[發明專利]一種基于時序卷積神經網絡的雷達回波外推方法

在審

• 申請號: 201710830449.4
• 申請日: 2017-09-15
• 公開（公告）號: CN107632295A
• 公開（公告）日: 2018-01-26
• 發明（設計）人: 李炳聰;何昭水;劉嘉穗
• 申請（專利權）人: 廣東工業大學
• 主分類號: G01S7/41
• 分類號: G01S7/41;G01S13/95
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于時序卷積神經網絡的雷達回波外推方法，其特征在于，包括以下步驟：

步驟1，處理數據：給定雷達回波數據，其中訓練用的雷達回波數據是一組包含15個時間步的雷達回波圖序列，測試用的雷達回波數據是一組包含7個時間步的雷達回波圖序列，首先通過二維離散余弦變換和反變換把雷達回波圖分解成若干個頻率成分；計算樣本集中所有樣本每一維上的平均值和標準差，使用它們的平均值和標準差對所有樣本進行z分數規范化；把經過以上步驟得到的圖片分割成若干張樣本，構成訓練樣本集或測試樣本集；

步驟2，訓練時序卷積神經網絡：建立卷積神經網絡，網絡使用訓練樣本的前7個時間節點上的雷達回波圖作為輸入，輸出對后8個時間節點上雷達回波圖的預測；對卷積神經網絡的所有參數進行初始化；使用訓練樣本集，經過網絡前向傳播得到模型預測值，使用預測值和真實值計算得到預測損失；通過反向傳播更新時序卷積神經網絡的參數，重復這個過程直至收斂；

步驟3，測試時序卷積神經網絡：基于步驟2中建立好的訓練網絡，建立測試網絡；對測試用的雷達回波圖進行步驟1的處理方法，得到測試樣本集，輸入測試樣本集到測試網絡中，通過前向傳播得到預測值；對預測值進行步驟1的逆操作，把預測值合成為雷達回波圖。

2.根據權利要求1所述的方法，其特征在于，步驟1包括以下步驟：

步驟1-1，分解不同的頻率成分：對于每一張雷達回波圖，分別進行離散余弦變換，每一個雷達回波數據都是一個由雷達回波圖構成的序列，我們把雷達回波數據集中第k個包含 T時間步的大小為 100行 100列的雷達回波圖的數據形式化地表示為張量，其中為雷達回波數據的總個數，對于訓練用的雷達回波數據有T=15，對于測試用雷達回波數據有T=7，把看做為第 k個雷達回波數據中第 t個時間步的雷達回波圖第 x列第y行上的雷達回波值，通過對中的每一張圖進行一次離散余弦變換，得到是一個形狀為的張量，稱為雷達回波圖 的頻譜特征，的中心（在圖像的第50行、第50列附近）對應原圖的低頻成分，越往外頻率越高，接下來使用如下所示的高斯窗分離這個頻譜圖的不同頻率成分：

其中， 為一系列的閾值，和指定了第 i個頻率成分所處頻段的頻率下界和上界，根據經驗選擇四個頻段，也就是遞增數列 代表這四個頻段成分的頻率上下界，高斯窗函數的高和寬與頻譜圖一致，通過下式把窗函數應用到頻譜特征當中，得到不同頻段下的頻譜特征：

其中運算符號值的是Hadamard乘積，對這些不同頻段下的頻譜特征進行離散余弦反變換，可以得到他們在空間域中的表示，稱為原雷達回波圖在頻域中第 i個頻段上的成分，只要且足夠大，這里有；

步驟1-2，使用z分數規范化對雷達回波圖各個頻段上的成分進行標準化：首先計算各個頻段成分上各個位置的均值和方差，對各個頻段成分上的各個位置分別進行z分數規范化：

步驟1-3，把規范后的各個頻段成分分解成16個樣本：使用下式進行分解：

其中，由此可以把每個頻段成分分解成 16張量，把這16個張量看做是16個不同的樣本，通過對每一個雷達回波數據使用以上方法進行處理，可以構造一個由16N個樣本構成的訓練樣本集，其中每一個雷達回波數據對應樣本集中的16個樣本，下文中使用k代替，這并不影響理解，為了把樣本表達成卷積神經網絡容易表述的形式，在模型中使用一組張量來表達第 k個樣本，按時間步序號表示樣本：，在卷積神經網絡中，一般稱i為圖像通道序號，這里沿用這個名稱。