[發明專利]一種基于微多普勒特征提取和深度學習的雷達目標識別方法

在審

• 申請號: 201810052416.6
• 申請日: 2018-01-19
• 公開（公告）號: CN108256488A
• 公開（公告）日: 2018-07-06
• 發明（設計）人: 呂軍;李嘉睿;贠樂應;苗成林
• 申請（專利權）人: 中國人民解放軍陸軍裝甲兵學院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G01S7/41;G06N3/04
• 代理公司: 北京智沃律師事務所 11620
• 代理人: 王繼勝

1.一種基于微多普勒特征提取和深度學習的雷達目標識別方法，其特征在于，包括新方法可分為三個階段：

步驟一、微多普勒特征提取階段，使用MSTFT-WVD算法獲得目標的微多普勒特征時頻圖；

步驟二、分類器模型訓練階段，將第一階段獲得的已知類別信息的時頻圖分為訓練數據集和測試數據集兩類，利用原始深度學習模型進行訓練，通過不斷調整參數獲得適用于雷達目標識別的最優深度學習模型；

步驟三、未知目標的識別階段，同樣利用MSTFT-WVD算法獲得未知目標的微多普勒特征時頻圖，將其輸入至第二階段訓練好的深度學習模型中，獲得未知目標的類別信息。

2.如權利要求1所述的一種基于微多普勒特征提取和深度學習的雷達目標識別方法，其特征在于，所述MSTFT-WVD算法的公式表述如下：

式中，SWW_x(t,f)為使用MSTFT-WVD算法對信號進行時頻變換所得矩陣，a為冪調節系數，c為閾值。

3.如權利要求2所述的一種基于微多普勒特征提取和深度學習的雷達目標識別方法，其特征在于，所述MSTFT-WVD算法具體步驟如下：

①對微多普勒信號進行STFT變換和WVD變換分別得STFT_x(t,f)和W_x(t,f)，同時對STFT_x(t,f)進行平方運算得原始信號的短時傅里葉變換譜S_x(t,f)；

②對S_x(t,f)和W_x(t,f)進行歸一化處理后求和得SW1_x(t,f)；

③設立閾值c，當SW1_x(t,f)的值大于c時，令其值為1，當SW1_x(t,f)的值小于c時，令其值為0，得到新矩陣SW2_x(t,f)；

④對W_x(t,f)進行指數運算得W_x^a(t,f)，其目的是增強W_x(t,f)中數值較大的自項部分同時減弱交叉項部分；

⑤對W_x^a(t,f)和SW2_x(t,f)進行乘積運算得新的時頻分布SWW_x(t,f)。

4.如權利要求3所述的一種基于微多普勒特征提取和深度學習的雷達目標識別方法，其特征在于，所述系數a在[0.2，0.5]范圍內取值為宜，所述閾值c在[0.3，0.7]×max|SW1_x(t,f)|范圍內取值為宜。

5.如權利要求3所述的一種基于微多普勒特征提取和深度學習的雷達目標識別方法，其特征在于，所述分類器模型訓練階段使用CNN模型。

6.如權利要求5所述的一種基于微多普勒特征提取和深度學習的雷達目標識別方法，其特征在于，所述初始CNN模型的基本網絡結構由多個層組成，每一層有多個二維平面，每個平面又有多個相互獨立的神經元，其處理步驟可簡要歸納如下：

①將經過預處理的二維數據做為輸入放入CNN；

②使用3個卷積核和可加偏置對輸入數據進行卷積，在C1層得到3個特征映射，卷積過程如圖4-3所示，設輸入矩陣大小為4×4，卷積核的大小為2×2，卷積的步長為1，則卷積后的矩陣大小為3×3，即對于a×b的輸入數據，當卷積核大小為c×d，且步長為i時，卷積后數據的大小g×h為：

③對C1層輸出的特征進行池化，即對C1層的輸出中的鄰域進行加權求和，加偏置再經過激勵函數在S2層得到3個特征映射，其目的是對數據不同位置的特征進行聚合統計，以此來降低卷積特征向量的維度；

④重復②、③過程得C3和S4，以此類推，直到最終所得輸出變為一維數組，將其輸入至全連接的神經網絡進行識別。

7.如權利要求5所述的一種基于微多普勒特征提取和深度學習的雷達目標識別方法，其特征在于，所述CNN模型訓練階段分為特征學習和模型驗證兩個階段：

①在特征學習階段，將訓練數據集和對應的類別標簽信息輸入至CNN中，CNN開始進行訓練的前向傳播階段，結束后輸出預測的類別標簽，將預測的標簽與輸入的實際標簽進行對比，若不相等，則CNN開始進行誤差反向傳播階段，使用梯度下降法調整CNN的各層權值和偏置參數，之后再次進行前向傳播，直至預測所得標簽與實際標簽之間相等為止，此時保存CNN中的各項參數；

②在模型驗證階段，使用上述參數構成的CNN模型對驗證數據集進行識別測試，如果所得的識別正確率達到了要求，則認為該模型就是最優模型，可以直接使用這個模型對未知類別的數據進行識別，否則需要進一步調整CNN模型的參數，直至對驗證數據集的識別正確率達到要求。