[發明專利]基于諧振散射回波信號的雷達目標識別方法

在審

• 申請號: 202011517837.5
• 申請日: 2020-12-21
• 公開（公告）號: CN112526476A
• 公開（公告）日: 2021-03-19
• 發明（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

本發明公開了一種基于諧振散射回波信號的雷達目標識別方法，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據庫；S2、建立以典型雷達目標諧振散射回波數據庫為輸入、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；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。本發明可快速識別低可觀測的雷達目標。

技術領域

本發明涉及雷達目標智能識別技術，尤其涉及一種基于雷達目標諧振散射回波的雷達目標識別方法。

背景技術

現代戰爭對武器系統的信息化、智能化程度要求越來越高，要求雷達系統具有全空域監視能力、快速反應能力和準確的目標分類和識別能力。雷達自動目標識別技術可以提供目標類別、屬性等信息，對于提高軍隊的指揮、自動化水平，增強電子對抗、精確制導、敵我識別、防空反導、空間探測、情報獲取及戰略預警能力具有十分重要的作用。美、俄等軍事強國均把它作為發展未來智能化武器系統的重點和應首先突破的關鍵技術，我國要增強打贏信息化局部戰爭的能力，也必須大力發展雷達目標識別技術的研究。

現代戰爭中的雷達目標大量采用隱身技術，使得此類目標的雷達回波信號十分微弱，對此類目標的準確識別極其困難。目前雷達目標的隱身設計主要通過賦形和采用雷達吸波材料兩種手段實現，賦形的目的在于通過修整飛行器的外形，使其在雷達主要威脅方向上獲得后向散射的縮減；雷達吸波材料能吸收和衰減入射的電磁波，并將電磁能轉換成熱能而耗散掉。研究表明，賦形通常只對微波段雷達有效，而雷達吸波材料也只在特定的頻率范圍有效，對于諧振區，這些手段起到的降低可觀測性作用不大。因此，研究基于諧振回波信號的雷達目標智能識別技術具有重要意義。

發明內容

本發明提出了一種基于諧振散射回波信號的雷達目標識別方法，解決了現有技術中低可觀測雷達目標識別難、速度慢的問題，為低可觀測雷達目標快速識別提供技術手段。

為了達到上述目的，本發明提出了一種基于諧振散射回波信號的雷達目標識別方法，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據庫；

S2、建立以典型雷達目標諧振散射回波數據庫為輸入、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；

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。

進一步地，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據庫進行歸一化處理，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；

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

進一步地，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。

進一步地，對典型雷達目標諧振散射回波數據庫進行歸一化處理，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。

進一步地，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。