；

S42、将步骤S41中的高维特征向量投影至零值域子空间，并计算投影到值域子空间与零域子空间的向量的长度的比值，其计算公式为：

b∈R^1×nv₁∈R^n×mv₂∈R^n×(n-m)

其中，ζ₂为待识别的雷达数据对应的比值，b为步骤S41中待识别的雷达目标的数据通过分类识别模型获得的高维特征向量，v₁为值域子空间，v₂为零域子空间，|| ||²为向量的二范数；

S43、将计算所得的待识别的雷达目标的比值与判决门限比较，当比值大于判决门限时，待识别的雷达目标属于已知雷达目标，当比值小于等于判决门限时，待识别的雷达目标属于未知雷达目标。

Images