CN113721215A - 一种基于SMRA和BiGRU的雷达HRRP海杂波分类方法 - Google Patents
一种基于SMRA和BiGRU的雷达HRRP海杂波分类方法 Download PDFInfo
- Publication number
- CN113721215A CN113721215A CN202110980014.4A CN202110980014A CN113721215A CN 113721215 A CN113721215 A CN 113721215A CN 202110980014 A CN202110980014 A CN 202110980014A CN 113721215 A CN113721215 A CN 113721215A
- Authority
- CN
- China
- Prior art keywords
- hrrp
- smra
- bigru
- sea clutter
- time
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000001228 spectrum Methods 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000010586 diagram Methods 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- G01S7/41—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
- G01S7/414—Discriminating targets with respect to background clutter
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于SMRA和BiGRU的雷达HRRP海杂波分类方法，包括步骤:对雷达海杂波HRRP信号进行切割、取模、对齐；对预处理后HRRP，采用SMRA方法提取海杂波的多维特征，具体包括：(1)估计HRRP序列的PWVD时频特征谱；(2)对PWVD时频谱,在频率方向估计瞬时奇异性指数ISE，得到原信号的时间‑奇异性指数分布图；(3)在奇异性指数维，估计每个时刻的奇异性功率谱；(4)遍历所有的时刻点，得到原HRRP信号的SMRA多维特征谱；采用BiGRU深度网络模型对基于SMRA分析的HRRP雷达海杂波进行分类。
Description
技术领域
本发明涉及雷达海杂波特征提取和分类领域，特别涉及一种基于SMRA和BiGRU的雷达HRRP海杂波分类方法。
背景技术
雷达海杂波是指在雷达电磁波照射下海面的后向散射回波。海杂波对于海上雷达目标探测具有较大的影响，正确测量和认知海杂波有助于更好地开展海面目标探测，具有重要的意义。目前，海杂波主要通过海况等级来分类，通过统计海面的实时浪高和有效浪高，将海况分为由低到高的10级。常见的判断海况等级方法多是通过卫星信号或者海航船只测量浪高，再对应相应等级，该类方法实时性差、分类精度低，难以达到雷达目标探测的使用要求。迄今为止，由于数据集缺少或海况等级标签不准确等客观因素，针对海杂波等级的分类研究较少。徐雅楠、关键等人基于IPIX1998数据集做过高低海况的分类，即四级以上海况归为高海况，四级以下归为低海况，并在大量数据与大批次迭代下取得了接近100％的识别率；但二分类的方法过于粗略，无法针对特定海况等级对海杂波进行分类。
多分辨分析(Multi-Resolution Analysis，MRA)又称为多尺度分析,是小波分析理论的核心部分,也是小波分析应用的基本工具。MRA还可以作为一种图像信号处理工具，在图像压缩和重构、信号降噪、边缘检测、奇异点检测、时频分析等方面有大量应用，并成功应用于地震信号分析、涡流信号分析、语音信号处理等领域。本专利拓展了传统MRA方法，在奇异性指数域对信号进行多分辨分析，提出奇异性指数域多分辨分析(Singularity-exponent-domain MRA,SMRA)。该方法将奇异性指数域(简称奇异域)视为一种与时间正交的维度，在奇异域对信号功率测度进行分析，可得到信号在奇异性指数域上的多分辨分析谱，更进一步，通过拓展上述MRA的思想，在奇异域对信号进行展开，可获得具有不同奇异性指数值和奇异性指数分辨率的信号特征谱。
本申请将利用SMRA方法，并结合双向门控单元(BiGRU)深度网络模型，对2～4海况等级条件的HRRP海杂波进行分类，在提高海杂波分类时效性的提前下，提升海杂波精细化分类的能力，为雷达海上监视和目标探测研究提供技术支撑。
发明内容
为了克服现有技术中的不足，本发明提供一种基于SMRA和BiGRU的雷达HRRP海杂波分类方法，通过对不同海况的HRRP信号做SMRA处理，再进行BiGUR深度网络分类识别，实现不同海况等级的分类，可以为海杂波分类提供更有效的处理方法。
为了达到上述发明目的，解决其技术问题所采用的技术方案如下：
一种基于SMRA和BiGRU的雷达HRRP海杂波分类方法，包括以下步骤：
步骤S100：对雷达海杂波HRRP信号进行预处理，包括切割、取模、对齐；
步骤S200：对预处理后HRRP，采用奇异性指数域多分辨分析SMRA方法提取海杂波的多维特征，具体包括：
(i)估计HRRP序列的PWVD时频特征谱；
(ii)对PWVD时频谱,在频率方向估计瞬时奇异性指数ISE，得到原信号的时间-奇异性指数分布图；
(iii)在奇异性指数维，估计每个时刻的奇异性功率谱；
(iv)遍历所有的时刻点，得到原HRRP信号的SMRA多维特征谱；
步骤S300：采用BiGRU深度网络模型对基于SMRA分析的HRRP雷达海杂波进行分类。
进一步的，步骤S100中，对雷达海杂波HRRP的预处理包括：针对不同等级海况条件下获得的纯海面HRRP数据序列，对其作切割、采样、取模、中心对齐操作。
进一步的，切割长HRRP序列时，每段序列需保留若干个明显波峰波谷；需对切割后的信号取模以消除虚部，并根据需求作零中心归一化或0-1间归一化。
进一步的，步骤S200中，采用奇异性指数域多分辨分析SMRA方法提取HRRP海杂波的多维特征，具体包括：
(1)使用PWVD提取HRRP信号时频特征；假定I(x)为HRRP序列，其PWVD可表示为：
其中，h(m)为窗函数，m为时间序列延迟量，fx为离散频率变量，*为共轭算子；
(2)估计HRRP的PWVD的奇异性指数α(x,fx)：
其中，μi为对PWVD局部点在i邻域内采取的测度计算，εi为对不同的邻域尺寸；
(3)对于W(x,fx)和α(x,fx)，可通过计算时变的奇异指数域功率谱来跟踪信号随时间变化的SPS功率分布，对于给定时刻x，W(x,fx)的SPS估计为：
其中，
为奇异性子集
的势，
为W(x,fx)中具有相同的奇异性指数的点组成的子集，为获得统一离散奇异性指数分散布范围和分辨率，对奇异性指数α(x,fx)进行划分,假定α(x,fx)∈[αmin,αmax],则按给定的奇异性指数分辨率，采用均匀的区间划分可得：
α(m)＝[αmin＝α0,α1,...,αM-2,αM-1＝αmax]
对于α(m),假定α(m)≤αn(k)＜α(m+1),定义离散的奇异性子集为：
(4)遍历所有的时刻x，可得奇异性指数多分辨分析谱P(x,αm)。
优选的，对PWVD局部点在i邻域内采取的测度计算采用最大测度、均值测度或求和测度。
进一步的，步骤S300中使用深度学习BiGRU模型，在BiGRU之前使用全连接层来实现对SMRA多维特征自适应优化组合，在BiGRU之后使用全连接层实现HRRP分类。
进一步的，所述BiGRU模型的结构依次为：输入层、全连接层1、双层BiGRU、全连接层2和输出层；其中，需设置的关键训练参数包括Batchsize、隐层节点、最大迭代次数、学习率、Adam优化器参数beta1和beta2；对于给定的HRRP雷达海杂波数据，模型参数需要在小范围内自适应调参，以达到最好的分类效果。
本发明由于采用以上技术方案，使之与现有技术相比，具有以下的优点和积极效果：
依据上述的基于SMRA的HRRP雷达海杂波分类方法，可利用SMRA处理对噪声干扰强鲁棒的优势，充分提取HRRP回波信号特征，使得SMRA处理后不同海况等级的HRRP表征性更强，再利用深度学习模型的分类能力，进一步利用抽象特征实现对SMRA处理的HRRP雷达海杂波分类，可为雷达海杂波分类提供一种新的技术途径。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见，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。附图中：
图1为基于SMRA和BiGRU深度网络的HRRP雷达海杂波分类流程图；
图2为不同海况HRRP时域波形对比；
图3为不同时间采集的三类的HRRP样本；(a)四级海况；(b)三级(c)二级海况；
图4为典型纯海面的SMRA效果图；
图5为BiGRU深度网络模型设计图；
图6为SMRA特征训练效果图；(a)损失函数收敛图；(b)分类精度收敛图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
如图1所示，本实施例公开了一种基于SMRA和BiGRU的雷达HRRP海杂波分类方法，包括以下步骤：
步骤S100：对雷达海杂波HRRP信号进行预处理，包括切割、取模、对齐；
步骤S200：对预处理后HRRP，采用奇异性指数域多分辨分析SMRA方法提取海杂波的多维特征，具体包括：
(i)估计HRRP序列的PWVD时频特征谱；
(ii)对PWVD时频谱,在频率方向估计瞬时奇异性指数ISE，得到原信号的时间-奇异性指数分布图；
(iii)在奇异性指数维，估计每个时刻的奇异性功率谱；
(iv)遍历所有的时刻点，得到原HRRP信号的SMRA多维特征谱。
步骤S300：采用BiGRU深度网络模型对基于SMRA分析的HRRP雷达海杂波进行分类。
通过上述步骤S100-S300对HRRP雷达海杂波进行分类，可以区分不同海况等级的海杂波，为相关海上实验提供了有力帮助。
下面对上述各步骤进行详细说明。
步骤S100中，对雷达海杂波HRRP的预处理包括：针对不同等级海况条件下获得的纯海面HRRP数据序列，对其作切割、采样、取模、中心对齐等操作。切割长HRRP序列时，每段序列需保留若干个明显波峰波谷；需对切割后的信号取模以消除虚部，并根据需求作零中心归一化或0-1间归一化。
在步骤S100中，雷达海杂波HRRP信号的选取为IPIX1993数据集，是1993年11月，在加拿大东海岸的新斯科舍省达特茅斯附近的一个悬崖顶上，研究人员使用McMaster IPIX雷达收集了一个高分辨率的大型雷达测量数据库。该数据库中共含有339个数据集，涵盖广泛的条件：
·波浪条件：0.8-3.8m(峰值高度达5.5m)
·风力条件：0-60km/hr(阵风高达90km/hr)
·操作模式：360°监视-2分钟凝视
·观察：纯净的杂物-已知的漂浮物(“目标”)
本实例在该数据库中，选取了海况等级2、3、4的三种HRRP海上数据，在对数据的筛选、切割、采样、对齐后，选出4128条HRRP雷达纯海杂波数据，构成了实例中实验的数据集，示例如图2、图3。其中，每条数据由16384个采样点组成，包含3-4个波峰，且属于同一海况等级。
图2展示了数据集中不同海况的HRRP信号对比。图3展示了同种海况下不同的HRRP信号对比。由图2、图3可以看出，不同海况的HRRP海杂波信号差异性很小，同海况下的HRRP海杂波信号差异性很大，因此，通过HRRP回波对不同的海况进行识别难度较大，本部分将提出一种基于SMRA特征提取与BiGRU模型的HRRP雷达海杂波分类方法。
步骤S200中，采用奇异性指数域多分辨分析SMRA方法提取HRRP海杂波的多维特征，具体包括：
(1)使用PWVD提取HRRP信号时频特征；假定I(x)为HRRP序列，其PWVD可表示为：
其中，h(m)为窗函数，m为时间序列延迟量，fx为离散频率变量，*为共轭算子；
(2)估计HRRP的PWVD的奇异性指数α(x,fx)：
其中，μi为对PWVD局部点在i邻域内采取的测度计算，可选用最大测度、均值测度或求和测度等，εi为对不同的邻域尺寸；
(3)对于W(x,fx)和α(x,fx)，可通过计算时变的奇异指数域功率谱来跟踪信号随时间变化的SPS功率分布，对于给定时刻x，W(x,fx)的SPS估计为：
其中，
为奇异性子集
的势，
为W(x,fx)中具有相同的奇异性指数的点组成的子集，为获得统一离散奇异性指数分散布范围和分辨率，对奇异性指数α(x,fx)进行划分,假定α(x,fx)∈[αmin,αmax],则按给定的奇异性指数分辨率，采用均匀的区间划分可得：
α(m)＝[αmin＝α0,α1,...,αM-2,αM-1＝αmax]
对于α(m),假定α(m)≤αn(k)＜α(m+1),定义离散的奇异性子集为：
(4)遍历所有时刻x，可得奇异性指数多分辨分析谱P(x,αm)。
具体实例中，我们将对一片海域的HRRP回波信号作切割、采样，并选取不包含目标的数据，对其作SMRA特征分解。图4展示了一组SMRA特征分解效果。由图4可以看出，SMRA通过谱分析等手段，提取原时间序列(左)在不同层次下的信息(中)，并将它们融合，得到SMRA特征(右)，本次实验所有HRRP的SMRA均提取30层特征。图4展示了一组典型纯海杂波HRRP的SMRA图。从图可以看出，SMRA特征由时间维度与特征维度组成，低维的特征域中存在大量的能量，这些能量大多是无法利用的冗余能量，高维的特征域中能量较低，我们认为其包含了原信号的深层信息。因此，通过过滤掉浅层的特征，我们将利用高维的特征来表征该信号，进而实现SMRA对HRRP海杂波的特征提取。
步骤S300所述使用深度学习BiGRU模型进行HRRP雷达海杂波分类实验，具体包括：
分类对象为经由SMRA处理的不同海况等级的雷达海杂波HRRP。考虑目标对象的一维特性，实验使用RNN模型的变形——GRU模型，并使用双向网络结构，即BiGRU，可充分考虑HRRP序列的正反向信息。模型的输出为海况的不同等级类别。此外，步骤S300中使用深度学习BiGRU模型，在BiGRU之前使用全连接层来实现对SMRA多维特征自适应优化组合，在BiGRU之后使用全连接层实现HRRP分类。
进一步的，所述BiGRU模型的结构依次为：输入层、全连接层1、双层BiGRU、全连接层2和输出层；其中，需设置的关键训练参数包括Batchsize＝32、隐层节点＝64、最大迭代次数(或迭代终止条件)＝3000、学习率＝0.00005、Adam优化器参数beta1＝0.5、beta2＝0.9；对于给定的HRRP雷达海杂波数据，模型参数需要在小范围内自适应调参，以达到最好的分类效果。
优选的，所述深度学习模型参数设置，需要根据不同数据集进行调整。正确调整模型设计的参数以及训练参数，对实验的效果有很大的意义，需要结合具体数据，反复对比测试、调参，以得到最优的选择，最终，可以实现高准确度的HRRP雷达海杂波分类效果。
本实施例中，结合数据集的实际，本部分设计的BiGRU模型结构如图5，部分参数与维度变换如表1所示。
表1网络设计部分参数与维度变换对照表
实例中，将SMRA分解得到的30维数据作为BiGRU模型的输入，利用模型第一层的全连接层来筛选这30维SMRA特征，并测试分类效果。训练中参数设置如表2所示，其训练效果图6所示。
表2训练参数设置
由图6可以看出，模型收敛于500次迭代附近，迭代后期，识别率曲线在不断波动中取得最大识别率90.1％。
由上，本发明提供的基于SMRA变换的HRRP雷达海杂波分类方法，利用SMRA对噪声强鲁棒性的特点，帮助处理分析不同海况等级的HRRP雷达海杂波，再结合深度学习BiGRU模型，利用神经网络的分类效果，可实现对不同海况等级的分类，并在实例中对来源于IPIX1993的2、3、4级海况的数据达到90.1％的分类效果，为海杂波分类领域提供了一种新的技术途径。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (7)
1.一种基于SMRA和BiGRU的雷达HRRP海杂波分类方法，其特征在于，包括以下步骤：
步骤S100：对雷达海杂波HRRP信号进行预处理，包括切割、取模、对齐；
步骤S200：对预处理后HRRP，采用奇异性指数域多分辨分析SMRA方法提取海杂波的多维特征，具体包括：
(i)估计HRRP序列的PWVD时频特征谱；
(ii)对PWVD时频谱,在频率方向估计瞬时奇异性指数ISE，得到原信号的时间-奇异性指数分布图；
(iii)在奇异性指数维，估计每个时刻的奇异性功率谱；
(iv)遍历所有的时刻点，得到原HRRP信号的SMRA多维特征谱；
步骤S300：采用BiGRU深度网络模型对基于SMRA分析的HRRP雷达海杂波进行分类。
2.根据权利要求1所述的一种基于SMRA和BiGRU的雷达HRRP海杂波分类方法，其特征在于，步骤S100中，对雷达海杂波HRRP的预处理包括：针对不同等级海况条件下获得的纯海面HRRP数据序列，对其作切割、采样、取模、中心对齐操作。
3.根据权利要求2所述的一种基于SMRA和BiGRU的雷达HRRP海杂波分类方法，其特征在于，切割长HRRP序列时，每段序列需保留若干个明显波峰波谷；需对切割后的信号取模以消除虚部，并根据需求作零中心归一化或0-1间归一化。
4.根据权利要求1所述的一种基于SMRA和BiGRU的雷达HRRP海杂波分类方法，其特征在于，步骤S200中，采用奇异性指数域多分辨分析SMRA方法提取HRRP海杂波的多维特征，具体包括：
(1)使用PWVD提取HRRP信号时频特征；假定I(x)为HRRP序列，其PWVD可表示为：
其中，h(m)为窗函数，m为时间序列延迟量，fx为离散频率变量，*为共轭算子；
(2)估计HRRP的PWVD的奇异性指数α(x,fx)：
其中，μi为对PWVD局部点在i邻域内采取的测度计算，εi为对不同的邻域尺寸；
(3)对于W(x,fx)和α(x,fx)，可通过计算时变的奇异指数域功率谱来跟踪信号随时间变化的SPS功率分布，对于给定时刻x，W(x,fx)的SPS估计为：
其中，
为奇异性子集
的势，
为W(x,fx)中具有相同的奇异性指数的点组成的子集。为获得统一离散奇异性指数分散布范围和分辨率，对奇异性指数α(x,fx)进行划分,假定α(x,fx)∈[αmin,αmax],则按给定的奇异性指数分辨率，采用均匀区间划分可得：
α(m)＝[αmin＝α0,α1,...,αM-2,αM-1＝αmax]
对于α(m),假定α(m)≤αn(k)＜α(m+1),定义离散的奇异性子集为：
(4)遍历所有时刻x，可得奇异性指数多分辨分析谱P(x,αm)。
5.根据权利要求4所述的一种基于SMRA和BiGRU的雷达HRRP海杂波分类方法，其特征在于，对PWVD局部点在i邻域内采取的测度计算采用最大测度、均值测度或求和测度。
6.根据权利要求1所述的一种基于SMRA和BiGRU的雷达HRRP海杂波分类方法，其特征在于，步骤S300中使用深度学习BiGRU模型，在BiGRU之前使用全连接层来实现对SMRA多维特征自适应优化组合，在BiGRU之后使用全连接层实现HRRP分类。
7.根据权利要求6所述的一种基于SMRA和BiGRU的雷达HRRP海杂波分类方法，其特征在于，所述BiGRU模型的结构依次为：输入层、全连接层1、双层BiGRU、全连接层2和输出层；其中，需设置的关键训练参数包括Batchsize、隐层节点、最大迭代次数、学习率、Adam优化器参数beta1和beta2；对于给定的HRRP雷达海杂波数据，模型参数需要在小范围内自适应调参，以达到最佳分类效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110980014.4A CN113721215B (zh) | 2021-08-25 | 2021-08-25 | 一种基于SMRA和BiGRU的雷达HRRP海杂波分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110980014.4A CN113721215B (zh) | 2021-08-25 | 2021-08-25 | 一种基于SMRA和BiGRU的雷达HRRP海杂波分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113721215A true CN113721215A (zh) | 2021-11-30 |
| CN113721215B CN113721215B (zh) | 2024-01-30 |
Family
ID=78677783
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110980014.4A Active CN113721215B (zh) | 2021-08-25 | 2021-08-25 | 一种基于SMRA和BiGRU的雷达HRRP海杂波分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113721215B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105445624A (zh) * | 2015-11-26 | 2016-03-30 | 重庆大学 | 结合小波变换及曲线拟合的电缆故障定位方法 |
| CN110244275A (zh) * | 2019-07-19 | 2019-09-17 | 上海交通大学 | 海杂波双谱重构与仿真方法 |
| CN110363151A (zh) * | 2019-07-16 | 2019-10-22 | 中国人民解放军海军航空大学 | 基于双通道卷积神经网络虚警可控的雷达目标检测方法 |
| CN111681272A (zh) * | 2020-06-09 | 2020-09-18 | 上海交通大学 | 一种基于奇异性功率谱的sar图像处理方法 |
| CN111812598A (zh) * | 2020-07-30 | 2020-10-23 | 中国电波传播研究所（中国电子科技集团公司第二十二研究所） | 一种基于时域频域多特征的地海杂波分类方法 |
| CN112904282A (zh) * | 2021-01-20 | 2021-06-04 | 北京理工大学 | 基于pwvd与卷积神经网络的雷达干扰信号识别方法 |
-
2021
- 2021-08-25 CN CN202110980014.4A patent/CN113721215B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105445624A (zh) * | 2015-11-26 | 2016-03-30 | 重庆大学 | 结合小波变换及曲线拟合的电缆故障定位方法 |
| CN110363151A (zh) * | 2019-07-16 | 2019-10-22 | 中国人民解放军海军航空大学 | 基于双通道卷积神经网络虚警可控的雷达目标检测方法 |
| CN110244275A (zh) * | 2019-07-19 | 2019-09-17 | 上海交通大学 | 海杂波双谱重构与仿真方法 |
| CN111681272A (zh) * | 2020-06-09 | 2020-09-18 | 上海交通大学 | 一种基于奇异性功率谱的sar图像处理方法 |
| CN111812598A (zh) * | 2020-07-30 | 2020-10-23 | 中国电波传播研究所（中国电子科技集团公司第二十二研究所） | 一种基于时域频域多特征的地海杂波分类方法 |
| CN112904282A (zh) * | 2021-01-20 | 2021-06-04 | 北京理工大学 | 基于pwvd与卷积神经网络的雷达干扰信号识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| GANG XIONG ET AL.: "Time-singularity Power Spectral Distribution and Its Application in the Analysis of Radar Sea Clutter", 《JOURNAL OF PHYSICS CONFERENCE SERIES》, pages 1 - 7 * |
| JUNYE LI ET AL.: "SAR Image Processing and Target Detection Based on 2D Singularity Power Spectrum in Time-frequency Domain", 《2020 IEEE 5TH INTERNATIONAL CONFERENCE ON SIGNAL AND IMAGE PROCESSING》, pages 79 - 80 * |
| 刘家麒 等: "基于注意力机制和双向GRU模型的雷达HRRP目标识别", 《雷达学报》, pages 590 - 593 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113721215B (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105137498B (zh) | 一种基于特征融合的地下目标探测识别系统及方法 | |
| CN101763514B (zh) | 基于特征重要度排序谱聚类的图像分割方法 | |
| CN101847210B (zh) | 基于二维经验模态分解和小波降噪的多分组图像分类方法 | |
| CN108416290A (zh) | 基于残差深度学习的雷达信号特征提取方法 | |
| CN100570628C (zh) | 融合小波分析与矩特征的人耳图像识别方法 | |
| CN107992818B (zh) | 一种光学遥感图像海面船只目标的检测方法 | |
| CN112462355B (zh) | 一种基于时频三特征提取的对海目标智能检测方法 | |
| CN111488801A (zh) | 基于振动噪声识别的船舶分类方法 | |
| CN105389826A (zh) | 珊瑚岛礁岸线高分sar遥感提取方法 | |
| CN114564982A (zh) | 雷达信号调制类型的自动识别方法 | |
| CN111680737B (zh) | 差异性信噪比条件下的雷达辐射源个体识别方法 | |
| CN112137620A (zh) | 一种基于超宽带雷达的人体微弱呼吸信号检测方法 | |
| CN114897023A (zh) | 一种基于水声目标敏感差异特征提取的水声目标辨识方法 | |
| CN111339986B (zh) | 基于时域/频域分析的装备用频规律挖掘方法和系统 | |
| CN106772572B (zh) | 一种微地震监测初至的拾取方法 | |
| CN113064133B (zh) | 一种基于时频域深度网络的海面小目标特征检测方法 | |
| CN102081740A (zh) | 一种基于尺度不变特征的三维图像分类方法 | |
| CN113721215B (zh) | 一种基于SMRA和BiGRU的雷达HRRP海杂波分类方法 | |
| CN116027279A (zh) | 基于迁移成分分析的实测雷达辐射源脉内调制识别方法 | |
| CN111144316B (zh) | 基于堆栈自编码器的海面目标检测方法 | |
| Gupta et al. | Using phoneme duration and energy contour information to improve large vocabulary isolated-word recognition | |
| CN113030892B (zh) | 一种基于高维特征域梯度提升树的海面小目标检测方法 | |
| CN117932224B (zh) | 一种基于物理先验知识的卫星海浪二维谱分割方法 | |
| Ren et al. | Radar emitter signals classification using kernel principle component analysis and fuzzy support vector machines | |
| Hu et al. | Intrusion Target Classification Based on Seismic Signals Using Parallel Neural Network with Time/Frequency Dimension Reduction |
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 |