CN116720122A - 基于多站频率捷变雷达的气动目标分类方法及装置 - Google Patents
基于多站频率捷变雷达的气动目标分类方法及装置 Download PDFInfo
- Publication number
- CN116720122A CN116720122A CN202311003829.2A CN202311003829A CN116720122A CN 116720122 A CN116720122 A CN 116720122A CN 202311003829 A CN202311003829 A CN 202311003829A CN 116720122 A CN116720122 A CN 116720122A
- Authority
- CN
- China
- Prior art keywords
- target
- classification
- radar
- resolution range
- range profile
- 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 57
- 238000013528 artificial neural network Methods 0.000 claims abstract description 38
- 238000005259 measurement Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 16
- 238000001228 spectrum Methods 0.000 claims description 15
- 230000000007 visual effect Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 16
- 239000004973 liquid crystal related substance Substances 0.000 description 16
- 238000010586 diagram Methods 0.000 description 8
- 238000001914 filtration Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000035945 sensitivity Effects 0.000 description 7
- 230000004913 activation Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000003491 array Methods 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000005428 wave function Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Radar, Positioning & Navigation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Electromagnetism (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请涉及目标识别技术领域,特别涉及一种基于多站频率捷变雷达的气动目标分类方法及装置,其中,方法包括:获取至少一部雷达对目标的高分辨距离像与相对位置;基于相对位置获取至少一部雷达的测速信息和方位角,并根据测速信息和方位角估计目标的航向方位角;基于高分辨距离像和航向方位角,通过预设的目标分类神经网络得到目标的分类结果。本申请实施例可以获取目标的高分辨距离像,并结合多部雷达的测速信息和方位角估计目标航向,通过目标分类神经网络输出目标的分类结果,从而实现精准高效地气动目标分类,提升了针对气动目标的分类性能。
Description
技术领域
本申请涉及目标识别技术领域,特别涉及一种基于多站频率捷变雷达的气动目标分类方法及装置。
背景技术
当对气动目标进行分类时通常采用几何特征HRRP(High Resolution RangeProfile,高分辨距离像)。目标的高分辨距离像能够反映目标散射中心的分布情况,且易于获取和处理,因此可以基于高分辨距离像实现目标分类。
然而,相关技术中,观测视角信息的获取依赖于目标航向的估计,但传统滤波类航向估计算法在干扰场景、多机伴飞等场景下成功率低,而因高分辨距离像仅为一维向量,故难以区分不同物体在某一方向投影的相似特征,导致对应分类问题的类间距离较小,且高分辨距离像对观测视角具有高敏感性,同一目标在不同的视角下,高分辨距离像特征的散射中心分布相差较大,导致对应分类问题类内距离较大,降低了高分辨距离像的目标分类性能,亟待解决。
发明内容
本申请提供一种基于多站频率捷变雷达的气动目标分类方法及装置,以解决相关技术中,观测视角信息的获取依赖于目标航向的估计,但传统滤波类航向估计算法在干扰场景、多机伴飞等场景下成功率低,而因高分辨距离像仅为一维向量,故难以区分不同物体在某一方向投影的相似特征,导致对应分类问题的类间距离较小,且高分辨距离像对观测视角具有高敏感性,同一目标在不同的视角下,高分辨距离像特征的散射中心分布相差较大,导致对应分类问题类内距离较大,降低了高分辨距离像的目标分类性能等问题。
本申请第一方面实施例提供一种基于多站频率捷变雷达的气动目标分类方法,包括以下步骤:获取至少一部雷达对目标的高分辨距离像与相对位置;基于所述相对位置获取所述至少一部雷达的测速信息和方位角,并根据所述测速信息和所述方位角估计所述目标的航向方位角;基于所述高分辨距离像和所述航向方位角,通过预设的目标分类神经网络得到所述目标的分类结果。
可选地,在本申请的一个实施例中,所述基于所述高分辨距离像和所述航向方位角,通过预设的目标分类神经网络得到所述目标的分类结果,包括:基于所述航向方位角生成所述至少一部雷达相对所述目标的观测视角;将所述观测视角结合所述高分辨距离像输入至所述预设的目标分类神经网络中,输出所述目标的分类结果。
可选地,在本申请的一个实施例中,所述获取至少一部雷达对目标的高分辨距离像与相对位置,包括:基于所述至少一部雷达的脉冲发射信号,匹配滤波后的频谱;基于滤波后的频谱,将所述脉冲发射信号的平动补偿后频域回波进行叠加,得到所述目标的高分辨距离像。
可选地,在本申请的一个实施例中,所述通过预设的目标分类神经网络得到所述目标的分类结果,包括:基于所述预设的目标分类神经网络的编码器,得到所述高分辨距离像的特征提取结果;基于所述特征提取结果,由解码器获取编码过程的逆过程结果,并将所述逆过程结果输入至分类器中,输出所述目标的分类结果。
本申请第二方面实施例提供一种基于多站频率捷变雷达的气动目标分类装置,包括:获取模块,用于获取至少一部雷达对目标的高分辨距离像与相对位置;估计模块,用于基于所述相对位置获取所述至少一部雷达的测速信息和方位角,并根据所述测速信息和所述方位角估计所述目标的航向方位角;分类模块,用于基于所述高分辨距离像和所述航向方位角,通过预设的目标分类神经网络得到所述目标的分类结果。
可选地,在本申请的一个实施例中,所述分类模块包括:生成单元,用于基于所述航向方位角生成所述至少一部雷达相对所述目标的观测视角;输入单元,用于将所述观测视角结合所述高分辨距离像输入至所述预设的目标分类神经网络中,输出所述目标的分类结果。
可选地,在本申请的一个实施例中,所述获取模块包括:匹配单元,用于基于所述至少一部雷达的脉冲发射信号,匹配滤波后的频谱;叠加单元,用于基于滤波后的频谱,将所述脉冲发射信号的平动补偿后频域回波进行叠加,得到所述目标的高分辨距离像。
可选地,在本申请的一个实施例中,所述分类模块包括:提取单元,用于基于所述预设的目标分类神经网络的编码器,得到所述高分辨距离像的特征提取结果;分类单元,用于基于所述特征提取结果,由解码器获取编码过程的逆过程结果,并将所述逆过程结果输入至分类器中,输出所述目标的分类结果。
本申请第三方面实施例提供一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如上述实施例所述的基于多站频率捷变雷达的气动目标分类方法。
本申请第四方面实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储计算机程序,该程序被处理器执行时实现如上的基于多站频率捷变雷达的气动目标分类方法。
本申请实施例可以获取目标的高分辨距离像,并结合多部雷达的测速信息和方位角估计目标航向,通过目标分类神经网络输出目标的分类结果,从而实现精准高效地气动目标分类,提升了针对气动目标的分类性能。由此,解决了相关技术中,观测视角信息的获取依赖于目标航向的估计,但传统滤波类航向估计算法在干扰场景、多机伴飞等场景下成功率低,而因高分辨距离像仅为一维向量,故难以区分不同物体在某一方向投影的相似特征,导致对应分类问题的类间距离较小,且高分辨距离像对观测视角具有高敏感性,同一目标在不同的视角下,高分辨距离像特征的散射中心分布相差较大,导致对应分类问题类内距离较大,降低了高分辨距离像的目标分类性能等问题。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本申请实施例提供的一种基于多站频率捷变雷达的气动目标分类方法的流程图;
图2为本申请一个实施例的基于多站观测的气动目标的分类逻辑示意图;
图3为本申请一个实施例的一种目标分类神经网络的结构示意图;
图4为本申请一个实施例的一种目标分类神经网络的编码器参数示意图;
图5为本申请一个实施例的一种目标分类神经网络的解码器参数示意图;
图6为根据本申请实施例的基于多站频率捷变雷达的气动目标分类装置的结构示意图;
图7为根据本申请实施例的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的基于多站频率捷变雷达的气动目标分类方法及装置。针对上述背景技术中提到的相关技术中,观测视角信息的获取依赖于目标航向的估计,但传统滤波类航向估计算法在干扰场景、多机伴飞等场景下成功率低,而因高分辨距离像仅为一维向量,故难以区分不同物体在某一方向投影的相似特征,导致对应分类问题的类间距离较小,且高分辨距离像对观测视角具有高敏感性,同一目标在不同的视角下,高分辨距离像特征的散射中心分布相差较大,导致对应分类问题类内距离较大,降低了高分辨距离像的目标分类性能的问题,本申请提供了一种基于多站频率捷变雷达的气动目标分类方法,可以获取目标的高分辨距离像,并结合多部雷达的测速信息和方位角估计目标航向,通过目标分类神经网络输出目标的分类结果,从而实现精准高效地气动目标分类,提升了针对气动目标的分类性能。由此,解决了相关技术中,观测视角信息的获取依赖于目标航向的估计,但传统滤波类航向估计算法在干扰场景、多机伴飞等场景下成功率低,而因高分辨距离像仅为一维向量,故难以区分不同物体在某一方向投影的相似特征,导致对应分类问题的类间距离较小,且高分辨距离像对观测视角具有高敏感性,同一目标在不同的视角下,高分辨距离像特征的散射中心分布相差较大,导致对应分类问题类内距离较大,降低了高分辨距离像的目标分类性能等问题。
具体而言,图1为本申请实施例所提供的一种基于多站频率捷变雷达的气动目标分类方法的流程示意图。
如图1所示,该基于多站频率捷变雷达的气动目标分类方法包括以下步骤:
在步骤S101中,获取至少一部雷达对目标的高分辨距离像与相对位置。
可以理解的是,在本申请实施例中,可以使用多部雷达对所需分类的气动目标生成高分辨距离像,以反映目标散射中心的分布情况,并获取气动目标与每一部雷达自身的相对位置。
可选地,在本申请的一个实施例中,获取至少一部雷达对目标的高分辨距离像与相对位置,包括:基于至少一部雷达的脉冲发射信号,匹配滤波后的频谱;基于滤波后的频谱,将脉冲发射信号的平动补偿后频域回波进行叠加,得到目标的高分辨距离像。
在实际执行过程中,使用部雷达对所需分类的气动目标成高分辨距离像,可以使用频率捷变雷达发射脉冲信号,设定在固定相参处理间隔内,频率捷变雷达发射了/>个脉冲,第/>个脉冲的载频为/>,第/>个脉冲的发射波形可表示为:
其中,,/>和/>分别是脉冲重复间隔和脉冲宽度/>是方波函数,其定义为:
为基带波形,以Chirp波形为例,其具体表达式为:
其中,为Chirp波形的带宽。当雷达照射理想点目标/>时,根据停跳模型假设,第/>个脉冲的接收回波可表示为:
其中,和/>分别为理想散射点/>的复散射系数和对第/>个脉冲的回波时延,且/>可以近似为:
其中,是在/>时刻点/>的径向距离,/>为光速。将/>表达式中接收回波解调到基带后做匹配滤波,得到第/>个脉冲匹配滤波后的频谱:
将该式扩展到多散射点的情况,并对目标散射点的运动进行如下近似和分解:
其中,为该相参处理间隔内第/>个散射点的径向速度,/>,/>,/>和/>分别代表目标质心的径向距离、径向速度、第/>个散射点相对质心的径向距离和径向速度。从而得到:
仅考虑目标平动的情况,即,考虑/>,将所有脉冲的平动补偿后频域回波进行叠加,得到:
其中,为频率捷变雷达在一个相参处理间隔内发射的频点个数,/>。对上式做傅里叶逆变换,即可得到目标的HRRP高分辨距离像。
在步骤S102中,基于相对位置获取至少一部雷达的测速信息和方位角,并根据测速信息和方位角估计目标的航向方位角。
在实际执行过程中,在基于相对位置获取至少一部雷达的测速信息时,对于一般的气动目标,其散射模型符合Swerling I型散射,设置固定相参处理间隔内,目标上的等效散射点的散射强度不存在起伏,令:
此时通过最大化广义速度谱GVS(Generalized Velocity Spectrum)即可得到目标平动速度的估计值:
其中:
其中,为目标包含多个散射点时雷达照射该目标采样后的慢时间回波信号,/>是目标速度,/>为目标等效的散射中心个数,/>为频率捷变雷达在一个相参处理间隔内发射的频点个数,/>和/>分别代表目标质心的第/>个散射点相对质心的径向距离和径向速度。和/>分别为第/>个散射点的复散射系数和/>时刻相对雷达的径向距离。
在基于相对位置获取至少一部雷达的方位角时,对于第个雷达,测得目标的方位角记为/>,则雷达波反射方向在目标本体坐标系下的方位角为/>。对于第/>部雷达,其测得的目标径向速度为目标速度在雷达波出射方向上的投影,即:
结合多部雷达的观测,可列出如下观测方程:
其中:
根据最小二乘法,目标速度的估计为:
则目标航向在目标本体坐标系中的方位角为:
即根据测速信息和方位角得到气动目标的航向方位角估计结果。
在步骤S103中,基于高分辨距离像和航向方位角,通过预设的目标分类神经网络得到目标的分类结果。
需要说明的是,预设的目标分类神经网络得到目标的分类结果可由本领域技术人员根据实际情况进行设置,在此不作具体限定。
可以理解的是,在本申请实施例中,可将多部雷达测得的高分辨距离像和航向方位角经数据处理后,整合输入预设的目标分类神经网络中,得到目标的分类结果,其中,预设的目标分类神经网络具有不易过拟合、对样本量需求小等特点。
可选地,在本申请的一个实施例中,基于高分辨距离像和航向方位角,通过预设的目标分类神经网络得到目标的分类结果,包括:基于航向方位角生成至少一部雷达相对目标的观测视角;将观测视角结合高分辨距离像输入至预设的目标分类神经网络中,输出目标的分类结果。
可以理解的是,在本申请实施例中,如图2所示,可以基于多部雷达所成高分辨距离像,测量所得方位角和径向速度,得到目标的航向方位角估计结果,并由此解算多部雷达观测视角的视角信息,以将观测视角与高分辨距离像输入至预设的目标分类神经网络中,由神经网络输出目标的分类结果。
可选地,在本申请的一个实施例中,通过预设的目标分类神经网络得到目标的分类结果,包括:基于预设的目标分类神经网络的编码器,得到高分辨距离像的特征提取结果;基于特征提取结果,由解码器获取编码过程的逆过程结果,并将逆过程结果输入至分类器中,输出目标的分类结果。
在实际执行过程中,可以基于变分自编码器VAE(Variational AutoEncoder)网络,得到新的深度神经网络MSCVAE(Multistation Conditional VariationalAutoEncoder),其结构如图3所示,其中包含编码器(Encoder)、解码器(Decoder)和分类器(Classifier)。由于希望引入观测视角信息提升识别性能,MSCVAE网络包含CVAE(Conditional Variational AutoEncoder)思路,并将视角信息作为输入的多站HRRP高分辨距离像的条件。
具体而言,可以将MSCVAE网络的输入记为,其中/>为HRRP高分辨距离像的采样点数,/>为雷达个数,1为通道数。/>的形式与灰度图像的形式一致。当/>输入MSCVAE网络后,编码器模块将/>编码为全局特征/>,其中/>和/>分别表示全局特征/>的特征尺寸和通道数。随后,MSCVAE网络将/>与视角信息/>合并,记为。对于视角信息/>,MSCVAE采用特殊的表示方法:
其中,从而解决了视角周期性的问题,例如,/>的视角应和/>的视角相近,但在数值上二者相差较远,而采用/>、/>的表示后,两视角在数值上接近。合并后特征/>一方面经过分类器得到分类结果,另一方面通过卷积层映射为隐变量/>在/>的条件下的均值/>和方差/>。使用重参技巧,结合标准正态分布中采样的/>,可得隐变量/>的采样。/>通过一个解卷积层得到重建的全局特征/>。随后,MSCVAE网络将/>与视角信息/>合并,记为/>。最后,解码器模块利用/>重建原始输入,得到重建信号/>。
进而对提出MSCVAE网络的三个模块:编码器、解码器、分类器,以为例,对三个模块的具体参数进行描述。
编码器的结构如图4所示,其中编码器以为输入,经过6个卷积层(convolution),将通道数从1逐步扩展为64、128、256、512、1024、1024;保持特征图第二维的尺寸不变,将特征图第一维的尺寸从191(每个高分辨距离像的采样点数)逐步缩减为95、47、23、11、5、2。每个卷积层的卷积核大小、步幅(stride)、填充(padding)均一致,分别为3×1、(2,1)和(0,0)。每个卷积层后都级联着一个batch normalization层,并使用ReLU函数作为激活函数。在以上参数设置下,编码器对不同雷达观测到的高分辨距离像之间不做处理,仅在单个雷达观测到的高分辨距离像内做特征提取,不同雷达观测到高分辨距离像在计算隐变量/>的均值和方差时进行融合。
解码过程为编码过程的逆过程,因此解码器的设计与编码器整体上呈对称结构。解码器的结构如图5所示,共包含6个解卷积层(deconvolution)和1个卷积层。解码器以为输入,先经过6个解卷积层,将通道数从1026逐步缩减为1024、512、256、128、64、64;保持特征图第二维的尺寸不变,将特征图第一维的尺寸从2逐步扩大为5、11、23、47、95、191。随后经过1个卷积层,保持特征图的尺寸不变,对64通道的特征进行整合,得到重建信号/>。在前6个解卷积层中,每个解卷积层的卷积核大小、步幅、填充(padding)均一致,分别为3×1、(2,1)和(0,0);每个解卷积层后都级联着一个batch normalization层,并使用ReLU函数作为激活函数。在最后一个卷积层中,卷积核大小仍为3×1,但步幅设为(1,1),填充设为(1,0);卷积层后使用Sigmoid函数作为激活函数。
分类器仅包含3个网络层。第一层为展平层(FlattenLayer),将输入转变为一个长为6156的一维向量;第二、三层为两个级联的全连接层,其输出节点个数分别为256和7(类别数)。第一个全连接层采用ReLU函数作为激活函数,第二个全连接层采用Softmax函数作为激活函数。且隐变量/>的尺寸设为1×1×128,其均值/>和方差/>也具有相同的尺寸。从/>到/>和到/>的卷积层均采用大小为2×3的卷积核,输入通道数为1024,输出通道数为128;从/>到/>的解卷积层也采用大小为2×3的卷积核,输入通道数为128,输出通道数为1024。
根据本申请实施例提出的基于多站频率捷变雷达的气动目标分类方法,可以获取目标的高分辨距离像,并结合多部雷达的测速信息和方位角估计目标航向,通过目标分类神经网络输出目标的分类结果,从而实现精准高效地气动目标分类,提升了针对气动目标的分类性能。由此,解决了相关技术中,观测视角信息的获取依赖于目标航向的估计,但传统滤波类航向估计算法在干扰场景、多机伴飞等场景下成功率低,而因高分辨距离像仅为一维向量,故难以区分不同物体在某一方向投影的相似特征,导致对应分类问题的类间距离较小,且高分辨距离像对观测视角具有高敏感性,同一目标在不同的视角下,高分辨距离像特征的散射中心分布相差较大,导致对应分类问题类内距离较大,降低了高分辨距离像的目标分类性能等问题。
其次参照附图描述根据本申请实施例提出的基于多站频率捷变雷达的气动目标分类装置。
图6是本申请实施例的基于多站频率捷变雷达的气动目标分类装置的结构示意图。
如图6所示,该基于多站频率捷变雷达的气动目标分类装置10包括:获取模块100、估计模块200和分类模块300。
其中,获取模块100,用于获取至少一部雷达对目标的高分辨距离像与相对位置。
估计模块200,用于基于相对位置获取至少一部雷达的测速信息和方位角,并根据测速信息和方位角估计目标的航向方位角。
分类模块300,用于基于高分辨距离像和航向方位角,通过预设的目标分类神经网络得到目标的分类结果。
可选地,在本申请的一个实施例中,分类模块300包括:
生成单元,用于基于航向方位角生成至少一部雷达相对目标的观测视角。
输入单元,用于将观测视角结合高分辨距离像输入至预设的目标分类神经网络中,输出目标的分类结果。
可选地,在本申请的一个实施例中,获取模块100包括:
匹配单元,用于基于至少一部雷达的脉冲发射信号,匹配滤波后的频谱。
叠加单元,用于基于滤波后的频谱,将脉冲发射信号的平动补偿后频域回波进行叠加,得到目标的高分辨距离像。
可选地,在本申请的一个实施例中,分类模块300包括:
提取单元,用于基于预设的目标分类神经网络的编码器,得到高分辨距离像的特征提取结果。
分类单元,用于基于特征提取结果,由解码器获取编码过程的逆过程结果,并将逆过程结果输入至分类器中,输出目标的分类结果。
需要说明的是,前述对基于多站频率捷变雷达的气动目标分类方法实施例的解释说明也适用于该实施例的基于多站频率捷变雷达的气动目标分类装置,此处不再赘述。
根据本申请实施例提出的基于多站频率捷变雷达的气动目标分类装置,可以获取目标的高分辨距离像,并结合多部雷达的测速信息和方位角估计目标航向,通过目标分类神经网络输出目标的分类结果,从而实现精准高效地气动目标分类,提升了针对气动目标的分类性能。由此,解决了相关技术中,观测视角信息的获取依赖于目标航向的估计,但传统滤波类航向估计算法在干扰场景、多机伴飞等场景下成功率低,而因高分辨距离像仅为一维向量,故难以区分不同物体在某一方向投影的相似特征,导致对应分类问题的类间距离较小,且高分辨距离像对观测视角具有高敏感性,同一目标在不同的视角下,高分辨距离像特征的散射中心分布相差较大,导致对应分类问题类内距离较大,降低了高分辨距离像的目标分类性能等问题。
图7为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括:
存储器701、处理器702及存储在存储器701上并可在处理器702上运行的计算机程序。
处理器702执行程序时实现上述实施例中提供的基于多站频率捷变雷达的气动目标分类方法。
进一步地,电子设备还包括:
通信接口703,用于存储器701和处理器702之间的通信。
存储器701,用于存放可在处理器702上运行的计算机程序。
存储器701可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
如果存储器701、处理器702和通信接口703独立实现,则通信接口703、存储器701和处理器702可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture,简称为ISA)总线、外部设备互连(PeripheralComponent,简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture,简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选地,在具体实现上,如果存储器701、处理器702及通信接口703,集成在一块芯片上实现,则存储器701、处理器702及通信接口703可以通过内部接口完成相互间的通信。
处理器702可能是一个中央处理器(Central Processing Unit,简称为CPU),或者是特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路。
本实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上的基于多站频率捷变雷达的气动目标分类方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“N个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或N个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于多站频率捷变雷达的气动目标分类方法,其特征在于,包括以下步骤:
获取至少一部雷达对目标的高分辨距离像与相对位置;
基于所述相对位置获取所述至少一部雷达的测速信息和方位角,并根据所述测速信息和所述方位角估计所述目标的航向方位角;
基于所述高分辨距离像和所述航向方位角,通过预设的目标分类神经网络得到所述目标的分类结果。
2.根据权利要求1所述的方法,其特征在于,所述基于所述高分辨距离像和所述航向方位角,通过预设的目标分类神经网络得到所述目标的分类结果,包括:
基于所述航向方位角生成所述至少一部雷达相对所述目标的观测视角;
将所述观测视角结合所述高分辨距离像输入至所述预设的目标分类神经网络中,输出所述目标的分类结果。
3.根据权利要求1所述的方法,其特征在于,所述获取至少一部雷达对目标的高分辨距离像与相对位置,包括:
基于所述至少一部雷达的脉冲发射信号,匹配滤波后的频谱;
基于滤波后的频谱,将所述脉冲发射信号的平动补偿后频域回波进行叠加,得到所述目标的高分辨距离像。
4.根据权利要求1所述的方法,其特征在于,所述通过预设的目标分类神经网络得到所述目标的分类结果,包括:
基于所述预设的目标分类神经网络的编码器,得到所述高分辨距离像的特征提取结果;
基于所述特征提取结果,由解码器获取编码过程的逆过程结果,并将所述逆过程结果输入至分类器中,输出所述目标的分类结果。
5.一种基于多站频率捷变雷达的气动目标分类装置,其特征在于,包括:
获取模块,用于获取至少一部雷达对目标的高分辨距离像与相对位置;
估计模块,用于基于所述相对位置获取所述至少一部雷达的测速信息和方位角,并根据所述测速信息和所述方位角估计所述目标的航向方位角;
分类模块,用于基于所述高分辨距离像和所述航向方位角,通过预设的目标分类神经网络得到所述目标的分类结果。
6.根据权利要求5所述的装置,其特征在于,所述分类模块包括:
生成单元,用于基于所述航向方位角生成所述至少一部雷达相对所述目标的观测视角;
输入单元,用于将所述观测视角结合所述高分辨距离像输入至所述预设的目标分类神经网络中,输出所述目标的分类结果。
7.根据权利要求5所述的装置,其特征在于,所述获取模块包括:
匹配单元,用于基于所述至少一部雷达的脉冲发射信号,匹配滤波后的频谱;
叠加单元,用于基于滤波后的频谱,将所述脉冲发射信号的平动补偿后频域回波进行叠加,得到所述目标的高分辨距离像。
8.根据权利要求5所述的装置,其特征在于,所述分类模块包括:
提取单元,用于基于所述预设的目标分类神经网络的编码器,得到所述高分辨距离像的特征提取结果;
分类单元,用于基于所述特征提取结果,由解码器获取编码过程的逆过程结果,并将所述逆过程结果输入至分类器中,输出所述目标的分类结果。
9.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如权利要求1-4任一项所述的基于多站频率捷变雷达的气动目标分类方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行,以用于实现如权利要求1-4任一项所述的基于多站频率捷变雷达的气动目标分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311003829.2A CN116720122B (zh) | 2023-08-10 | 2023-08-10 | 基于多站频率捷变雷达的气动目标分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311003829.2A CN116720122B (zh) | 2023-08-10 | 2023-08-10 | 基于多站频率捷变雷达的气动目标分类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116720122A true CN116720122A (zh) | 2023-09-08 |
CN116720122B CN116720122B (zh) | 2023-10-31 |
Family
ID=87872028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311003829.2A Active CN116720122B (zh) | 2023-08-10 | 2023-08-10 | 基于多站频率捷变雷达的气动目标分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116720122B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107085213A (zh) * | 2017-05-19 | 2017-08-22 | 中国人民解放军63892部队 | 基于随机调频步进波形设计的运动目标isar成像方法 |
CN109376574A (zh) * | 2018-08-14 | 2019-02-22 | 西安电子科技大学 | 基于cnn的可拒判雷达hrrp目标识别方法 |
CN109492671A (zh) * | 2018-10-16 | 2019-03-19 | 北京理工大学 | 一种基于lstm的多极化高分辨距离像目标识别方法 |
CN109977871A (zh) * | 2019-03-27 | 2019-07-05 | 中国人民解放军战略支援部队航天工程大学 | 一种基于宽带雷达数据和gru神经网络的卫星目标识别方法 |
CN112965062A (zh) * | 2021-02-09 | 2021-06-15 | 西安电子科技大学 | 基于lstm-dam网络的雷达距离像目标识别方法 |
CN115113162A (zh) * | 2022-06-15 | 2022-09-27 | 西安电子科技大学 | 基于多雷达协同的一维距离图像三维场景恢复方法及装置 |
CN115508830A (zh) * | 2022-10-19 | 2022-12-23 | 西安电子科技大学 | 一种基于特征融合的电磁目标智能识别方法及系统 |
WO2023272633A1 (zh) * | 2021-06-30 | 2023-01-05 | 深圳市大疆创新科技有限公司 | 无人机的控制方法、无人机、飞行系统及存储介质 |
-
2023
- 2023-08-10 CN CN202311003829.2A patent/CN116720122B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107085213A (zh) * | 2017-05-19 | 2017-08-22 | 中国人民解放军63892部队 | 基于随机调频步进波形设计的运动目标isar成像方法 |
CN109376574A (zh) * | 2018-08-14 | 2019-02-22 | 西安电子科技大学 | 基于cnn的可拒判雷达hrrp目标识别方法 |
CN109492671A (zh) * | 2018-10-16 | 2019-03-19 | 北京理工大学 | 一种基于lstm的多极化高分辨距离像目标识别方法 |
CN109977871A (zh) * | 2019-03-27 | 2019-07-05 | 中国人民解放军战略支援部队航天工程大学 | 一种基于宽带雷达数据和gru神经网络的卫星目标识别方法 |
CN112965062A (zh) * | 2021-02-09 | 2021-06-15 | 西安电子科技大学 | 基于lstm-dam网络的雷达距离像目标识别方法 |
WO2023272633A1 (zh) * | 2021-06-30 | 2023-01-05 | 深圳市大疆创新科技有限公司 | 无人机的控制方法、无人机、飞行系统及存储介质 |
CN115113162A (zh) * | 2022-06-15 | 2022-09-27 | 西安电子科技大学 | 基于多雷达协同的一维距离图像三维场景恢复方法及装置 |
CN115508830A (zh) * | 2022-10-19 | 2022-12-23 | 西安电子科技大学 | 一种基于特征融合的电磁目标智能识别方法及系统 |
Non-Patent Citations (2)
Title |
---|
KUO LIAO: "Radar HRRP Target Recognition Based on Concatenated Deep Neural Networks", IEEE ACCESS, vol. 6, pages 2169 - 3536 * |
王容川;庄志洪;王宏波;陆锦辉;: "基于卷积神经网络的雷达目标HRRP分类识别方法", 现代雷达, vol. 41, no. 05, pages 33 - 38 * |
Also Published As
Publication number | Publication date |
---|---|
CN116720122B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gishkori et al. | Imaging for a forward scanning automotive synthetic aperture radar | |
CN116577760A (zh) | 一种外参标定装置 | |
Armanious et al. | An adversarial super-resolution remedy for radar design trade-offs | |
EP4254137A1 (en) | Gesture recognition method and apparatus | |
Roberts et al. | Multiview, broadband acoustic classification of marine fish: a machine learning framework and comparative analysis | |
CN112241003A (zh) | 用于对象检测的方法和系统 | |
CN113534065A (zh) | 一种雷达目标微动特征提取与智能分类方法及系统 | |
Fang et al. | Superrf: Enhanced 3d rf representation using stationary low-cost mmwave radar | |
US11609332B2 (en) | Method and apparatus for generating image using LiDAR | |
US20220003862A1 (en) | Method for a detection and classification of gestures using a radar system | |
CN116720122B (zh) | 基于多站频率捷变雷达的气动目标分类方法及装置 | |
Holder et al. | Modeling and simulation of radar sensor artifacts for virtual testing of autonomous driving | |
Parker et al. | Preliminary experimental results for RF tomography using distributed sensing | |
CN103048649B (zh) | 一种基于相变图分析的稀疏微波成像雷达性能评估方法 | |
US20230109019A1 (en) | Pipelined cognitive signal processor | |
EP2544020A1 (fr) | Procédé et dispositif de détection d'une cible masquée par des réflecteurs de forte énergie | |
Erdoğan et al. | Object classification on noise-reduced and augmented micro-doppler radar spectrograms | |
Ditzel et al. | Genradar: Self-supervised probabilistic camera synthesis based on radar frequencies | |
CN102156872A (zh) | 一种基于多光谱数据的物体识别方法和装置 | |
CN114966674A (zh) | 一种基于发射波形信息的凝视雷达低空目标测高方法 | |
Li et al. | Bigru network for human activity recognition in high resolution range profile | |
Pavlov et al. | Investigation of the Influence of Speckle Noise on the Accuracy of Object Detection by Convolutional Neural Networks | |
Mason et al. | Optimization methods for synthetic aperture radar imaging | |
CN110850432A (zh) | 激光反射断层成像目标反射率分布解算方法 | |
CN116520256B (zh) | 一种基于深度学习的机载预警雷达干扰识别方法和装置 |
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 |