[發(fā)明專利]一種基于長(zhǎng)短期記憶網(wǎng)絡(luò)的雷達(dá)未知目標(biāo)識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010151942.5
• 申請(qǐng)日: 2020-03-06
• 公開（公告）號(hào): CN111273288B
• 公開（公告）日: 2022-05-24
• 發(fā)明（設(shè)計(jì)）人: 周代英;張同夢(mèng)雪;胡曉龍;李糧余
• 申請(qǐng)（專利權(quán)）人: 電子科技大學(xué)
• 主分類號(hào): G01S13/89
• 分類號(hào): G01S13/89;G06N3/04
• 代理公司: 成都點(diǎn)睛專利代理事務(wù)所(普通合伙) 51232
• 代理人: 孫一峰

本發(fā)明屬于未知目標(biāo)識(shí)別技術(shù)領(lǐng)域，具體涉及一種基于長(zhǎng)短期記憶網(wǎng)絡(luò)的雷達(dá)未知目標(biāo)識(shí)別方法。本發(fā)明首先對(duì)寬帶雷達(dá)一維距離像數(shù)據(jù)(HRRP)進(jìn)行預(yù)處理；其次對(duì)長(zhǎng)短期記憶網(wǎng)絡(luò)從一維距離像中提取的特征矢量進(jìn)行主成分分析(PCA)，降低特征矢量維度，最后通過最近鄰法(NN)處理已知目標(biāo)樣本數(shù)據(jù)的低維度特征矢量，獲取判別門限，對(duì)長(zhǎng)短期記憶網(wǎng)絡(luò)的輸出矢量進(jìn)行判別，從而識(shí)別出未知目標(biāo)。針對(duì)常規(guī)的卷積網(wǎng)絡(luò)，由于長(zhǎng)短期記憶網(wǎng)絡(luò)能夠提取相鄰一維距離像樣本之間的相關(guān)信息，有效描述輸入一維距離像樣本序列間的變化特性，從而改善了對(duì)未知目標(biāo)的識(shí)別性能。

技術(shù)領(lǐng)域

本發(fā)明屬于未知目標(biāo)識(shí)別技術(shù)領(lǐng)域，具體涉及一種基于長(zhǎng)短期記憶網(wǎng)絡(luò)的雷達(dá)未知目標(biāo)識(shí)別方法。

背景技術(shù)

一維距離像(HRRP)反映了目標(biāo)的尺寸和散射中心分布等結(jié)構(gòu)特征，具有實(shí)時(shí)性強(qiáng)、易于獲取和存儲(chǔ)等優(yōu)點(diǎn)，是當(dāng)前識(shí)別飛機(jī)等空中目標(biāo)的主要手段。

隨著深度學(xué)習(xí)理論在語音、圖像和自然語言處理等領(lǐng)域的成功應(yīng)用，部分學(xué)者開始將深度學(xué)習(xí)方法引入到雷達(dá)目標(biāo)一維距離像識(shí)別方面。例如，具有平移不變性特點(diǎn)的卷積神經(jīng)網(wǎng)絡(luò)對(duì)已訓(xùn)練的雷達(dá)目標(biāo)一維距離像具有好的識(shí)別率，但是不能正確識(shí)別未知目標(biāo)(即沒有參與訓(xùn)練的目標(biāo))，對(duì)此，利用深層卷積神經(jīng)網(wǎng)絡(luò)+門限即可實(shí)現(xiàn)對(duì)未知目標(biāo)的識(shí)別，然而，由于卷積神經(jīng)元網(wǎng)絡(luò)末能使用相鄰樣本間的相關(guān)信息，因此，對(duì)未知目標(biāo)的識(shí)別性能還有進(jìn)一步改進(jìn)的余地。

發(fā)明內(nèi)容

本發(fā)明的主要內(nèi)容是針對(duì)上述問題，提出一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的雷達(dá)未知目標(biāo)識(shí)別方法。該方法采用長(zhǎng)短期記憶網(wǎng)絡(luò)提取輸入序列中相鄰樣本間的相關(guān)特性，有效描述了與目標(biāo)結(jié)構(gòu)有關(guān)的特征信息，從而改善了對(duì)未知目標(biāo)的識(shí)別率。

本發(fā)明的技術(shù)方案是：一種基于長(zhǎng)短期記憶網(wǎng)絡(luò)的雷達(dá)未知目標(biāo)識(shí)別方法，包括以下步驟：

S1、基于目標(biāo)散射中心模型，設(shè)寬帶雷達(dá)獲取的單幅目標(biāo)一維距離像樣本為x＝[x₁,x₂,...,x_i,…,x_n]，其中n為距離單元個(gè)數(shù)，x_i表示第i個(gè)距離單元的幅度，為降低一維距離像幅度敏感性對(duì)識(shí)別性能的影響，突出強(qiáng)散射點(diǎn)與其余散射點(diǎn)的對(duì)比效果，對(duì)一維距離像進(jìn)行β-均值標(biāo)準(zhǔn)化處理：

其中表示第i個(gè)距離單元?dú)w一化幅度，β為常數(shù)，E_x表示該單幅距離像的均值，β-均值標(biāo)準(zhǔn)化處理后的單幅一維距離像為

S2、構(gòu)建長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型，在循環(huán)神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上進(jìn)行改造的長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)，能夠一定程度解決梯度消失的問題，如圖1所示，本發(fā)明的長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)總共有11層，依次為L(zhǎng)STM層、Dropout層1、Flatten層、全連接層1、Dropout層2、全連接層2、全連接層3、Dropout層3、全連接層4、全連接層5、分類器；除單個(gè)LSTM層和以softmax為激活函數(shù)的分類輸出層之外，含有多個(gè)全連接層和dropout層使部分神經(jīng)元隨機(jī)失活以減小訓(xùn)練參數(shù)，降低模型過擬合風(fēng)險(xiǎn)；將多幅一維距離像經(jīng)預(yù)處理后按時(shí)間順序輸入網(wǎng)絡(luò)，考慮雷達(dá)最小分辨單位以及HRRP數(shù)據(jù)特征，時(shí)間步長(zhǎng)設(shè)為1，長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的輸入為輸出為分類器給出的識(shí)別標(biāo)簽其中為第m個(gè)時(shí)刻預(yù)處理后的一維距離像，1≤m≤N，N為一維距離像數(shù)量，為第m個(gè)時(shí)刻預(yù)處理后的一維距離像對(duì)應(yīng)的識(shí)別標(biāo)簽；所述LSTM層的基本單元為記憶單元，如圖2所示，每個(gè)記憶單元包含輸入門、遺忘門和輸出門三個(gè)元件，第m個(gè)時(shí)刻記憶單元的輸入為該記憶單元擁有輸出h_m和記憶值c_m，經(jīng)輸入門、遺忘門、輸出門和上一時(shí)刻記憶單元的輸出值h_m-1、記憶值c_m-1的共同作用，最終得到h_m，記憶單元的串接如圖3所示，具體為：