[發(fā)明專利]基于諧振散射回波信號的雷達目標識別方法

在審

• 申請?zhí)枺?/td>: 202011517837.5
• 申請日: 2020-12-21
• 公開（公告）號: CN112526476A
• 公開（公告）日: 2021-03-19
• 發(fā)明（設計）人: 郭良帥;李亞軍;張慧媛;張潤俊
• 申請（專利權）人: 上海無線電設備研究所
• 主分類號: G01S7/41
• 分類號: G01S7/41
• 代理公司: 上海元好知識產權代理有限公司 31323
• 代理人: 張妍;徐雯瓊

1.一種基于諧振散射回波信號的雷達目標識別方法，其特征在于，包含以下步驟：

S1、利用時域有限差分算法獲取已知類別的典型雷達目標的諧振散射回波信號，并建立典型雷達目標諧振散射回波數(shù)據(jù)庫；

S2、建立以典型雷達目標諧振散射回波數(shù)據(jù)庫為輸入、以典型雷達目標類別作為輸出的深度神經網絡模型，并結合向后傳播模型解算深度神經網絡模型的網絡參數(shù)；

S3、獲取被測雷達目標的諧振散射回波信號，并作為步驟S2中解算得到網絡參數(shù)的深度神經網絡模型的輸入，從而得到被測雷達目標的類型。

2.如權利要求1所述的雷達目標識別方法，其特征在于，所述步驟S2包含以下步驟：

S2.1、建立以卷積神經網絡為核心的多層深度神經網絡模型；

S2.2、對典型雷達目標諧振散射回波數(shù)據(jù)庫進行歸一化處理，并作為訓練樣本對深度神經網絡模型進行訓練；

S2.3、建立雷達目標標簽，并結合步驟S2.2中深度神經網絡模型的輸出形成代價函數(shù)；

S2.4、采用自適應矩估計方法對代價函數(shù)進行解算，并利用指數(shù)下降的步長更新策略獲取深度神經網絡的網絡參數(shù)。

3.如權利要求2所述的雷達目標識別方法，其特征在于，所述多層深度神經網絡模型是卷積神經網絡的多層結構，每層卷積神經網絡之間采用tanh函數(shù)進行非線性運算，深度神經網絡模型的輸出層采用sigmod進行非線性運算。

4.如權利要求2所述的雷達目標識別方法，其特征在于，對典型雷達目標諧振散射回波數(shù)據(jù)庫進行歸一化處理，包括：按照典型雷達目標幾何長度的4倍所對應的電磁波傳播時間進行典型雷達目標諧振回波信號的加權平均。

5.如權利要求2所述的雷達目標識別方法，其特征在于，所述步驟S2.3中，利用one-hot方法建立N×1維的雷達目標標簽，其中與雷達目標類別對應位置處的標簽值為1，其他位置處的標簽值為0。

6.如權利要求2所述的雷達目標識別方法，其特征在于，所述代價函數(shù)為：

式中，C為雷達目標類別的輸出概率，y_d為深度神經網絡模型的輸出，y'為建立的雷達目標標簽，N為總的雷達目標類別數(shù)目。

7.如權利要求2所述的雷達目標識別方法，其特征在于，所述步驟S2.4中，自適應矩估計方法的計算公式為：

I_n+1＝I_n+ΔI_n

其中，β₁，β₂，ε為超參數(shù)，β₁＝0.9，β₂＝0.99，ε＝1.0e^-10，n為更新次數(shù)，η為參數(shù)更新步長，為代價函數(shù)的一階矩，為代價函數(shù)的二階矩，I_n為前一時刻更新求解得到的深度神經網絡權值，v_n為修正系數(shù)，其記錄了第n步求解位置處梯度的加權，s_n為修正系數(shù)，其記錄了對應位置處梯度的平方加權作用；

所述指數(shù)下降的步長更新方法為：

η_n＝a·p^n/l

式中，a為初始更新長度，a＝1.0e^-5，p為衰減因子，p＝0.8～0.9，l為指數(shù)衰減常數(shù)，l＝50～70。