CN114594440A - 基于双并行网络的雷达高分辨率一维距离像目标识别方法及系统 - Google Patents

基于双并行网络的雷达高分辨率一维距离像目标识别方法及系统 Download PDF

Info

Publication number
CN114594440A
CN114594440A CN202210072547.7A CN202210072547A CN114594440A CN 114594440 A CN114594440 A CN 114594440A CN 202210072547 A CN202210072547 A CN 202210072547A CN 114594440 A CN114594440 A CN 114594440A
Authority
CN
China
Prior art keywords
resolution
data
range profile
dimensional range
network
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.)
Pending
Application number
CN202210072547.7A
Other languages
English (en)
Inventor
吴济洲
张红敏
黄洁
高暄皓
党同心
陈天翊
程巍轶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Information Engineering University of PLA Strategic Support Force
Original Assignee
Information Engineering University of PLA Strategic Support Force
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Information Engineering University of PLA Strategic Support Force filed Critical Information Engineering University of PLA Strategic Support Force
Priority to CN202210072547.7A priority Critical patent/CN114594440A/zh
Publication of CN114594440A publication Critical patent/CN114594440A/zh
Pending legal-status Critical Current

Links

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
    • G01S7/411—Identification of targets based on measurements of radar reflectivity
    • 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
    • G01S7/418—Theoretical aspects
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明属于雷达目标识别领域，特别涉及一种基于双并行网络的雷达高分辨率一维距离像目标识别方法及系统，通过构建目标识别模型并利用预设波段宽带雷达试验场实测数据作为样本数据对模型进行训练优化，其中，该模型包含：两个并行分别对输入的雷达高分辨率一维距离像数据序列相关性特征进行提取和映射分类的分支网络，用于对两个分支网络输出进行数据加权融合的融合层，用于对加权融合后的输出序列进行分类识别的输出层；利用训练优化后的目标识别模型来识别待检测范围内的高分辨率一维距离像目标。本发明通过对HRRP序列数据进行多通道编码提取特征，并通过权值调整能够进一步提升网络模型的稳健性，提升目标识别准确率，便于实际场景应用。

Description

基于双并行网络的雷达高分辨率一维距离像目标识别方法及 系统
技术领域
本发明属于雷达目标识别领域，特别涉及一种基于双并行网络的雷达高分辨率一维距离像目标识别方法及系统。
背景技术
雷达高分辨一维距离像(High-Resolution Range Profile,HRRP)是宽带雷达发射的信号经过目标散射后，在雷达径向上所接收到回波的投影向量和。HRRP包含目标在接收天线径向的目标散射点的结构分布信息，通过分析可得目标自身的尺寸结构，等效散射中心分布的参数，是如今目标识别分类的重要数据来源。SAR图像拥有丰富的目标二维结构信息，然而成像需要目标一定的转角积累，这次在实际应用中较难以获取非合作目标的高机动飞行过程中数据，而HRRP获取难度低，成像简单。因此HRRP被广泛应用于雷达自动目标识别(Radar Automatic Target Recognition,RATR)领域。在利用HRRP对目标进行快速与准确识别分类中，如何利用已知数据提取全面特征，完成对目标信息分析处理是当前研究的热点问题。
在传统的HRRP数据处理中，由于数据维度高，存在信息冗余的情况而采用先降维后统计识别的方法，通过检验待测样本的后验概率确定其类型，该类方法主要有AGC，Gamma模型，Gamma Mixture模型等，但此类样本自由度低，仅适用于小样本数据进行目标识别。且对目标统计特征描述不全面，无法完全掌握目标的特性从而影响目标识别的准确度。此外，因子分析(FA)模型可以更好的掌握目标特性，但是鲁棒性不强，受目标的姿态敏感性影响巨大。为了得到目标的全面模型，因子分析需要在前期训练阶段掌握大量的目标数据进行建模统计。以上方法是将HRRP数据看作是互相独立的距离单元回拨序列组合，没有考虑雷达接收子回波之间的关联性，进而影响目标识别效果。
发明内容
为此，本发明提供一种基于双并行网络的雷达高分辨率一维距离像目标识别方法及系统，对HRRP序列数据进行多通道编码提取特征，并通过权值调整提升网络模型的稳健性，提升目标识别准确率，便于实际场景应用。
按照本发明所提供的设计方案，提供一种基于双并行网络的雷达高分辨率一维距离像目标识别方法，包含如下内容：
构建目标识别模型并利用预设波段宽带雷达试验场实测数据作为样本数据对模型进行训练优化，其中，该模型包含：两个并行分别对输入的雷达高分辨率一维距离像数据序列相关性特征进行提取和映射分类的分支网络，用于对两个分支网络输出进行数据加权融合的融合层，用于对加权融合后的输出序列进行分类识别的输出层；
利用训练优化后的目标识别模型来识别待检测范围内的高分辨率一维距离像目标。
作为本发明基于双并行网络的雷达高分辨率一维距离像目标识别方法，进一步地，两个分支网络中，采用异构的神经网络结构来构建分支网络。
作为本发明基于双并行网络的雷达高分辨率一维距离像目标识别方法，进一步地，两个分支网络中，其中一个分支网络采用LSTM网络结构来提取输入雷达高分辨率一维距离像数据序列前后关联时序特征信息并进行分类映射，另一分支网络采用GRU网络结构来提取输入雷达高分辨率一维距离像数据序列散射中心聚集时序特征信息并进行分类映射。
作为本发明基于双并行网络的雷达高分辨率一维距离像目标识别方法，进一步地，LSTM网络结构中，针对输入的雷达高分辨率一维距离像数据序列，通过遗忘门、输入门和输出门来更新当前计算时刻的记忆单元和隐藏状态，将输入的雷达高分辨率一维距离像数据序列前面时刻信息与当前计算时刻信息进行关联，利用时序相关性来提取数据序列特征。
作为本发明基于双并行网络的雷达高分辨率一维距离像目标识别方法，进一步地，GRU网络结构中，利用重置门设置先前时刻信息遗忘程度，利用更新门设置当前时刻信息重要程度，通过重置门和更新门来更新当前时刻的隐藏状态，利用当前时刻信息量来确定并调整当前时刻信息与先前时刻历史信息权重，以通过稀释历史信息数据来提取输入的雷达高分辨率一维距离像数据序列散射中心聚集时序特征。
作为本发明基于双并行网络的雷达高分辨率一维距离像目标识别方法，进一步地，所述融合层采用动态门结构权值融合调整策略对两个分支网络输出进行加权融合，其中，对两个分支网络输出进行加权融合的权值随网络特征提取状况进行动态调整。
作为本发明基于双并行网络的雷达高分辨率一维距离像目标识别方法，进一步地，动态门结构权值融合调整策略进行加权融合的过程表示为:Fa＝dLSTM*FLSTM+dGRU*FGRU，其中，Fa表示加权融合后输出，ILSTM-forget表示所有时刻输入数据经输入门后生成LSTM网络输入门的门控单元序列，ZGRU-update表示随数据输入生成更新门的门控单元序列，dLSTM、dGRU分别表示两个分支网络中利用对应门控单元序列二范数之比来获取的权值。
作为本发明基于双并行网络的雷达高分辨率一维距离像目标识别方法，进一步地，所述输出层采用softmax及classification分类器来输出输入序列类别，其中，利用softmax输出输入序列所述类别的概率大小，利用classification选取所属类别概率最大的一项类别作为最终输出结果。
作为本发明基于双并行网络的雷达高分辨率一维距离像目标识别方法，进一步地，采用收集的C波段宽带雷达对已知若干类型目标的试验场测所得数据作为模型训练优化的样本数据，并将样本数据划分为用于模型学习训练的训练样本和用于测试调优的测试样本，分别利用训练样本和测试样本对模型进行训练优化，其中，试验场测所得数据中包含已知若干类型目标飞行所述有方位角。
进一步地，本发明还提供一种基于双并行网络的雷达高分辨率一维距离像目标识别方法，包含：模型构建模块及目标识别模块，其中，
模型构建模块，用于构建目标识别模型并利用预设波段宽带雷达试验场实测数据作为样本数据对模型进行训练优化，其中，该模型包含：两个并行分别对输入的雷达高分辨率一维距离像数据序列相关性特征进行提取和映射分类的分支网络，用于对两个分支网络输出进行数据加权融合的融合层，用于对加权融合后的输出序列进行分类识别的输出层；
目标识别模块，用于利用训练优化后的目标识别模型来识别待检测范围内的高分辨率一维距离像目标。
本发明的有益效果：
本发明通过对HRRP序列数据进行多通道编码提取特征，然后对各分类网络输出特征做动态权值融合相加，相比之前的算法，该模型具有训练数据量小，无需人工分段的特点；进一步利用网络长时记忆的特点充分提取样本的结构特征，更符合HRRP数据的理论依据。在对多通道目标特征融合时，为充分提高LSTM特征提取能力和区别关注序列重要信息，引入多层双向LSTM网络模型处理HRRP序列识别任务，提高网络对目标识别的精度，并根据独立序列网络所提取目标信息数据量大小设置动态权值调整融合机制，通过权值调整使得网络模型更稳健，识别准确率始终保持在较高水平，具有较好的应用前景。
附图说明：
图1为实施例中基于双并行网络的雷达高分辨率一维距离像目标识别流程示意；
图2为实施例中双并行网络结构示意；
图3为实施例中LSTM网络单元结构示意；
图4为实施例中GRU网络单元结构示意；
图5为实施例中目标航迹地平面投影示意；
图6为实施例中不同类型目标的频谱幅度示意；
图7为实施例中不同隐藏层数的准确率对比示意；
图8为实施例中不同模型网络深度的识别率对比示意。
具体实施方式：
为使本发明的目的、技术方案和优点更加清楚、明白，下面结合附图和技术方案对本发明作进一步详细的说明。
本发明实施例，提供一种基于双并行网络的雷达高分辨率一维距离像目标识别方法，参见图1所示，包含如下内容：
S101、构建目标识别模型并利用预设波段宽带雷达试验场实测数据作为样本数据对模型进行训练优化，其中，该模型包含：两个并行分别对输入的雷达高分辨率一维距离像数据序列相关性特征进行提取和映射分类的分支网络，用于对两个分支网络输出进行数据加权融合的融合层，用于对加权融合后的输出序列进行分类识别的输出层；
S102、利用训练优化后的目标识别模型来识别待检测范围内的高分辨率一维距离像目标。
通过对HRRP序列数据进行多通道编码提取特征，然后对各分类网络输出特征做动态权值融合相加，相比之前的算法，该模型具有训练数据量小，无需人工分段的特点，通过权值调整提升网络模型的稳健性，提升目标识别准确率，便于实际场景应用。
进一步地，两个分支网络中，采用异构的神经网络结构来构建分支网络。由于待识别目标作为一个整体，其散射中心相对位置固定，因为运动过程中姿态变化导致的相对雷达视线方向的相对变化，从而某一散射中心位置会在距离单元上发生偏移，即将目标在三维空间内的所有散射中心的回波数据映射在目标与接收天线之间的一维空间内，基于上述散射中心偏移变化形成了距离单元之间出现起伏变化。各距离单元内的时序相关性是做目标识别的重要手段，为充分提取序列关联性特征，参见图2所示，本案实施例中，对数据采用双向长短时网络以及门结构对数据进行建模。进一步地，两个分支网络中，其中一个分支网络采用LSTM网络结构来提取输入雷达高分辨率一维距离像数据序列前后关联时序特征信息并进行分类映射，另一分支网络采用GRU网络结构来提取输入雷达高分辨率一维距离像数据序列散射中心聚集时序特征信息并进行分类映射。进一步地，LSTM网络结构中，针对输入的雷达高分辨率一维距离像数据序列，通过遗忘门、输入门和输出门来更新当前计算时刻的记忆单元和隐藏状态，将输入的雷达高分辨率一维距离像数据序列前面时刻信息与当前计算时刻信息进行关联，利用时序相关性来提取数据序列特征。
LSTM模块包括记忆单元ct(Cell State)与隐藏状态ht(Hidden State)两个状态与输入门it，遗忘门ft和输出门ot三个“门”结构。参见图3所示，对于输入HRRP序列数据x＝[x1,x2,L,xT]，利用LSTM模块进行计算的过程为：
it＝σ(W(i)xt+U(i)ht-1+b(i)) (1)
ft＝σ(W(f)xt+U(f)ht-1+b(f)) (2)
ot＝σ(W(o)xt+U(o)ht-1+b(o)) (3)
ct＝it e tanh(W(c)xt+U(c)ht-1+b(c))+ft e ct-1 (4)
ht＝ot⊙tanh(ct) (5)
其中⊙表示为Hadamard积，σ和tanh为非线性映射函数，
Figure BDA0003482629500000051
为第t个时刻的隐层，
Figure BDA0003482629500000052
为第t个时刻的输入，
Figure BDA0003482629500000053
和
Figure BDA0003482629500000054
为模型的权值矩阵，
Figure BDA0003482629500000055
为模型的偏置。遗忘门ft用来重置记忆单元，输入门it和输出门ot来控制记忆单元的输入和输出。
在索引位置t上一时刻的记忆单元ct-1通过遗忘门ft与输出门ot计算结果的叠加作用，计算得到当前时刻信息丢弃与否的信息后更新t时刻的记忆单元ct。隐藏状态ht-1包含索引位置t时刻之前前向传播输入序列隐含的有效信息，通过当前序列索引位置t时刻记忆单元ct与输出门ot共同作用更新隐藏状态ht。通过记忆单元与隐藏状态的共同作用，可以保留序列数据中的有效数据，在对t时刻做特征提取时将HRRP数据前面时刻的信息纳入考虑范畴。同时解决传统网络中的长时、梯度爆炸与梯度消失问题。实现序列数据前后信息的关联，保存与传递更长时刻的信息，充分利用时序相关性对输入HRRP序列进行识别。
进一步地，GRU网络结构中，利用重置门设置先前时刻信息遗忘程度，利用更新门设置当前时刻信息重要程度，通过重置门和更新门来更新当前时刻的隐藏状态，利用当前时刻信息量来确定并调整当前时刻信息与先前时刻历史信息权重，以通过稀释历史信息数据来提取输入的雷达高分辨率一维距离像数据序列散射中心聚集时序特征。
GRU网络与LSTM网络结构有较大差异，在GRU网络单元中，仅包含更新门zt，重置门rt两个门结构与一个隐藏状态。参见图4所示，重置门rt设置对先前时刻信息的遗忘程度，更新门zt设置当前时刻信息的重要程度。对于输入HRRP序列数据x＝[x1,x2,…,xT]，利用GRU模块进行计算的过程为：
rt＝σ(Wr·xt+Ur·ht-1+br]) (6)
zt＝σ(Wz·xt+Uz·ht-1+bz) (7)
Figure BDA0003482629500000056
Figure BDA0003482629500000057
通过对比分析可以得出LSTM和GRU网络均属于对时序信息的特征提取，LSTM网络通过设置记忆单元对不同时刻信息保留信息做调整，从而对序列中不同时刻信息设置不同权重提取HRRP目标所在距离单元内中的有效信息，因此，LSTM网络对HRRP序列中分布的强散射中心时刻点输入xt有高权重，特征主要由以上散射中心距离单元所表示。GRU网络通过当前时刻信息量决定对当前时刻信息与历史信息的权重调整，类比于LSTM遗忘门的更新门zt决定对当前时刻输入信息xt的遗忘程度，当前时刻xt信息量大，权重高，即对历史状态信息ht-1的保留信息权重(1-zt)反比例降低。在连续输入多位需要保存大量信息的输入xt后，zt权重增高，历史状态信息权重(1-zt)由于多步计算叠加作用下权值迅速降低，历史隐藏状态信息ht数据作用稀释，故GRU网络侧重于主要散射中心聚集的段落信息的特征提取与识别。
为避免网络出现过拟合的现象，以及避免网络训练时间过长的问题，本案实施例中，可在网络结构中增加Dropout层，在每批训练中随机丢弃50％的隐层节点，根据实际应用情形，策略可将相应节点修改为0，从而减少隐层节点之间的相互作用，提高模型的训练速度，增强模型的泛化性。全连接层在网络中将隐层空间特征数据做加权和，将特征数据映射到分类结果，相当于分类器的作用。本案实施例中的网络结构，并行网络得出两组分类结果，可分别记为LSTM分支的分类结果FLSTM＝(fL1,fL2,fL3)以及GRU分支的分类结果FGRU＝(fG1,fG2,fG3)。
作为本发明实施例中基于双并行网络的雷达高分辨率一维距离像目标识别方法，进一步地，所述融合层采用动态门结构权值融合调整策略对两个分支网络输出进行加权融合，其中，对两个分支网络输出进行加权融合的权值随网络特征提取状况进行动态调整。
融合层采用动态门结构权值融合调整的策略对并行循环网络结构输出值进行融合。全连接层并行输入至融合层的权值随网络特征提取状况而定，并行网络的全连接层分别输出目标类型数的输出值传递输出以进行逻辑回归(softmax regression)进行分类，在LSTM结构单元中所有时刻输入数据经过输入门it后生成LSTM网络输入门控单元序列ILSTM-forget，同样，GRU网络模型中会随数据输入生成更新门zt门控单元序列ZGRU-update，
ILSTM-forget＝[i1,i2,...,iL]T (10)
ZGRU-update＝[z1,z2,...,zL]T (11)
在此选择对两个独立模型输出权值d设置为门控单元序列二范数之比即
Figure BDA0003482629500000071
Figure BDA0003482629500000072
融合层将全连接层分类结果进行加权融合后输出最终隐层输出序列Fa：
Fa＝dLSTM*FLSTM+dGRU*FGRU (14)
作为本发明实施例中基于双并行网络的雷达高分辨率一维距离像目标识别方法，进一步地，所述输出层采用softmax及classification分类器来输出输入序列类别，其中，利用softmax输出输入序列所述类别的概率大小，利用classification选取所属类别概率最大的一项类别作为最终输出结果。
获取隐层输出序列Fa后，可采用softmax层及classification层分类器输出待测样本的类别：
Figure BDA0003482629500000073
Si表示待测样本序列属于第i类的概率大小。最终classification层将类型识别为j类中概率值最大的一项。
进一步地，可通过收集的C波段宽带雷达对已知若干类型目标的试验场测所得数据作为模型训练优化的样本数据，并将样本数据划分为用于模型学习训练的训练样本和用于测试调优的测试样本，分别利用训练样本和测试样本对模型进行训练优化，其中，试验场测所得数据中包含已知若干类型目标飞行所述有方位角。
基于上述的方法，本发明实施例还提供一种基于双并行网络的雷达高分辨率一维距离像目标识别方法，包含：模型构建模块及目标识别模块，其中，
模型构建模块，用于构建目标识别模型并利用预设波段宽带雷达试验场实测数据作为样本数据对模型进行训练优化，其中，该模型包含：两个并行分别对输入的雷达高分辨率一维距离像数据序列相关性特征进行提取和映射分类的分支网络，用于对两个分支网络输出进行数据加权融合的融合层，用于对加权融合后的输出序列进行分类识别的输出层；
目标识别模块，用于利用训练优化后的目标识别模型来识别待检测范围内的高分辨率一维距离像目标。
为验证本案方案有效性，下面结合试验数据做进一步解释说明：
实验数据来源为利用C波段宽带雷达对三类中小型飞机外场实测所得数据，飞机HRRP数据分别为雅克-42、奖状以及安-26的飞行数据，如表1所示的ISAR与飞机参数，以上三类飞机分别为中大型喷气式飞机、小型喷气式飞机以及中小型螺旋桨飞机。实验中三类飞机的飞行轨迹投影如图5所示，涵盖了目标飞行所有方位角，对于分类学习的全面性有足够的保障，通过对飞行航迹分段达到对训练和测试集相区分不重叠的目的。按照图中分段将各飞机设置分为五至七段航迹，训练集选取雅克-42飞机的2，3段，奖状的6，7段以及安-26的5，6段，训练样本选取每类3000个，合计9000个样本，基本涵盖该目标各角域的数据，保证训练集的完备性，其余各段作为测试集用以验证识别性能。测试数据为每类10000个合计30000个样本。
Figure BDA0003482629500000081
表2识别性能对比
方法 MCC AGC HMM SVM LSTM GRU BiLSTM 双并行
识别性能 0.62 0.85 0.87 0.86 0.92 0.93 0.92 0.96
上述三类飞机的频谱幅度如图6，(a)、(b)、(c)分别为雅克-42、奖状以及安-26的频谱幅度示意。表2展示本案方案中的双并行网络与当前已有模型之间对比的识别性能，识别性能为在测试集中识别样本正确类型的个数占总测试集的比例。对比模型包括最大相关系数法(Maximum Cross Correlation,MCC),自适应高斯分类器(Adaptive GaussianClassifier,AGC),隐马尔可夫模型(Hidden Markov Model，HMM)，此外benwen还将长短期记忆网络(LSTM，Long Short-Term Memory)，门控循环网络(Gated Recurrent Unit，GRU)进行对比。
对比试验采用相同的训练集与测试集，HRRP数据经过预处理后的序列维度均为256。网络隐层状态维度k均设置为10。本案方案模型中代训练的参数主要为LSTM网络结构单元中的θLSTM＝{Wi,Ui,bi,Wf,Uf,bf,Wo,Uo,bo,Wc,Uc,bc}，以及GRU网络结构中的θGRU＝{Wr,Ur,br,Wz,Uz,bz,Wh,Uh,bh}。学习率设置为lrt＝0.5round(t/20)×lr0，初始学习率lr0设置为0.5，每循环十次学习率下降为原数值的1/2。
相比传统的模型，递归神经网络可以更好地学习序列数据中的时序关系，将时序相关性考虑后可以看到识别精度得到有效提升。传统模型多采用统计识别与核方法，通过获得样本信息统计分布参数进行建模后进行模型匹配识别，然而HRRP数据维度高且数据前后存在关联，无法通过相应识别算法获得更精确的识别性能。与此同时，基于核方法的分类是将数据从线性不可分的原始空间映射到高维可分空间，该原理对HRRP数据处理无法取得好的效果，所需样本数量过大且核矩阵维度过大，使模型计算复杂度显著增加。本案实施例中，在采用序列输入的网络模型对比中，双并行网络识别准确率显著高于其他类型网络。表2中网络深度均设为10，可以发现，双并行网络能保持较好的识别效果。
表3网络模型稳定度比较
类别 LSTM GRU BiLSTM 双并行
均值 0.9085 0.9001 0.8953 0.9599
方差 5.2646e-04 8.6888e-04 0.0020 5.4316e-05
表3为网络模型深度变化的网络识别率稳定性对比，选取的网络深度为2-20层，由数据可以发现，双并行网络识别率高且准确率可靠无剧烈波动，具有良好的稳健性。如图7所示，网络深度变化的识别率比较，可以看出双并行网络随网络深度变化其识别精度变化不大，鲁棒性高。深度变化后其算法性能依旧好。对比LSTM，GRU等网络模型发现识别性能非常依赖深度参数的调整，以BiLSTM网络为例，深度层数设置为5和6，其识别准确率相差了15％。因此，本案方案中的双并行网络能较好克服序列网络深度对目标识别的影响，识别经度波动小，具有较好的目标分类识别能力。如图8所示，本案方案中双并行网络随网络深度变化识别性能始终保持较高水平，无剧烈波动，对于参数调整需求不大。在网络深度较低时依然能取得良好的识别效果。
基于以上方案及实验数据能够进一步说明，本案方案在针对雷达高分辨一维距离像的自动目标识别问题时，通过设置独立双并行时序网络，提取雷达一维序列数据，捕捉目标序列的距离单元之间时序相关性特征，并进一步利用动态门结构权值融合调整的融合机制，有效地提高特征提取的稳定性，对于网络深度变化表现十分稳健，能够提取有效特征进行识别，不需要先验信息，识别性能好，网络鲁棒性高。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，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所述以权利要求的保护范围为准。

Claims (10)

1.一种基于双并行网络的雷达高分辨率一维距离像目标识别方法，其特征在于，包含如下内容：
构建目标识别模型并利用预设波段宽带雷达试验场实测数据作为样本数据对模型进行训练优化，其中，该模型包含：两个并行分别对输入的雷达高分辨率一维距离像数据序列相关性特征进行提取和映射分类的分支网络，用于对两个分支网络输出进行数据加权融合的融合层，用于对加权融合后的输出序列进行分类识别的输出层；
利用训练优化后的目标识别模型来识别待检测范围内的高分辨率一维距离像目标。
2.根据权利要求1所述的基于双并行网络的雷达高分辨率一维距离像目标识别方法，其特征在于，两个分支网络中，采用异构的神经网络结构来构建分支网络。
3.根据权利要求1或2所述的基于双并行网络的雷达高分辨率一维距离像目标识别方法，其特征在于，两个分支网络中，其中一个分支网络采用LSTM网络结构来提取输入雷达高分辨率一维距离像数据序列前后关联时序特征信息并进行分类映射，另一分支网络采用GRU网络结构来提取输入雷达高分辨率一维距离像数据序列散射中心聚集时序特征信息并进行分类映射。
4.根据权利要求3所述的基于双并行网络的雷达高分辨率一维距离像目标识别方法，其特征在于，LSTM网络结构中，针对输入的雷达高分辨率一维距离像数据序列，通过遗忘门、输入门和输出门来更新当前计算时刻的记忆单元和隐藏状态，将输入的雷达高分辨率一维距离像数据序列前面时刻信息与当前计算时刻信息进行关联，利用时序相关性来提取数据序列特征。
5.根据权利要求3所述的基于双并行网络的雷达高分辨率一维距离像目标识别方法，其特征在于，GRU网络结构中，利用重置门设置先前时刻信息遗忘程度，利用更新门设置当前时刻信息重要程度，通过重置门和更新门来更新当前时刻的隐藏状态，利用当前时刻信息量来确定并调整当前时刻信息与先前时刻历史信息权重，以通过稀释历史信息数据来提取输入的雷达高分辨率一维距离像数据序列散射中心聚集时序特征。
6.根据权利要求3所述的基于双并行网络的雷达高分辨率一维距离像目标识别方法，其特征在于，所述融合层采用动态门结构权值融合调整策略对两个分支网络输出进行加权融合，其中，对两个分支网络输出进行加权融合的权值随网络特征提取状况进行动态调整。
7.根据权利要求6所述的基于双并行网络的雷达高分辨率一维距离像目标识别方法，其特征在于，动态门结构权值融合调整策略进行加权融合的过程表示为:Fa＝dLSTM*FLSTM+dGRU*FGRU，其中，Fa表示加权融合后输出，ILSTM-forget表示所有时刻输入数据经输入门后生成LSTM网络输入门的门控单元序列，ZGRU-update表示随数据输入生成更新门的门控单元序列，dLSTM、dGRU分别表示两个分支网络中利用对应门控单元序列二范数之比来获取的权值。
8.根据权利要求1所述的基于双并行网络的雷达高分辨率一维距离像目标识别方法，其特征在于，所述输出层采用softmax及classification分类器来输出输入序列类别，其中，利用softmax输出输入序列所述类别的概率大小，利用classification选取所属类别概率最大的一项类别作为最终输出结果。
9.根据权利要求1所述的基于双并行网络的雷达高分辨率一维距离像目标识别方法，其特征在于，采用收集的C波段宽带雷达对已知若干类型目标的试验场测所得数据作为模型训练优化的样本数据，并将样本数据划分为用于模型学习训练的训练样本和用于测试调优的测试样本，分别利用训练样本和测试样本对模型进行训练优化，其中，试验场测所得数据中包含已知若干类型目标飞行所述有方位角。
10.一种基于双并行网络的雷达高分辨率一维距离像目标识别方法，其特征在于，包含：模型构建模块及目标识别模块，其中，
模型构建模块，用于构建目标识别模型并利用预设波段宽带雷达试验场实测数据作为样本数据对模型进行训练优化，其中，该模型包含：两个并行分别对输入的雷达高分辨率一维距离像数据序列相关性特征进行提取和映射分类的分支网络，用于对两个分支网络输出进行数据加权融合的融合层，用于对加权融合后的输出序列进行分类识别的输出层；
目标识别模块，用于利用训练优化后的目标识别模型来识别待检测范围内的高分辨率一维距离像目标。
CN202210072547.7A 2022-01-21 2022-01-21 基于双并行网络的雷达高分辨率一维距离像目标识别方法及系统 Pending CN114594440A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210072547.7A CN114594440A (zh) 2022-01-21 2022-01-21 基于双并行网络的雷达高分辨率一维距离像目标识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210072547.7A CN114594440A (zh) 2022-01-21 2022-01-21 基于双并行网络的雷达高分辨率一维距离像目标识别方法及系统

Publications (1)

Publication Number Publication Date
CN114594440A true CN114594440A (zh) 2022-06-07

Family

ID=81804969

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210072547.7A Pending CN114594440A (zh) 2022-01-21 2022-01-21 基于双并行网络的雷达高分辨率一维距离像目标识别方法及系统

Country Status (1)

Country Link
CN (1) CN114594440A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115236666A (zh) * 2022-07-24 2022-10-25 中国人民解放军91977部队 一种用于雷达目标识别的数据处理方法及装置
CN115995032A (zh) * 2023-03-23 2023-04-21 中国船舶集团有限公司第七一九研究所 一种多模态特征融合的舰船智能识别方法和系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115236666A (zh) * 2022-07-24 2022-10-25 中国人民解放军91977部队 一种用于雷达目标识别的数据处理方法及装置
CN115236666B (zh) * 2022-07-24 2024-05-07 中国人民解放军91977部队 一种用于雷达目标识别的数据处理方法及装置
CN115995032A (zh) * 2023-03-23 2023-04-21 中国船舶集团有限公司第七一九研究所 一种多模态特征融合的舰船智能识别方法和系统

Similar Documents

Publication Publication Date Title
CN110135267B (zh) 一种大场景sar图像细微目标检测方法
CN106355151B (zh) 一种基于深度置信网络的三维sar图像目标识别方法
CN110334741B (zh) 基于循环神经网络的雷达一维距离像识别方法
CN114594440A (zh) 基于双并行网络的雷达高分辨率一维距离像目标识别方法及系统
CN110018453A (zh) 基于飞机航迹特征的智能机型识别方法
CN112149715B (zh) 一种基于深度学习的无人机空战威胁评估方法
CN108828547A (zh) 基于深度神经网络的米波雷达低仰角测高方法
CN111582236B (zh) 一种基于稠密卷积神经网络的lpi雷达信号分类方法
CN104239901B (zh) 基于模糊粒子群和目标分解的极化sar图像分类方法
CN109948722B (zh) 一种识别空间目标的方法
CN115761534A (zh) 一种空中背景下红外无人机小目标检测及跟踪方法
Tepecik et al. A novel hybrid model for inversion problem of atmospheric refractivity estimation
CN114139566A (zh) 基于机器学习加权平均融合特征提取提高测高精度的方法
CN116580322A (zh) 一种地面背景下无人机红外小目标检测方法
CN113159218A (zh) 一种基于改进cnn的雷达hrrp多目标识别方法及系统
Tian et al. Performance evaluation of deception against synthetic aperture radar based on multifeature fusion
Guo et al. A novel radar signals sorting method-based trajectory features
CN104008403A (zh) 一种svm（矢量机）模式的多目标识别判定方法
CN114973019A (zh) 一种基于深度学习的地理空间信息变化检测分类方法及系统
CN111368653A (zh) 一种基于r-d图与深度神经网络的低空小目标检测方法
Ge et al. Credible Gaussian sum cubature Kalman filter based on non-Gaussian characteristic analysis
Ren et al. Fast RCS data generation based on infoGAN
Zhang et al. An Incremental Recognition Method for MFR Working Modes Based on Deep Feature Extension in Dynamic Observation Scenarios
CN115616579A (zh) 一种基于awpso-cnn和hy-2c微波散射计海面风场反演方法
Wu et al. Radar high‐resolution range profile target recognition by the dual parallel sequence network model

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