[發(fā)明專(zhuān)利]一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)模型的雷達(dá)目標(biāo)識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201810539882.7
• 申請(qǐng)日: 2018-05-30
• 公開(kāi)（公告）號(hào): CN108957418A
• 公開(kāi)（公告）日: 2018-12-07
• 發(fā)明（設(shè)計(jì)）人: 陳渤;劉家麒;徐彬
• 申請(qǐng)（專(zhuān)利權(quán)）人: 西安電子科技大學(xué)
• 主分類(lèi)號(hào): G01S7/41
• 分類(lèi)號(hào): G01S7/41;G06N3/04
• 代理公司: 西安睿通知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 61218
• 代理人: 惠文軒

本發(fā)明屬于雷達(dá)技術(shù)領(lǐng)域，公開(kāi)了一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)模型的雷達(dá)目標(biāo)識(shí)別方法，包括：獲取雷達(dá)高分辨距離像HRRP數(shù)據(jù)；選取訓(xùn)練樣本和測(cè)試樣本；利用訓(xùn)練樣本和測(cè)試樣本對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直至確定訓(xùn)練結(jié)束，得到訓(xùn)練完成的循環(huán)神經(jīng)網(wǎng)絡(luò)模型；利用訓(xùn)練完成的循環(huán)神經(jīng)網(wǎng)絡(luò)模型對(duì)待識(shí)別樣本進(jìn)行目標(biāo)識(shí)別，確定待識(shí)別樣本的分類(lèi)類(lèi)別。本發(fā)明能夠提高目標(biāo)識(shí)別準(zhǔn)確率，并且能夠自動(dòng)學(xué)習(xí)數(shù)據(jù)中的特征，無(wú)需人工干預(yù)，有效提高了識(shí)別效率。

技術(shù)領(lǐng)域

本發(fā)明屬于雷達(dá)技術(shù)領(lǐng)域，涉及一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)模型的雷達(dá)目標(biāo)識(shí)別方法，可用于各類(lèi)雷達(dá)對(duì)目標(biāo)高分辨距離像(High Resolution Range Profile，HRRP)數(shù)據(jù)的識(shí)別。

背景技術(shù)

隨著科技的進(jìn)步以及飛機(jī)、軍艦和坦克這些戰(zhàn)爭(zhēng)武器裝備的多樣化發(fā)展，雷達(dá)目標(biāo)識(shí)別所面臨的挑戰(zhàn)也越來(lái)越嚴(yán)峻。近幾十年來(lái)的數(shù)次局部沖突表明雷達(dá)目標(biāo)的識(shí)別正確與否發(fā)揮著舉足輕重的地位，研究具有高識(shí)別率的雷達(dá)目標(biāo)識(shí)別方法意義重大。

HRRP是用寬帶雷達(dá)信號(hào)獲取的目標(biāo)散射點(diǎn)復(fù)子回波在雷達(dá)射線(xiàn)上投影的向量和，它提供了目標(biāo)散射點(diǎn)沿距離方向的分布信息，其特點(diǎn)是通過(guò)發(fā)出某一波長(zhǎng)的高頻信號(hào)，通過(guò)反射成像時(shí)間和位置，從而得出高分辨率距離像，具有目標(biāo)重要的結(jié)構(gòu)特征，對(duì)目標(biāo)識(shí)別與分類(lèi)十分有價(jià)值，因而成為雷達(dá)目標(biāo)識(shí)別的新技術(shù)。

雷達(dá)目標(biāo)識(shí)別中最重要的步驟就是目標(biāo)特征提取，所提取的目標(biāo)特征直接影響后續(xù)的分類(lèi)和識(shí)別。已有文獻(xiàn)證明從HRRP中提取出來(lái)的一些特征，如FFT幅度特征，能夠較為有效地完成分類(lèi)和識(shí)別任務(wù)。但是這些方法都有一個(gè)共同的缺陷：無(wú)法自動(dòng)的提取原始HRRP數(shù)據(jù)的特征，并且特征提取需要大量工作，這使得現(xiàn)有此類(lèi)方法的目標(biāo)識(shí)別速度以及準(zhǔn)確率較低。同時(shí)，由于現(xiàn)有的雷達(dá)目標(biāo)識(shí)別方法需要花費(fèi)大量時(shí)間在特征提取上，無(wú)法實(shí)現(xiàn)實(shí)時(shí)數(shù)據(jù)處理。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明提出一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)模型的雷達(dá)目標(biāo)識(shí)別方法，能夠提高目標(biāo)識(shí)別準(zhǔn)確率，并且能夠自動(dòng)學(xué)習(xí)數(shù)據(jù)中的特征，無(wú)需人工干預(yù)，有效提高了識(shí)別效率。

為達(dá)到上述目的，本發(fā)明的實(shí)施例采用如下技術(shù)方案：

提供一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)模型的雷達(dá)目標(biāo)識(shí)別方法，包括：

步驟1，獲取雷達(dá)高分辨距離像HRRP數(shù)據(jù)，所述HRRP數(shù)據(jù)包括N個(gè)距離像以及所述N個(gè)距離像中各距離像對(duì)應(yīng)的類(lèi)別標(biāo)識(shí)，N為正整數(shù)；

將所述N個(gè)距離像中的每個(gè)距離像作為一個(gè)樣本、各距離像對(duì)應(yīng)的類(lèi)別標(biāo)識(shí)作為樣本的類(lèi)別標(biāo)識(shí)，即得到N個(gè)樣本及其類(lèi)別標(biāo)識(shí)；

對(duì)所述N個(gè)樣本分別進(jìn)行預(yù)處理，得到N個(gè)預(yù)處理后的樣本；

步驟2，將所述N個(gè)預(yù)處理后的樣本隨機(jī)分為訓(xùn)練樣本或測(cè)試樣本，所有訓(xùn)練樣本構(gòu)成訓(xùn)練樣本集合，所有測(cè)試樣本構(gòu)成測(cè)試樣本集合；

步驟3，利用所述訓(xùn)練樣本集合，對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行一次訓(xùn)練，得到此次訓(xùn)練對(duì)應(yīng)的第一識(shí)別準(zhǔn)確率和損失函數(shù)以及此次訓(xùn)練得到的循環(huán)神經(jīng)網(wǎng)絡(luò)模型；

利用此次訓(xùn)練得到的循環(huán)神經(jīng)網(wǎng)絡(luò)模型對(duì)所述測(cè)試樣本集合中各測(cè)試樣本進(jìn)行目標(biāo)識(shí)別，確定測(cè)試樣本的分類(lèi)類(lèi)別，并根據(jù)各測(cè)試樣本的分類(lèi)類(lèi)別及類(lèi)別標(biāo)識(shí)，判斷各測(cè)試樣本是否被正確識(shí)別，進(jìn)而得到所述測(cè)試集合中測(cè)試樣本的識(shí)別準(zhǔn)確率，記作此次訓(xùn)練對(duì)應(yīng)的第二識(shí)別準(zhǔn)確率；

步驟4，根據(jù)所述第一識(shí)別準(zhǔn)確率、所述損失函數(shù)以及所述第二識(shí)別準(zhǔn)確率，確定訓(xùn)練是否結(jié)束：若確定訓(xùn)練結(jié)束，則將此次訓(xùn)練得到的循環(huán)神經(jīng)網(wǎng)絡(luò)模型作為訓(xùn)練完成的循環(huán)神經(jīng)網(wǎng)絡(luò)模型，并轉(zhuǎn)至步驟5；若確定訓(xùn)練未結(jié)束，則重復(fù)執(zhí)行步驟2-步驟3，直至訓(xùn)練結(jié)束；

步驟5，獲取待識(shí)別樣本，利用所述訓(xùn)練完成的循環(huán)神經(jīng)網(wǎng)絡(luò)模型對(duì)所述待識(shí)別樣本進(jìn)行目標(biāo)識(shí)別，確定所述待識(shí)別樣本的分類(lèi)類(lèi)別。