CN115856811A - 一种基于深度学习的微多普勒特征目标分类方法 - Google Patents
一种基于深度学习的微多普勒特征目标分类方法 Download PDFInfo
- Publication number
- CN115856811A CN115856811A CN202211381702.XA CN202211381702A CN115856811A CN 115856811 A CN115856811 A CN 115856811A CN 202211381702 A CN202211381702 A CN 202211381702A CN 115856811 A CN115856811 A CN 115856811A
- Authority
- CN
- China
- Prior art keywords
- layer
- convolution
- frame
- network
- target
- 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
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于深度学习的微多普勒特征目标分类方法,属于雷达目标识别领域技术领域。其实现步骤包括:(1)建立目标微多普勒数据集;(2)分别构建单帧和多帧微多普勒目标识别网络;(3)分别训练单帧和多帧微多普勒特征识别网络;(4)目标微多普勒分类。本发明解决了基于传统特征和分类器导致分类精度不高的问题。可有效的实现基于微多普勒特征的雷达目标分类,可用于雷达目标识别。
Description
技术领域
本发明属于机器学习、雷达目标识别领域,更进一步涉及基于深度学习的微多普勒特征分类方法。本发明可有效的实现基于微多普勒特征的雷达目标分类,可用于雷达目标识别。
背景技术
雷达自动目标识别(Radar Automatic Target Recognition,RATR)技术本质上是模式识别和机器学习理论在雷达领域的应用,它主要利用模式识别和机器学习的理论知识,并结合雷达信号自身的特点,从给定的雷达目标回波中获取能够描述该目标特性的特征信息,再通过各种分类方法对目标的类别或型号进行判决。自然界中的许多物体,不论是人造的还是自然的,是机械还是动物,都能在其结构中发现“微运动部件”,这里所说的微运动通常是由下列部件的运动产生:飞机旋翼、船舶上的旋转天线、车辆的行驶部件、人在行走或者奔跑时的四肢、鸟在飞行时的羽翼以及运动物体表面的振动等。这类微运动部件都有一些类似的运动形式,即旋转或者振动。当目标运动时,其主要的运动形式—主体的平动会对雷达发射信号产生多普勒调制,同时,目标上的这些微运动部件产生的运动也会对雷达发射信号产生多普勒调制。微运动部件产生的多普勒调制通常是时变的,且其多普勒频率常分布于主体的平动所产生的多普勒频率周围。这些由目标上的微运动部件产生的多普勒调制现象被称为微多普勒效应,相应的多普勒频率被称为微多普勒频率,用以区别由主体的平动所产生的多普勒频率,微多普勒调制现象可以视为目标的独特特征,对于微多普勒效应的研究能够提供关于雷达目标的更多信息,为现有的雷达目标识别方法提供一个新的途径。
随着人工智能的崛起,基于大数据和深度学习的分类识别方法越来越多、性能越来越好,相比于传统的利用波形熵、二阶中心矩等特征,利用支持向量机、决策树作为分类器来实现微多普勒分类的方法,基于深度学习的方法通过挖掘更高维度的特征,在具有良好泛化能力的同时,可以实现更高分类准确性,进而实现基于微多普勒特征的目标分类识别。
发明内容
要解决的技术问题
为了避免现有技术的不足之处,本发明提供一种基于深度学习的微多普勒特征目标分类方法,以达到提高基于微多普勒特征的目标识别方法的分类精度的目的。本发明提出的微多普勒目标分类方法基于深度学习框架,对不同目标对应的雷达回波时频图进行分类。
技术方案
一种基于深度学习的微多普勒特征目标分类识别方法,其特征在于步骤如下:
步骤1:建立目标微多普勒数据集
步骤1a:数据预处理,通过雷达设备采集到原始回波数据,经过脉冲压缩得到包含目标的每帧数据;
步骤1b:利用每帧数据得到单帧时频图和多帧时频图,并设置相应的类别标签;
步骤1c:将单帧和多帧时频图分别按照7:1:2的比例分为训练集、验证集和测试集,分别用于训练和测试单帧和多帧深度学习模型;
步骤2:分别构建单帧和多帧微多普勒目标识别网络,单帧和多帧微多普勒目标识别网络为两个独立的网络,单帧网络用于无法获得足够数量的连续帧时识别目标
步骤2a:单帧微多普勒目标识别网络的结构依次为:输入部分,四个膨胀卷积残差模块,输出部分;所述的输入部分由输入层,卷积层构成;输入层对输入的数据归一化使数据的范围为[0,1],卷积核大小1×3;所述膨胀卷积残差模块的结构为:1×3卷积层,批归一化层,1x3卷积层,批归一化层,激活层,Add层,该模块中卷积层均为膨胀卷积,四个膨胀卷积残差模块中卷积层均使用膨胀卷积,膨胀系数依此为1,2,4,8,旨在增大网络的感受野,同时不增加网络参数,所有卷积层的卷积核数目均为64;所述输出部分由卷积层,激活层,全连接层,Softmax激活层构成,其中卷积层的卷积核数目为64,Softmax激活层采用Softmax激活函数计算输入时频图被分类为每一类的概率;
步骤2b:多帧微多普勒目标识别网络的结构依次为:输入部分,三个多尺度残差模块、通道注意力模块,输出部分;所述输入部分由输入层,卷积层,卷积层,激活层,卷积层,激活层构成;输入层对输入的二维数据归一化使数据的范围为[0,1],第一个卷积层卷积核尺寸为3×3,第二个卷积层卷积核尺寸为512×1,第三个卷积层卷积核尺寸1×3,激活层采用Leakly ReLU激活函数;所述多尺度残差模块的结构为:1×3卷积层,1×3卷积层,1×1卷积层,1×3卷积层,1×5卷积层,Concat层,1x3卷积层,批归一化层,激活层,Concat层,该模块利用多个不同尺寸卷积核的卷积层,学习不同尺度的特征,以提高网络学习特征的准确性,三个多尺度残差模块中卷积层的卷积核数目依次为32,64,128;所述通道注意力模块其结构为:卷积层,激活层,全局池化层,全连接层,激活层,全连接层,激活层,Sigmoid激活层,Multiple层;该模块首先通过池化操作将特征的空间维度压缩为1,每个通道被转换为一个实数,以计算每个通道对应的统计信息;两个全连接层作用为计算每个通道的统计信息,学习特征通道间的相关性,获得通道间潜在的非线性关系;最后利用Sigmoid激活层得到通道维权重系数,对特征做加权操作,实现通道注意力机制;所述输出部分由卷积层,激活层,全连接层,Softmax激活层构成;Softmax激活层采用Softmax激活函数计算输入时频图被分类为每一类的概率;
步骤3:训练网络
步骤3a:将单帧和多帧训练集中的数据,分别输入到单帧和多帧网络,两个网络分别输出网络的预测分类标签;
步骤3b:利用交叉熵损失函数,计算预测目标类别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,直到达到预设的训练次数,同时,在训练过程中利用验证数据集测试网络分类精度,利用交叉熵损失函数计算网络在验证数据上的损失;保存在验证集上损失函数最小的网络参数,得到训练好的网络;
步骤4:目标多普勒分类
步骤4a:输入的单帧和多帧时频图分别经过单帧网络和多帧网络模块后,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。
步骤1c中所述的训练集、验证集和测试集比例为7:1:2。
一种计算机系统,其特征在于包括:一个或多个处理器,计算机可读存储介质,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现上述的方法。
一种计算机可读存储介质,其特征在于存储有计算机可执行指令,所述指令在被执行时用于实现上述的方法。
有益效果
本发明提供的一种基于深度学习的微多普勒特征目标分类方法,与现有技术相比,具有以下有益效果:
第一,由于本发明构建了多尺度通道注意力网络,该网络包含多尺度特征提取模块和通道注意力模块,使得本发明能够实现对目标回波信号的充分利用,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目标视频图作为输入,输出端直接输出待识别目标的类别,客服了现有技术需要人工设计并选取特征,导致计算量大进而导致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
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为本发明的流程图;
图2为本发明的单帧网络结构图;
图3膨胀卷积残差模块结构图;
图4为本发明的多帧网络结构图;
图5为本发明的网络中的多尺度残差模块结构图;
图6为本发明的网络中的通道注意力模块结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图和实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
步骤1,建立数据集:利用某型雷达获得三类飞机的实际回波信号,构建飞机类目标数据集,利用933A和953D构建地面目标数据集。数据预处理,对窄带雷达回波进行解调,再通过脉冲压缩获得高分辨率;利用短时傅里叶变化将解调和脉冲压缩后的雷达回波信号得到单帧时频信号,从而得到单帧时频图;将帧数分别设为20,重叠帧数为10,将单帧时频信号组合得到多帧时频图,并分别对得到的单帧和多帧时频图设置相应的类别标签;将单帧和多帧时频图数据分为训练集、验证集和测试集,比例为7:1:2,用于训练和测试深度学习模型;
步骤2,如图2所示,单帧微多普勒目标识别网络的结构依次为:输入部分,四个膨胀卷积残差模块,输出部分;所述的输入部分由输入层,卷积层构成;输入层对输入的数据归一化使数据的范围为[0,1],卷积核大小1×3;如图3所示,所述膨胀卷积残差模块的结构为:1×3卷积层,批归一化层,1x3卷积层,批归一化层,激活层,Add层,该模块中卷积层均为膨胀卷积,四个膨胀卷积残差模块中卷积层均使用膨胀卷积,膨胀系数依此为1,2,4,8,旨在增大网络的感受野,同时不增加网络参数,所有卷积层的卷积核数目均为64;所述输出部分由卷积层,激活层,全连接层,Softmax激活层构成,其中卷积层的卷积核数目为64,Softmax激活层采用Softmax激活函数计算输入时频图被分类为每一类的概率;
如图4所示,多帧微多普勒识别网络的结构依次为:输入部分,三个多尺度残差模块,通道注意力模块,输出部分。输入部分由输入层,卷积层,卷积层,激活层,卷积层,激活层构成。输入层对输入的二维数据归一化使数据的范围为[0,1],第一个卷积层卷积核尺寸为3×3,第二个卷积层卷积核尺寸为512×1,第三个卷积层卷积核尺寸1×3,激活层采用Leaky ReLU激活函数。如图5所示,多尺度残差模块的结构为:1×3卷积层,1×3卷积层,1×1卷积层,1×3卷积层,1×5卷积层,Concat层,1x3卷积层,批归一化层,激活层,Concat层,该模块利用多个不同尺寸卷积核的卷积层,学习不同尺度的特征,以提高网络学习特征的准确性;如图6所示,通道注意力模块其结构为:卷积层,激活层,全局池化层,全连接层,激活层,全连接层,激活层,Sigmoid激活层,Multiple层。该模块首先通过池化操作将特征的空间维度压缩为1,每个通道被转换为一个实数,以计算每个通道对应的统计信息。两个全连接层作用为计算每个通道的统计信息,学习特征通道间的相关性,获得通道间潜在的非线性关系。最后利用Sigmoid激活层得到通道维权重系数,对特征做加权操作,实现通道注意力机制。输出部分由卷积层,激活层,全连接层,Softmax激活层构成。Softmax激活层采用Softmax激活函数计算输入时频图被分类为每一类的概率;
步骤3,训练网络。将训练集中的数据,输入到网络,输出网络的预测分类标签,同时,在训练过程中利用验证数据集测试网络分类精度,利用交叉熵损失函数计算网络在验证数据上的损失;利用交叉熵损失函数,计算预测目标类别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,直到达到预设的训练次数,保存在验证集上损失函数最小的网络参数,得到训练好的网络;
步骤4,目标分类。输入的时频图经过各网络模块后,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。
本发明的效果可以通过以下仿真实验做进一步的说明。
1.仿真条件:
本发明的仿真实验是在中央处理器为Intel(R)Core i7-9700 3.0GHz、内存16G、WINDOWS 7操作系统上,运用MATLAB 2021b软件进行的。
2.仿真内容:
本发明的试验所使用的数据包括三类飞机和地面目标数据,三类飞机包括直升机、桨状飞机、喷气式飞机三类,地面目标数据包括单人、小分队、履带式装甲车、轮式装甲车、轮式民用车辆五类。
三类飞机数据:单帧数据总计11060个样本,其中喷气式飞机1136个,桨状飞机4588个,直升机5366个;多帧数据总计3566个样本,其中喷气式飞机359个,桨状飞机1472个,直升机1735个;对所有类别按照7:1:2的比例分为训练集、验证集、测试集,由于喷气式飞机样本数量过少,为避免数据不均衡导致分类精度下降,对其进行重复操作,使其样本数量与其他类别的样本数量大致相当;在训练过程中使用训练集进行训练,只使用验证集测试网络效果,以免数据泄露导致分类精度增高;
地面目标数据:单帧数据总计24573个样本,其中单人4279个,小分队8704个,履带式装甲车2352个,轮式民用车辆5143个,轮式装甲车4095;多帧数据总计2699个样本,其中单人421个,小分队856个,履带式装甲车513个,轮式民用车辆501个,轮式装甲车408个;对所有类别按照7:1:2的比例分为训练集、验证集、测试集;在训练过程中,使用训练集进行训练,只使用验证集测试网络效果,以免数据泄露导致分类精度增高;
表1、2分别表示多帧方法在两类数据上的分类结果。表3、4分别表示单帧方法在两类数据上的分类结果。
表1多帧方法在地面目标数据上的混淆矩阵
表2多帧方法在三类飞机数据上的混淆矩阵
表3单帧方法在地面目标数据上的混淆矩阵
表4单帧方法在三类飞机数据上的混淆矩阵
以上仿真实验表明,本发明提出的基于深度学习的雷达微多普勒目标识别方法利用深度学习方法实现微多普勒目标识别,代替了传统方法人工设计并提去特征再训练分类器的方式,并有效提高了识别准确率,因而本发明提出的方法对基于微多普勒的雷达目标识别性能更好,具有重要的实际意义。
以上所述,仅为本发明的具体实施方式,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公开的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种基于深度学习的微多普勒特征目标分类识别方法,其特征在于步骤如下:
步骤1:建立目标微多普勒数据集
步骤1a:数据预处理,通过雷达设备采集到原始回波数据,经过脉冲压缩得到包含目标的每帧数据;
步骤1b:利用每帧数据得到单帧时频图和多帧时频图,并设置相应的类别标签;
步骤1c:将单帧和多帧时频图分别分为训练集、验证集和测试集,用于训练和测试深度学习模型;
步骤2:分别构建单帧和多帧微多普勒目标识别网络
步骤2a:输入部分,四个膨胀卷积残差模块,输出部分;所述的输入部分由输入层,卷积层构成;输入层对输入的数据归一化使数据的范围为[0,1],卷积核大小1×3;所述膨胀卷积残差模块的结构为:1×3卷积层,批归一化层,1x3卷积层,批归一化层,激活层,Add层,该模块中卷积层均为膨胀卷积,四个膨胀卷积残差模块中卷积层均使用膨胀卷积,膨胀系数依此为1,2,4,8,旨在增大网络的感受野,同时不增加网络参数,所有卷积层的卷积核数目均为64;所述输出部分由卷积层,激活层,全连接层,Softmax激活层构成,其中卷积层的卷积核数目为64,Softmax激活层采用Softmax激活函数计算输入时频图被分类为每一类的概率;
步骤2b:多帧微多普勒识别网络的结构依次为:输入部分,三个多尺度残差模块、通道注意力模块,输出部分;所述输入部分由输入层,卷积层,卷积层,激活层,卷积层,激活层构成;输入层对输入的二维数据归一化使数据的范围为[0,1],第一个卷积层卷积核尺寸为3×3,第二个卷积层卷积核尺寸为512×1,第三个卷积层卷积核尺寸1×3,激活层采用Leakly ReLU激活函数;所述多尺度残差模块的结构为:1×3卷积层,1×3卷积层,1×1卷积层,1×3卷积层,1×5卷积层,Concat层,1x3卷积层,批归一化层,激活层,Concat层,该模块利用多个不同尺寸卷积核的卷积层,学习不同尺度的特征,以提高网络学习特征的准确性,三个多尺度残差模块中卷积层的卷积核数目依次为32,64,128;所述通道注意力模块其结构为:卷积层,激活层,全局池化层,全连接层,激活层,全连接层,激活层,Sigmoid激活层,Multiple层;该模块首先通过池化操作将特征的空间维度压缩为1,每个通道被转换为一个实数,以计算每个通道对应的统计信息;两个全连接层作用为计算每个通道的统计信息,学习特征通道间的相关性,获得通道间潜在的非线性关系;最后利用Sigmoid激活层得到通道维权重系数,对特征做加权操作,实现通道注意力机制;所述输出部分由卷积层,激活层,全连接层,Softmax激活层构成;Softmax激活层采用Softmax激活函数计算输入时频图被分类为每一类的概率;
步骤3:训练网络
步骤3a:将单帧和多帧训练集中的数据,分别输入到单帧和多帧网络,两个网络分别输出网络的预测分类标签;
步骤3b:利用交叉熵损失函数,计算预测目标类别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,直到达到预设的训练次数,同时,在训练过程中利用验证数据集测试网络分类精度,利用交叉熵损失函数计算网络在验证数据上的损失;保存在验证集上损失函数最小的网络参数,得到训练好的网络;
步骤4:目标多普勒分类
步骤4a:输入的单帧和多帧时频图分别经过单帧网络和多帧网络模块后,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所述的基于深度学习的微多普勒特征目标分类识别方法,其特征在于:步骤1c中所述的训练集、验证集和测试集比例为7:1:2。
3.一种计算机系统,其特征在于包括:一个或多个处理器,计算机可读存储介质,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1所述的方法。
4.一种计算机可读存储介质,其特征在于存储有计算机可执行指令,所述指令在被执行时用于实现权利要求1所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211381702.XA CN115856811A (zh) | 2022-11-05 | 2022-11-05 | 一种基于深度学习的微多普勒特征目标分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211381702.XA CN115856811A (zh) | 2022-11-05 | 2022-11-05 | 一种基于深度学习的微多普勒特征目标分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115856811A true CN115856811A (zh) | 2023-03-28 |
Family
ID=85662551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211381702.XA Pending CN115856811A (zh) | 2022-11-05 | 2022-11-05 | 一种基于深度学习的微多普勒特征目标分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115856811A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117236448A (zh) * | 2023-11-15 | 2023-12-15 | 中国人民解放军空军预警学院 | 一种基于时序知识图谱的雷达意图推理及其模型训练方法 |
-
2022
- 2022-11-05 CN CN202211381702.XA patent/CN115856811A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117236448A (zh) * | 2023-11-15 | 2023-12-15 | 中国人民解放军空军预警学院 | 一种基于时序知识图谱的雷达意图推理及其模型训练方法 |
CN117236448B (zh) * | 2023-11-15 | 2024-02-09 | 中国人民解放军空军预警学院 | 一种基于时序知识图谱的雷达意图推理及其模型训练方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Deep learning meets SAR: Concepts, models, pitfalls, and perspectives | |
CN106355151B (zh) | 一种基于深度置信网络的三维sar图像目标识别方法 | |
CN109766835B (zh) | 基于多参数优化生成对抗网络的sar目标识别方法 | |
CN110147812A (zh) | 基于扩张残差网络的雷达辐射源识别方法及装置 | |
CN111178260A (zh) | 一种基于生成对抗网络的调制信号时频图分类系统及其运行方法 | |
CN108008385A (zh) | 基于稀疏贝叶斯学习的干扰环境isar高分辨成像方法 | |
CN112990334A (zh) | 基于改进原型网络的小样本sar图像目标识别方法 | |
CN105989336A (zh) | 基于带权重的解卷积深度网络学习的场景识别方法 | |
Guo et al. | Radar target recognition based on feature Pyramid fusion lightweight CNN | |
Zhai et al. | Robust SAR automatic target recognition based on transferred MS-CNN with L2-regularization | |
CN114636975A (zh) | 基于谱图融合和注意力机制的lpi雷达信号识别方法 | |
Yang et al. | Learning relation by graph neural network for SAR image few-shot learning | |
CN115856811A (zh) | 一种基于深度学习的微多普勒特征目标分类方法 | |
CN112232395A (zh) | 一种基于联合训练生成对抗网络的半监督图像分类方法 | |
CN115392285A (zh) | 一种基于多模态的深度学习信号个体识别模型防御方法 | |
Wang et al. | Lightweight deep neural networks for ship target detection in SAR imagery | |
Sharif et al. | Segmentation of Images Using Deep Learning: A Survey | |
Yu et al. | Application of a convolutional autoencoder to half space radar hrrp recognition | |
Zhang et al. | Ship HRRP target recognition based on CNN and ELM | |
Huang et al. | EST-YOLOv5s: SAR Image Aircraft Target Detection Model Based on Improved YOLOv5s | |
CN112489089A (zh) | 一种微型固定翼无人机机载地面运动目标识别与跟踪方法 | |
Smelyakov et al. | Machine Learning Models Efficiency Analysis for Image Classification Problem. | |
CN115757828A (zh) | 一种基于辐射源知识图谱的空中目标意图识别方法 | |
Xiaoping et al. | A new deep learning method for underwater target recognition based on one-dimensional time-domain signals | |
Xu et al. | SAR target recognition based on variational autoencoder |
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 |