CN113534065B - 一种雷达目标微动特征提取与智能分类方法及系统 - Google Patents
一种雷达目标微动特征提取与智能分类方法及系统 Download PDFInfo
- Publication number
- CN113534065B CN113534065B CN202110818621.0A CN202110818621A CN113534065B CN 113534065 B CN113534065 B CN 113534065B CN 202110818621 A CN202110818621 A CN 202110818621A CN 113534065 B CN113534065 B CN 113534065B
- Authority
- CN
- China
- Prior art keywords
- radar
- micro
- target
- dimensional data
- distance
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000000605 extraction Methods 0.000 title claims abstract description 34
- 230000006835 compression Effects 0.000 claims abstract description 52
- 238000007906 compression Methods 0.000 claims abstract description 52
- 238000001514 detection method Methods 0.000 claims abstract description 41
- 238000003062 neural network model Methods 0.000 claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000011426 transformation method Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 230000001629 suppression Effects 0.000 claims description 16
- 230000005284 excitation Effects 0.000 claims description 15
- 238000013145 classification model Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 10
- 238000012935 Averaging Methods 0.000 claims description 8
- 238000009825 accumulation Methods 0.000 claims description 8
- 238000013519 translation Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 230000001427 coherent effect Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000000737 periodic effect Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 68
- 230000006870 function Effects 0.000 description 39
- 238000010586 diagram Methods 0.000 description 12
- 230000009466 transformation Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000036039 immunity Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000036461 convulsion Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 230000035485 pulse pressure Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/292—Extracting wanted echo-signals
- G01S7/2923—Extracting wanted echo-signals based on data belonging to a number of consecutive radar periods
- G01S7/2927—Extracting wanted echo-signals based on data belonging to a number of consecutive radar periods by deriving and controlling a threshold value
-
- 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
- G01S7/415—Identification of targets based on measurements of movement associated with the target
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种雷达目标微动特征提取与智能分类方法及系统，属于雷达目标识别领域，首先获取雷达回波数据，经脉冲压缩后得到雷达二维数据；雷达二维数据为距离‑方位二维数据或者距离‑慢时间二维数据；然后再对雷达二维数据进行雷达目标检测，确定雷达目标所在的单元；再获取雷达目标所在的单元的待提取微动特征的目标数据；然后采用稀疏时频分析法或高分辨压缩变换法进行微动特征提取；最终将提取到的微动特征输入至多尺度神经网络模型中，得到微动特征的分类结果。本发明可有效提升对雷达目标微动特征的识别分类精度。
Description
技术领域
本发明涉及雷达目标识别领域，特别是涉及一种雷达目标微动特征提取与智能分类方法及系统。
背景技术
基于雷达回波信号幅度信息进行例如海面等环境下的目标检测时，受环境影响，存在海尖峰或信杂比(Signal-to-Clutter Ratio，SCR)较低时，由于杂波与目标幅度特征类似，检测性能有限。而雷达回波信号中不仅包含回波幅度信息，还包含相位信息。微多普勒技术的发展为目标检测与分类提供了有效途径，研究表明海面目标也具有微动特性，主要表现为目标速度的变化和目标受海浪影响发生的横滚、俯仰和偏航等姿态变化，这些变化信息均表现为目标或散射点瞬时速度的变化，可反映目标的运动状态，为海上目标的检测和识别提供更多的有效信息。目标与海杂波在速度变化上存在差异，微多普勒可反映目标或散射点瞬时速度变化，为目标检测提供更多有效信息，时间-多普勒谱成为海面目标检测中重要的信号形式。信号时频分析方法是变换域处理的一类特例，其用于雷达目标检测本质是对目标信号进行相参积累，从而达到改善信杂比的目的，如线性变换的短时傅里叶变换(Short-time Fourier Transform，STFT)、分数阶傅里叶变换(Fractional FourierTransform，FRFT)等；非线性变换的维格纳威利分布(Wigner-Vill Distribution，WVD)、分数阶模糊函数(Fractional Ambiguity Function，FRAF)等，但该类方法分辨率有限，并且需与目标运动特性相匹配时才能达到较高的积累增益，对海杂波背景下的复杂运动目标检测性能有限。海面目标微动特征并不具有较为规律的调频周期特性，其时变性导致其存在检测、提取和识别难的问题，亟需发展和研究更加智能化的方法和手段。
目前，对于实际雷达，尚未有完整的提取微动特征以及利用微动特征进行分类的方法，尤其是实现高分辨微动特征提取的同时，如何快速有效的实现目标运动状态的分类识别是实际工程应用中亟需解决的问题。
发明内容
本发明的目的是提供一种雷达目标微动特征提取与智能分类方法及系统，以提高雷达目标微动特征的提取和分类识别能力，提升对雷达目标微动特征的分类精度，解决现有技术中存在的雷达目标微动特征检测、提取和识别难的问题。
为实现上述目的，本发明提供了如下方案：
一种雷达目标微动特征提取与智能分类方法，包括：
获取雷达回波数据，经脉冲压缩后得到雷达二维数据；所述雷达二维数据为距离-方位二维数据或者距离-慢时间二维数据；
根据所述雷达二维数据进行雷达目标检测，确定所述雷达目标所在的单元；所述单元为距离-方位单元或距离单元；
获取所述雷达目标所在的单元的待提取微动特征的目标数据；
采用稀疏时频分析法或高分辨压缩变换法提取所述微动特征；
将所述微动特征输入到神经网络分类模型中，得到所述微动特征的分类结果。
可选的，所述获取雷达回波数据，经脉冲压缩后得到雷达二维数据，具体包括：
对于扫描体制雷达，获取所述扫描体制雷达的距离-方位二维回波数据；
对于凝视探测或驻留模式雷达，获取所述凝视探测或驻留模式雷达的距离-慢时间二维回波数据；
对所述距离-方位二维回波数据或所述距离-慢时间二维回波数据进行匹配滤波处理，得到脉冲压缩后的所述距离-方位二维数据或所述距离-慢时间二维数据。
可选的，所述根据所述雷达二维数据进行雷达目标检测，确定所述雷达目标所在的单元，具体包括：
将所述雷达二维数据与预设虚警概率条件下的恒虚警检测器的门限进行比较，根据比较结果判断是否存在所述雷达目标；
若所述雷达二维数据超过所述门限，则判断为存在所述雷达目标，则确定所述雷达目标位于所述距离-方位单元或者所述距离单元；
若所述雷达二维数据未超过所述门限，则判断为不存在所述雷达目标，此时继续对其他所述雷达目标进行检测。
可选的，所述获取所述雷达目标所在的单元的待提取微动特征的目标数据，具体包括：
当所述雷达目标所在的单元为所述距离-方位单元时，扫描体制雷达进入驻留模式，波束指向所述雷达目标的方位，并获取所述距离-方位单元上所述雷达目标的距离-慢时间回波数据；
当所述雷达目标所在的单元为所述距离单元时，凝视探测或驻留模式雷达在驻留模式下直接获取所述距离单元上的所述雷达目标的距离回波数据；
对所述距离-慢时间回波数据和所述距离回波数据进行杂波抑制处理，得到杂波抑制处理后的回波数据。
可选的，所述采用稀疏时频分析法或高分辨压缩变换法提取所述微动特征，具体包括：
采用稀疏时频分析法对以机动或非匀速平动为主的所述待提取微动特征进行提取，得到以机动或非匀速平动为主的所述微动特征；
采用高分辨压缩变换法对以转动或周期运动为主的所述待提取微动特征进行提取，得到以转动或周期运动为主的所述微动特征。
可选的，当所述雷达二维数据中背景杂波强烈或者目标回波微弱时，则在步骤“获取雷达回波数据，经脉冲压缩后得到雷达二维数据”和步骤“根据所述雷达二维数据进行雷达目标检测，确定所述雷达目标所在的单元”之间，还包括以下步骤：
对所述雷达二维数据进行杂波抑制预处理，得到预处理后的雷达二维数据。
可选的，所述对所述雷达二维数据进行杂波抑制预处理，得到预处理后的雷达二维数据，具体包括：
对所述雷达二维数据中的高速运动目标，进行动目标显示处理，得到动目标显示处理后的雷达二维数据；
对所述雷达二维数据中的低速运动目标，进行脉间非相参积累处理，得到脉间非相参积累处理后的雷达二维数据。
可选的，所述神经网络分类模型为基于残差网络模块和压缩激励模块构建的多尺度神经网络模型；所述多尺度神经网络模型具体包括：
依次连接的第一卷积层、所述残差网络模块、所述压缩激励模块、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；
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。
一种雷达目标微动特征提取与智能分类系统，包括：
雷达二维数据获取模块，用于获取雷达回波数据，经脉冲压缩后得到雷达二维数据；所述雷达二维数据为距离-方位二维数据或者距离-慢时间二维数据；
雷达目标检测模块，用于根据所述雷达二维数据进行雷达目标检测，确定所述雷达目标所在的单元；所述单元为距离-方位单元或距离单元；
微动特征目标数据获取模块，用于获取所述雷达目标所在的单元的待提取微动特征的目标数据；
微动特征提取模块，用于采用稀疏时频分析法或高分辨压缩变换法提取所述微动特征；
微动特征分类模块，用于将所述微动特征输入到神经网络分类模型中，得到所述微动特征的分类结果。
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：
本发明提供了一种雷达目标微动特征提取与智能分类方法及系统，获取雷达回波数据，经脉冲压缩后得到雷达二维数据；所述雷达二维数据为距离-方位二维数据或者距离-慢时间二维数据；根据所述雷达二维数据进行雷达目标检测，确定所述雷达目标所在的单元；所述单元为距离-方位单元或距离单元；获取所述雷达目标所在的单元的待提取微动特征的目标数据；采用稀疏时频分析法或高分辨压缩变换法提取所述微动特征；将所述微动特征输入到神经网络分类模型中，得到所述微动特征的分类结果。相比经典时频分析方法，如短时傅里叶变换等，本发明采用的高分辨压缩变换和稀疏时频分析方法提取微动特征，具有更好的能量聚集性，更强的信号重构能力以及抗噪能力。可广泛适用于海面、陆地和天空等不同环境下的雷达目标，均可实现微动特征的高分辨提取和高精度的智能分类。
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1提供的一种雷达目标微动特征提取与智能分类方法的流程图；
图2为本发明实施例1提供的一种雷达目标微动特征提取与智能分类方法的原理图；
图3为本发明实施例1提供的多尺度神经网络模型的结构图；
图4为本发明实施例1提供的S波段对海雷达运动目标为货船的回波距离-多普勒分布图；
图5为本发明实施例1提供的S波段对海雷达运动目标为巡逻船的回波距离-多普勒分布图；
图6为本发明实施例1提供的采用STFT法对运动目标货船的不同表示域的处理结果示意图；
图7为本发明实施例1提供的采用本发明提出的ST-STFD法对运动目标货船的不同表示域的处理结果示意图；
图8为本发明实施例1提供的采用STFT法对运动目标巡逻船的不同表示域的处理结果示意图；
图9为本发明实施例1提供的采用本发明提出的ST-STFD法对运动目标巡逻船的不同表示域的处理结果示意图；
图10为本发明实施例2提供的一种雷达目标微动特征提取与智能分类系统的结构框图。
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。
本发明提供了一种雷达目标微动特征提取与智能分类方法及系统，以提高雷达目标微动特征的提取和分类识别能力，提升对雷达目标微动特征的分类精度，解决了现有技术中存在的雷达目标微动特征检测、提取和识别难的问题。
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。
实施例1
由于雷达目标的微动特征反映了频域随时间的变换情况，通常可采用经典的时频分析方法进行特征提取，如短时傅里叶变换。但由于实际目标微动周期调制规律不明显，多体现于目标的多维耦合运动，导致传统的时频分析方法提取的微动特征的时频分辨率不高，在低信噪比或信杂比条件下稳健性较差。并且微动特征中存在大尺度的周期调制信息，也存在小尺度的细节微小运动，为了能够兼顾两者的特征学习，传统的卷积神经网络模型深度应尽可能深，从而导致训练参数急剧增大，进而导致计算量的增加，不利于工程应用。基于此种背景，本实施例示出了一种雷达目标微动特征提取与智能分类方法。
如图1所示，所述雷达目标微动特征提取与智能分类方法，具体包括以下步骤：
S1、获取雷达回波数据，经脉冲压缩后得到雷达二维数据；所述雷达二维数据为距离-方位二维数据或者距离-慢时间二维数据；具体包括：
S1.1、对于扫描体制雷达，获取所述扫描体制雷达的距离-方位二维回波数据；
S1.2、对于凝视探测或驻留模式雷达，获取所述凝视探测或驻留模式雷达的距离-慢时间二维回波数据；
S1.3、对所述距离-方位二维回波数据或所述距离-慢时间二维回波数据进行匹配滤波处理，得到脉冲压缩后的所述距离-方位二维数据sPC(t,θ)或所述距离-慢时间二维数据sPC(t,tm)，其中，sPC表示脉冲压缩后的数据，t为快时间，代表距离维，θ为方位维，tm为脉间慢时间。
S2、根据所述雷达二维数据进行雷达目标检测，确定所述雷达目标所在的单元；所述单元为距离-方位单元或距离单元；具体包括：
S2.1、将所述雷达二维数据scs(t,θ)或scs(t,tm)与预设虚警概率条件下的恒虚警检测器的门限进行比较，根据比较结果判断是否存在所述雷达目标；
应说明的是，恒虚警检测器的原理是：恒虚警检测器首先对输入的噪声进行处理后确定一个门限，将此门限与输入端信号相比，如输入端信号超过了此门限，则判为有目标，否则，判为无目标。一般信号由信号源发出，在传播的过程中受到各种干扰，到达接收机后经过处理，输出到检测器，然后检测器根据适当的准则对输入的信号做出判决。
S2.2、若所述雷达二维数据超过所述门限，则判断为存在所述雷达目标，则确定所述雷达目标位于所述距离-方位单元(ri,θj)或者所述距离单元ri，其中ri＝c'ti/2，c'为光速，ti为目标延迟时间，θj为目标所在方位单元；
S2.3、若所述雷达二维数据未超过所述门限，则判断为不存在所述雷达目标，此时继续对其他所述雷达目标进行检测，即检测下一个雷达目标。
应说明的是，当步骤S1获取的所述雷达二维数据中背景杂波较强，如海杂波、地杂波，或者目标回波微弱，如低慢小目标，此时在步骤S1和步骤S2之间，还包括以下步骤：
对所述雷达二维数据进行杂波抑制预处理，得到预处理后的雷达二维数据scs(t,θ)或scs(t,tm)，其中，scs(t,θ)表示杂波抑制预处理后得到的距离-方位二维数据，scs(t,tm)表示杂波抑制预处理后得到的距离-慢时间二维数据，scs表示杂波抑制处理后的数据；具体包括：
对所述雷达二维数据中的高速运动目标，进行动目标显示处理，得到动目标显示处理后的雷达二维数据，以滤出低频分量，从而达到抑制地面杂波和固定杂波的目的；
对所述雷达二维数据中的低速运动目标，进行脉间非相参积累处理，得到脉间非相参积累处理后的雷达二维数据，可有效改善信杂比和信噪比。
S3、获取所述雷达目标所在的单元的待提取微动特征的目标数据；具体包括：
S3.1、根据步骤S2的目标检测结果，当所述雷达目标所在的单元为所述距离-方位单元时，扫描体制雷达进入驻留模式，波束指向所述雷达目标的方位，并获取所述距离-方位单元上所述雷达目标的距离-慢时间回波数据；
S3.2、当所述雷达目标所在的单元为所述距离单元时，凝视探测或驻留模式雷达在驻留模式下直接获取所述距离单元上的所述雷达目标的距离回波数据；
S3.3、对所述距离-慢时间回波数据和所述距离回波数据进行杂波抑制处理，得到杂波抑制处理后的目标回波数据其中，rs为当前目标所在的具体距离单元，即具体为距离-方位单元还是距离单元；tm表示脉间慢时间，x(tm)表示提取的杂波抑制后的目标回波数据。简单来说，步骤S3就是根据步骤S2输出的目标检测结果，感兴趣目标距离和方位，将雷达的监测模式切换进入驻留模式，获取一段时间内的目标回波数据，即确定所在单元后的雷达目标的回波数据。
S4、采用稀疏时频分析法或高分辨压缩变换法提取所述微动特征；具体包括：
S4.1、采用稀疏时频分析法对以机动或非匀速平动为主的微动目标，如空中目标，对该微动目标的待提取微动特征进行提取，得到以机动或非匀速平动为主的所述微动特征；
S4.2、采用高分辨压缩变换法对以转动或周期运动为主的微动目标，如海面目标，对该微动目标的待提取微动特征进行提取，得到以转动或周期运动为主的所述微动特征。
本发明利用稀疏时频分析法提取微动特征的具体步骤为：
可建模为多分量幅度起伏的调频信号叠加：
其中，I表示微动原子的总数，e为指数，j为复数，i为原子个数，ai(tm)和分别表示脉间慢时间tm的振幅和相位函数，/>的时频分布可表示为：
其中，的导数为信号瞬时频率的估计，f表示频率。在时间-频率平面内，微动信号可在/>处呈现一冲激函数。由ρx(tm,f)构成的时频域即为信号的稀疏域。
则信号的短时稀疏时频分布可表示为：
其中，ρx(tm,f)表示短时稀疏时频分布，βi(tm)表示信号x(tm)的稀疏分解系数，h(tm)表示信号x(tm)的稀疏分窗函数，qi(tm,f)表示信号x(tm)的稀疏表示的原子，i为原子个数，I表示微动原子的总数。
采用的l1范数最小化求解：
其中，px表示l1范数最小化求解结果，ρx(tm,f)表示短时稀疏时频分布，ρx∈RN,b∈RK，b为实数，o为K×N的稀疏算子。式(4)松弛为不等约束，即：
其中，ε为极小值；
当o为傅里叶变换FT时，b为FT域信号幅值，则短时稀疏时频分布转变为短时稀疏傅里叶变换为：
其中，表示求解短时稀疏傅里叶变换的结果，ε为极小值，FT表示傅里叶变换，FRFT表示分数阶傅里叶变换；
当ο为分数阶傅里叶变换时，b为FRFT域信号幅值，则短时稀疏时频分布转变为短时稀疏分数阶傅里叶变换为：
其中，表示求解短时稀疏分数阶傅里叶变换的结果，α表示变换角，u表示短时稀疏分数阶傅里叶变换的域；
对于以机动或非匀速平动为主的微动目标，稀疏表示字典采用chirp字典即：
其中，fl表示中心频率，μj表示一次调频率，L和J分别表示参数个数。
对于以机动为主要运动方式的微动目标，稀疏表示字典采用二次调频信号，即：
其中，qx(μj,kn)表示二次调频信号下的计算结果，kn表示由急动度产生的二次调频率，qx(fl,μj)和qx(μj,kn)分别表示chirp字典和二次调频信号字典，即稀疏表示的原子。
根据短时稀疏时频分布的域峰值点坐标对应的频率、一次调频率和二次调频率等参数，分别作为微动特征的初速度、加速度和急动度等参数估计值。
本发明利用高分辨压缩变换法提取微动特征的具体步骤为：
高分辨压缩变换(HPST)属于短时傅里叶变换的一种后处理技术，信号的短时傅里叶变换公式为：
其中，e为指数，j为复数，τ为延迟变量，ω表示角频率，dτ表示求导，g(τ-tm)表示可移动的紧支窗函数。当延迟变量τ改变时，窗函数g(τ-tm)在时间轴上移动，将截断的信号做傅里叶变换，即得到的频域可以表示为信号在窗函数中心时刻的频率。
假设存在足够小的ε，对任意的tm满足ai′(tm)≤ε和利用tm将ai(τ)和用泰勒公式展开，则有：
ai(τ)＝ai(tm)
其中，ai(τ)表示延迟变量τ的振幅，表示延迟变量τ的相位函数；tm表示脉间慢时间，ai(tm)和/>分别表示脉间慢时间tm的振幅和相位函数，ai′(tm)为ai(tm)的一阶导数，/>为/>的一阶导数，/>为/>的二阶导数。
因此，延迟变量τ下的杂波抑制后的目标回波表示为：
其中，表示杂波抑制后的目标回波，i表示原子个数，I表示微动原子的总数，ai(tm)和/>分别表示脉间慢时间tm的振幅和相位函数；
代入短时傅里叶变换中可表示为：
其中，G表示g窗函数的傅里叶变换，由于窗函数的复共轭等于它本身，即G＝g，因此，理论上，所有的时频系数都是沿着频率方向集中在瞬时频率的时频轨迹上。因此，式(13)中谱图的时频系数也主要集中在瞬时频率的时频轨迹上，表示为：
其中，STFTs(tm,ω)表示信号的短时傅里叶变换的结果。
通过在频率方向搜索时频图的局部极大值，形成一个新的频率重排函数，定义为：
其中，Δ表示窗函数g的频率支持，ωm(tm,ω)表示频率重排函数。由于窗函数的傅里叶变换在G(0)处有极大值，G(0)表示G函数的赋值为0，式(15)可进一步表示为：
为了获得理想的时频谱图，同时保持好的信号重构能力，所有模糊的时频系数重新分布到沿频率方向的时频轨迹上。
合并式(10)-式(16)，则目标信号微多普勒谱可根据高分辨压缩变换表示为：
其中，tm表示脉间慢时间，δ为狄拉克函数，η表示频率的位置，ωm(tm,ω)表示频率重排函数，HPSTs(τ,η)表示高分辨压缩微多普勒谱。
式(17)由高分辨压缩变换生成的微多普勒时频谱相比短时傅里叶变换具有更好的能量聚集性，更强的信号重构能力，以及较强的抗噪性。
S5、将所述微动特征输入到神经网络分类模型中，得到所述微动特征的分类结果；具体包括：
将步骤S4输出的短时稀疏时频分布ρx(tm,f)或高分辨压缩微多普勒谱HPSTs(τ,η)输入到神经网络分类模型中进行分类，输出分类结果，完成目标微动类型的分类。
本发明采用高分辨压缩变换法和稀疏时频分析法提取微动特征，具有更好的能量聚集性，以及更强的信号重构能力和抗噪能力，不仅仅局限于对海上目标的微动特征进行提取和分类，还可广泛适用于陆地和天空等不同环境下的雷达目标，对任何类型的雷达和任何坏境下的雷达目标均具有较强的普适性，均可实现对其微动特征的高分辨提取和高精度的智能分类，准确地确定雷达目标的运动状态。
如图2所示，本发明的雷达目标微动特征提取与智能分类方法的基本原理是：
首先获取雷达回波，雷达脉压后得到雷达二维数据即距离-方位或距离-慢时间二维数据；然后当雷达二维数据中背景杂波强烈或者目标回波微弱时，则进行杂波抑制处理，否则直接进行雷达目标检测；通过雷达目标检测，得到雷达目标所在单元；再进行待提取微动特征的目标数据存储。然后根据雷达目标的检测结果，感兴趣目标距离和方位，雷达进入驻留模式，获取一段时间内的目标回波数据；再进行目标微动特征提取，对于以机动或非匀速平动为主的微动目标，采用稀疏时频分析方法提取微动特征；对于以转动和周期运动为主的微动目标，采用高分辨压缩变换提取微动特征；同时，在微动特征提取后可对微动参数进行估计，包括瞬时速度、加速度、周期、转动幅度等微动参数，这些微动参数表征雷达目标的运动状态参数，用于下一步的多尺度神经网络模型学习和分类的过程中，有助于提升分类精度；最终，采用精细化多尺度神经网络模型进行微动特征学习和分类，完成目标多种微动类型的分类。
其中，神经网络分类模型优选基于残差网络模块和压缩激励模块构建的多尺度神经网络模型，此外，还可以是BP神经网络模型或者RBF径向基神经网络模型等具有分类功能的神经网络模型。
需要说明的是，本实施例中的神经网络分类模型并不是固定的唯一的，只要是具有分类功能的任何神经网络模型均可，可根据实际情况自行选择。本实施例中优选精细化的多尺度神经网络模型。
如图3所示，所述多尺度神经网络模型具体包括：依次连接的第一卷积层、所述残差网络模块、所述压缩激励模块、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；
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。
本发明中多尺度神经网络模型的构建和学习的过程，具体包括以下步骤：
(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Ki()表示3×3卷积核的输出，xi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)) (18)
y4＝K4(x4+y3)＝K4(x4+K3(x3+K2(x2)))
那么输出yi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，即形成具有多尺度特点的残差网络模块。
(2)将多尺度的残差网络模块加入SE模块(即SENet模块，也就是本发明所说的压缩激励模块，以下简称SE模块)，完成多尺度神经网络残差模块的构建。SE模块的结构为图3中右侧部分所示，对于一张形状为(h，w，c)的特征图，其中，c表示卷积层的通道数，h表示输入图片的高度，w表示输入图片的宽度。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(20)，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，本实施例这里令r＝16，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＝Fex(z,W)＝σ(g(z,W))＝σ(W2×δ(W1×z)) (20)
其中，S表示SE模块的输出，δ(W1×z)表示第一个全连接操作，Fex(z,W)表示经两个连接操作后的输出结果，g(z,W)表示经第一全连接操作后的输出结果与第二个全连接操作的权重W2进行加权、求和的输出，σ表示权重。
最后进行重加权操作，通过乘法逐通道地将特征权重S乘到多尺度的残差网络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。构建的多尺度的残差网络模块与SE模块相结合组成了多尺度神经网络模块，由包含多个这种多尺度神经网络模块就构成了多尺度神经网络模型。
(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，用于将多尺度的残差网络模块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3所示，图3中，SE block表示SE模块，FC 4096(FC为FullyConnected network的简称，表示全连接网络)表示全连接网络中增加的两层全连接层，FCn表示对n种运动行为进行识别的全连阶层。
(4)多尺度神经网络模型的训练。将构建的时频图数据样本量输入到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，也就是本实施例所说的经过学习、训练后的精细化的多尺度神经网络模型，由于具有上述学习优化的过程，因此，该模型可有效提升对雷达目标微动特征的识别分类精度。
(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。
本发明中，多尺度的残差网络模块结合SE模块组合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。最后，在多尺度神经网络模型结构后加入了三层的全连接层，一方面是为了对多尺度神经网络模型结构学习到的有效特征映像到样本的标记空间；另一方面是增加网络模型的深度，使其能学习到更深层次的抽象特征。相比于使用全局平均池化，全连接层在微动特征的识别和分类中使用能获得更快的收敛速度和更高的识别精度。
下面列举实例说明：
采用S波段对海上雷达数据验证本发明的方法，分别选取两种运动类型的海上目标回波数据作为待检测数据，海况等级均为高海况，图4示出了S波段对海雷达运动目标为货船的回波距离-多普勒分布图；图5示出了S波段对海雷达运动目标为巡逻船的回波距离-多普勒分布图，通过船舶的船舶自动识别系统(AIS)信息可知，在74.2nm和34.8nm附近分别有一货船和海事巡逻船，但受强海杂波以及距离远的影响，目标回波较为微弱，在时域和频域发散，传统的时域幅度检测或频域检测难以发现目标。
分别采用传统STFT方法和本发明提出的ST-STFD方法对两种目标进行处理，处理结果如图6、图7、图8和图9所示。通过对比可知：(1)ST-STFD法具有较高的时频分辨率，目标微动信号特征较为明显，原因在于利用了稀疏分解的优点，仅保留最为稀疏的信号成分，因此，既保证了信号的能量聚集，又实现了微动信号的时频表示；(2)目标运动参数估计精度得到提升，根据ST-STFD法的稀疏分解系数可估计出目标的运动瞬时速度、转动周期、加速度等特征；(3)采用ST-STFD法能够更好地表征微动信号的时变特征，目标峰值明显，经过检测后，剩余虚警明显降低，表明海杂波在该STFD域中无稀疏峰值，从而进一步提高了雷达对微动信号的检测和参数估计能力。
本发明采用精细化的多尺度神经网络模型，将多尺度残差网络模块和压缩激励模块相结合，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，提高了对目标运动状态的分类精度。同时，极大的简化了深度学习的过程，对参数的计算大幅降低，实现了高效、准确的目标运动识别和分类，提高了雷达目标微动特征的提取和分类识别能力，提升了对雷达目标微动特征的分类精度，解决了现有技术中存在的雷达目标微动特征检测、提取和识别难的问题。
实施例2
如图10所示，本实施例示出了一种雷达目标微动特征提取与智能分类系统，具体包括：
雷达二维数据获取模块M1，用于获取雷达回波数据，经脉冲压缩后得到雷达二维数据；所述雷达二维数据为距离-方位二维数据或者距离-慢时间二维数据；
雷达目标检测模块M2，用于根据所述雷达二维数据进行雷达目标检测，确定所述雷达目标所在的单元；所述单元为距离-方位单元或距离单元；
微动特征目标数据获取模块M3，用于获取所述雷达目标所在的单元的待提取微动特征的目标数据；
微动特征提取模块M4，用于采用稀疏时频分析法或高分辨压缩变换法提取所述微动特征；
微动特征分类模块M5，用于将所述微动特征输入到神经网络分类模型中，得到所述微动特征的分类结果。
本说明书中各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。本说明书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 (8)
1.一种雷达目标微动特征提取与智能分类方法，其特征在于，包括：
获取雷达回波数据，经脉冲压缩后得到雷达二维数据；所述雷达二维数据为距离-方位二维数据或者距离-慢时间二维数据；
根据所述雷达二维数据进行雷达目标检测，确定所述雷达目标所在的单元；所述单元为距离-方位单元或距离单元；
获取所述雷达目标所在的单元的待提取微动特征的目标数据；
采用稀疏时频分析法或高分辨压缩变换法提取所述微动特征；
将所述微动特征输入到神经网络分类模型中，得到所述微动特征的分类结果；
所述获取所述雷达目标所在的单元的待提取微动特征的目标数据，具体包括：
当所述雷达目标所在的单元为所述距离-方位单元时，扫描体制雷达进入驻留模式，波束指向所述雷达目标的方位，并获取所述距离-方位单元上所述雷达目标的距离-慢时间回波数据；
当所述雷达目标所在的单元为所述距离单元时，凝视探测或驻留模式雷达在驻留模式下直接获取所述距离单元上的所述雷达目标的距离回波数据；
对所述距离-慢时间回波数据和所述距离回波数据进行杂波抑制处理，得到杂波抑制处理后的回波数据；
所述采用稀疏时频分析法或高分辨压缩变换法提取所述微动特征，具体包括：
采用稀疏时频分析法对以机动或非匀速平动为主的所述待提取微动特征进行提取，得到以机动或非匀速平动为主的所述微动特征；
采用高分辨压缩变换法对以转动或周期运动为主的所述待提取微动特征进行提取，得到以转动或周期运动为主的所述微动特征。
2.根据权利要求1所述的雷达目标微动特征提取与智能分类方法，其特征在于，所述获取雷达回波数据，经脉冲压缩后得到雷达二维数据，具体包括：
对于扫描体制雷达，获取所述扫描体制雷达的距离-方位二维回波数据；
对于凝视探测或驻留模式雷达，获取所述凝视探测或驻留模式雷达的距离-慢时间二维回波数据；
对所述距离-方位二维回波数据或所述距离-慢时间二维回波数据进行匹配滤波处理，得到脉冲压缩后的所述距离-方位二维数据或所述距离-慢时间二维数据。
3.根据权利要求1所述的雷达目标微动特征提取与智能分类方法，其特征在于，所述根据所述雷达二维数据进行雷达目标检测，确定所述雷达目标所在的单元，具体包括：
将所述雷达二维数据与预设虚警概率条件下的恒虚警检测器的门限进行比较，根据比较结果判断是否存在所述雷达目标；
若所述雷达二维数据超过所述门限，则判断为存在所述雷达目标，则确定所述雷达目标位于所述距离-方位单元或者所述距离单元；
若所述雷达二维数据未超过所述门限，则判断为不存在所述雷达目标，此时继续对其他所述雷达目标进行检测。
4.根据权利要求1所述的雷达目标微动特征提取与智能分类方法，其特征在于，当所述雷达二维数据中背景杂波强烈或者目标回波微弱时，则在步骤“获取雷达回波数据，经脉冲压缩后得到雷达二维数据”和步骤“根据所述雷达二维数据进行雷达目标检测，确定所述雷达目标所在的单元”之间，还包括以下步骤：
对所述雷达二维数据进行杂波抑制预处理，得到预处理后的雷达二维数据。
5.根据权利要求4所述的雷达目标微动特征提取与智能分类方法，其特征在于，所述对所述雷达二维数据进行杂波抑制预处理，得到预处理后的雷达二维数据，具体包括：
对所述雷达二维数据中的高速运动目标，进行动目标显示处理，得到动目标显示处理后的雷达二维数据；
对所述雷达二维数据中的低速运动目标，进行脉间非相参积累处理，得到脉间非相参积累处理后的雷达二维数据。
6.根据权利要求1所述的雷达目标微动特征提取与智能分类方法，其特征在于，所述神经网络分类模型为基于残差网络模块和压缩激励模块构建的多尺度神经网络模型；所述多尺度神经网络模型具体包括：
依次连接的第一卷积层、所述残差网络模块、所述压缩激励模块、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。
7.根据权利要求6所述的雷达目标微动特征提取与智能分类方法，其特征在于，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；
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。
8.一种雷达目标微动特征提取与智能分类系统，其特征在于，所述系统使用如权利要求1-7任一项所述的雷达目标微动特征提取与智能分类方法，所述系统包括：
雷达二维数据获取模块，用于获取雷达回波数据，经脉冲压缩后得到雷达二维数据；所述雷达二维数据为距离-方位二维数据或者距离-慢时间二维数据；
雷达目标检测模块，用于根据所述雷达二维数据进行雷达目标检测，确定所述雷达目标所在的单元；所述单元为距离-方位单元或距离单元；
微动特征目标数据获取模块，用于获取所述雷达目标所在的单元的待提取微动特征的目标数据；
微动特征提取模块，用于采用稀疏时频分析法或高分辨压缩变换法提取所述微动特征；
微动特征分类模块，用于将所述微动特征输入到神经网络分类模型中，得到所述微动特征的分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110818621.0A CN113534065B (zh) | 2021-07-20 | 2021-07-20 | 一种雷达目标微动特征提取与智能分类方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110818621.0A CN113534065B (zh) | 2021-07-20 | 2021-07-20 | 一种雷达目标微动特征提取与智能分类方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113534065A CN113534065A (zh) | 2021-10-22 |
| CN113534065B true CN113534065B (zh) | 2024-02-02 |
Family
ID=78100418
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110818621.0A Active CN113534065B (zh) | 2021-07-20 | 2021-07-20 | 一种雷达目标微动特征提取与智能分类方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113534065B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114740447B (zh) * | 2022-05-17 | 2024-07-26 | 中国人民解放军国防科技大学 | 基于实例分割的微动信号分离方法、装置和计算机设备 |
| CN114821336A (zh) * | 2022-05-20 | 2022-07-29 | 应急管理部上海消防研究所 | 一种基于cnn的mimo雷达微动目标识别方法及系统 |
| CN115828154B (zh) * | 2022-11-25 | 2023-10-03 | 中山大学 | 一种lpi雷达信号识别方法、系统、设备和存储介质 |
| 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 |
| CN117647803B (zh) * | 2023-11-17 | 2024-06-07 | 乾元科学研究院 | 一种低慢小无人机目标识别系统及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106526568A (zh) * | 2016-12-29 | 2017-03-22 | 中国人民解放军海军航空工程学院 | 基于短时稀疏分数阶傅里叶变换的雷达动目标检测方法 |
| CN109917347A (zh) * | 2019-04-10 | 2019-06-21 | 电子科技大学 | 一种基于时频域稀疏重构的雷达行人检测方法 |
| DE102018122560A1 (de) * | 2018-09-14 | 2020-03-19 | Autel Robotics Co., Ltd. | Zielklassifizierungsverfahren und zugehörige vorrichtung |
| CN112184849A (zh) * | 2020-09-25 | 2021-01-05 | 中南大学 | 一种针对复杂动态多目标微动信号智能处理方法及系统 |
| KR102275960B1 (ko) * | 2020-11-27 | 2021-07-12 | (주)플레이오니 | 딥러닝 기반의 레이다 표적 탐지 시스템 및 그 방법 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112444785B (zh) * | 2019-08-30 | 2024-04-12 | 华为技术有限公司 | 一种目标行为识别的方法、装置和雷达系统 |
-
2021
- 2021-07-20 CN CN202110818621.0A patent/CN113534065B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106526568A (zh) * | 2016-12-29 | 2017-03-22 | 中国人民解放军海军航空工程学院 | 基于短时稀疏分数阶傅里叶变换的雷达动目标检测方法 |
| DE102018122560A1 (de) * | 2018-09-14 | 2020-03-19 | Autel Robotics Co., Ltd. | Zielklassifizierungsverfahren und zugehörige vorrichtung |
| CN109917347A (zh) * | 2019-04-10 | 2019-06-21 | 电子科技大学 | 一种基于时频域稀疏重构的雷达行人检测方法 |
| CN112184849A (zh) * | 2020-09-25 | 2021-01-05 | 中南大学 | 一种针对复杂动态多目标微动信号智能处理方法及系统 |
| KR102275960B1 (ko) * | 2020-11-27 | 2021-07-12 | (주)플레이오니 | 딥러닝 기반의 레이다 표적 탐지 시스템 및 그 방법 |
Non-Patent Citations (2)
| Title |
|---|
| "Radar Signal Processing for Jointly Estimating Tracks and Micro-Doppler Signatures";Thomas Wagner等;《 IEEE Access 》;第5卷;1-18 * |
| "基于同步压缩短时傅里叶变换的微型无人机识别";孙延鹏等;《电讯技术》;第61卷(第1期);正文第2-3页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113534065A (zh) | 2021-10-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113534065B (zh) | 一种雷达目标微动特征提取与智能分类方法及系统 | |
| CN109669183B (zh) | 一种基于Keystone和时频变换的地球同步轨道SAR运动目标成像处理装置 | |
| CN111880157B (zh) | 一种雷达图像中目标的检测方法及系统 | |
| CN109901130B (zh) | 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法 | |
| CN102914773B (zh) | 一种多航过圆周sar三维成像方法 | |
| CN109557533B (zh) | 一种基于模型的联合跟踪与识别方法 | |
| Ng et al. | Range-Doppler detection in automotive radar with deep learning | |
| CN111521998A (zh) | 用于去混叠和配置雷达系统的深度学习 | |
| CN115061113B (zh) | 用于雷达的目标检测模型训练方法、装置及存储介质 | |
| Budillon et al. | SAR tomography based on deep learning | |
| CN103197297A (zh) | 基于认知框架的雷达动目标检测方法 | |
| CN112731307A (zh) | 基于距离-角度联合估计的ratm-cfar检测器及检测方法 | |
| CN109521411A (zh) | 一种距离扩展目标的检测方法 | |
| Chen et al. | LFM signal detection and estimation based on deep convolutional neural network | |
| CN118228113A (zh) | 一种基于迁移学习的雷达目标分类方法 | |
| Zhang et al. | Scan denoising and normal distribution transform for accurate radar odometry and positioning | |
| CN118334736A (zh) | 基于毫米波雷达的多目标身份识别与行为监测方法 | |
| Zhu et al. | Radar HRRP group-target recognition based on combined methods in the backgroud of sea clutter | |
| Thammakhoune et al. | Moving target imaging for synthetic aperture radar via RPCA | |
| Lu et al. | Cascaded object detection networks for FMCW radars | |
| Blomerus et al. | Development and testing of a low cost audio based ISAR imaging and machine learning system for radar education | |
| Zhang et al. | Small target detection in sea-clutter based on time-doppler spectrum | |
| Lian et al. | An Attention Based Complex-valued Convolutional Autoencoder for GEO SA-Bi SAR Ship Target Refocusing | |
| CN116758261B (zh) | 基于生成对抗网络的宽带前视成像雷达目标识别方法 | |
| Sjögren et al. | Moving target refocusing algorithm for synthetic aperture radar images |
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 |