[發(fā)明專利]一種基于深度學習的雷達回波信號目標識別方法

有效

• 申請?zhí)枺?/td>: 201810018311.9
• 申請日: 2018-01-09
• 公開（公告）號: CN108229404B
• 公開（公告）日: 2022-03-08
• 發(fā)明（設計）人: 崔鐵軍;范湉湉
• 申請（專利權）人: 東南大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

1.一種基于深度學習的雷達回波信號目標識別方法，其特征在于，包括以下步驟：

(1)對雷達回波信號進行(0,1)的歸一化處理，所述的雷達回波信號為雷達原始回波信號，采用近場/遠場測量或仿真得到的單/雙站雷達回波信號，仿真時目標中心位于坐標原點，平面波激勵由φ_i＝0°平面內(nèi)θ_i＝90°方向照射目標，入射波波形為調(diào)制高斯脈沖的一階導數(shù)，調(diào)制頻率為2GHz，脈沖寬度為12.8ns，分別計算俯仰角θ_s＝90°時，在不同觀察距離和中心方位角下，觀察半徑r∈[48m,52m]，中心方位角φ_s∈[-5°,5°]，對方位角進行掃描得到的近場雷達回波信號；

(2)將雷達回波信號樣本分為訓練集樣本和測試集樣本，所述的訓練集樣本為中心方位角為φ_s∈[-5°,2°]范圍內(nèi)的仿真數(shù)據(jù)，所述的測試集樣本為中心方位角為φ_s∈(2°,5°]范圍內(nèi)的仿真數(shù)據(jù)；

(3)卷積神經(jīng)網(wǎng)絡參數(shù)初始化，包括：

(31)對訓練樣本集P，其訓練樣本總量為M，記第i個訓練樣本為p(x_i,y_i)，其中x_i為歸一化后的二維雷達回波數(shù)據(jù)，y_i為第i個訓練樣本的類別標記，i＝1,2,...M；

(32)網(wǎng)絡的連接權重初始化服從如下分布函數(shù)：

其中，U指均勻分布，p^(l)表示第l層的輸出特征圖個數(shù)，p^(l-1)表示第l層的輸入特征圖個數(shù)，網(wǎng)絡的偏置項初始化為0；

(33)構造卷積神經(jīng)網(wǎng)絡，所述的卷積神經(jīng)網(wǎng)絡結構由3個卷積層，3個下采樣層和1個輸出層組成；

(4)利用梯度下降法訓練卷積神經(jīng)網(wǎng)絡，包括：

(41)訓練樣本集，采用小批量梯度下降方式訓練該卷積神經(jīng)網(wǎng)絡，將訓練樣本隨機排列后，每次選擇訓練集中一定數(shù)量的數(shù)據(jù)完成一次參數(shù)更新，參數(shù)更新采用引入動量因子的更新方式，所述的一定數(shù)量為一個batch，batch∈[100,300]；

(42)在卷積神經(jīng)網(wǎng)絡的訓練初期使用能使損失函數(shù)下降的最大學習率來改變參數(shù)，初始學習率設置為1，在訓練過程中每50個epochs后，學習率變?yōu)樵鹊?.1；

(43)判定網(wǎng)絡損失函數(shù)是否小于期望值，所述的網(wǎng)絡損失函數(shù)采用考慮L2正則化的交叉熵損失函數(shù)，其表達式如下：

式中，m為訓練集樣本集樣本個數(shù)，記第i個訓練樣本為p(x_i,y_i)，其中x_i為歸一化后的二維雷達回波數(shù)據(jù)，y_i為第i個訓練樣本的類別標記，h_k,b(x_i)為第i個訓練樣本通過網(wǎng)絡后的預測類別標記，λ＞0為正則化參數(shù)，k為網(wǎng)絡權重；

(5)在測試集上測試訓練好的卷積神經(jīng)網(wǎng)絡，得到測試結果。

2.根據(jù)權利要求1所述的一種基于深度學習的雷達回波信號目標識別方法，其特征在于，步驟(33)構造的卷積神經(jīng)網(wǎng)絡中每層卷積層后分別跟max pool下采樣層，每個卷積層采用ReLU激活函數(shù)，最終得到的特征圖連接為一個一維向量，該向量與輸出層節(jié)點全連接，最終得到表示目標類別的輸出結果，輸出層采用softmax分類器。

3.根據(jù)權利要求1所述的一種基于深度學習的雷達回波信號目標識別方法，其特征在于，步驟(44)或者判定網(wǎng)絡在測試集上的識別準確率是否達到最高，如果是則終止訓練，否則繼續(xù)訓練或降低學習率后繼續(xù)訓練。