[發(fā)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?zhí)枺?/td>: 201810052416.6
• 申請日: 2018-01-19
• 公開（公告）號: CN108256488A
• 公開（公告）日: 2018-07-06
• 發(fā)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

本發(fā)明提出了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，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(shù)據(jù)集和測試數(shù)據(jù)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(shù)獲得適用于雷達目標識別的最優(yōu)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。本發(fā)明可以得到更高的識別正確率。

技術領域

本發(fā)明涉及雷達目標識別技術領域，尤其是涉及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。

背景技術

不同目標在戰(zhàn)場上執(zhí)行任務的不同決定了其威脅程度的差異，因此對戰(zhàn)場目標的識別具有重要意義。目前我軍裝甲部隊列裝的某型雷達偵察車的車載雷達為脈沖多普勒雷達，對目標的識別通常采用人為判定方式，在發(fā)現(xiàn)目標后，偵察員通過頭戴式偵聽耳機監(jiān)聽目標的回波音頻信號，對目標進行識別。這種方式對偵察員的專業(yè)素質要求較高，尤其對未經(jīng)過長時間專門培訓的偵察員來說，更是容易出現(xiàn)誤判或錯判的情況，目標的正確識別率極低，并且整個過程耗時比較長，因此我軍裝甲部隊需要更加智能的車載雷達運動目標識別方法。

雷達目標識別方法的本質是將機器學習及模式識別的相應知識應用到雷達目標探測中，其思路是從目標的雷達回波中提取出能夠反應目標特性的信息，使用機器學習的思想構建分類器，將提取的特征帶入訓練好的分類器，從而對目標的類別做出判定，其流程如圖1所示，整個過程可分為兩個階段：①特征的訓練學習階段，首先對已知類別信息的訓練數(shù)據(jù)集進行預處理，接著選擇出對不同類別數(shù)據(jù)具有區(qū)分度的特征，進而利用這些特征確定分類器的相關參數(shù)，完成對分類器的設計；②未知目標的識別階段，對于未知類別信息的測試數(shù)據(jù)集，首先使用與訓練階段相同方法進行預處理，接著對該數(shù)據(jù)進行特征提取，特征類型應該與訓練階段相同，最后將這些特征輸入至訓練好的分類器進行識別決策，從而得出未知目標的識別結果。

分析圖1可以得出，雷達目標識別的關鍵在于特征的選擇和分類器的設計，也就是分類算法的性能。需要選擇的特征主要是目標的雷達回波信號特征，可分為以下3類：①高分辨距離像特征，這類特征對不同目標具有較好的區(qū)分度，但存在不穩(wěn)定的問題，且該特征大多被用于飛機目標的識別，使用該特征進行地面目標識別的研究很少；②多普勒特征，對于不同地面目標而言，由于其表面材料的不同導致了目標對雷達發(fā)射電磁波散射情況的差異，再加上目標旋轉和振動等的復合調制，使得回波信號的多普勒頻移具有一定的差異，可以基于此特征進行目標識別，但隨著目標特征控制技術的發(fā)展，利用該類方法進行分類識別也變得比較困難；③微多普勒特征，微多普勒特征是目標微運動引起的獨特特征，微運動是指目標及其組成部件的振動、轉動等小幅度的運動，是由目標的獨特部件在特定受力下發(fā)生的，如車輪、履帶及炮塔的轉動，行人手臂的擺動等，這些微運動可控性低，不易被模仿，所以其微多普勒特征往往是“獨一無二”的，可以作為運動目標識別的重要依據(jù)，所以基于微多普勒特征的目標識別技術為地面目標的識別提供了新思路，具有很大潛力，本發(fā)明也是基于此方法展開研究。關于分類算法，主要有以下3類：①模板匹配算法，該類算法計算量小，易于移植，但對模板庫的依賴性較高，模板越精細，匹配越好，但是計算效能又會降低；②核機器學習算法，是以統(tǒng)計學習理論與核函數(shù)為基礎的方法，如支持向量機(SupportVectorMachine,SVM)等，實現(xiàn)簡單且識別穩(wěn)定；③人工神經(jīng)網(wǎng)絡算法，這類方法具有自適應和自學習的優(yōu)點，但經(jīng)常會出現(xiàn)過擬合從而使結果呈現(xiàn)局部最優(yōu)的情況，而且模型建立較為困難。同時上述幾類方法使用模型都是淺層結構，對復雜問題的建模能力有限。