[發明專利]基于輻射源特征子空間知識的未知雷達目標識別方法

有效

• 申請號: 202110232660.2
• 申請日: 2021-03-03
• 公開（公告）號: CN113095354B
• 公開（公告）日: 2022-04-29
• 發明（設計）人: 利強;代策宇;楊健;邵懷宗;潘曄;林靜然
• 申請（專利權）人: 電子科技大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06K9/62;G01S13/02;G06N3/04;G06N3/08
• 代理公司: 北京正華智誠專利代理事務所(普通合伙) 11870
• 代理人: 李夢蝶

本發明公開了一種基于輻射源特征子空間知識的未知雷達目標識別方法，屬于雷達與人工智能領域，包括以下步驟：S1、采用已知雷達目標數據構建訓練集，采用訓練集對分類識別模型進行訓練，得到訓練完成的分類識別模型；S2、獲取訓練完成的分類識別模型對輸入的雷達目標測試樣本處理輸出的高維特征向量，基于高維特征向量，構建中心矩陣，對中心矩陣進行奇異值分解，得到零值域子空間；S3、計算測試樣本在值域子空間與零域子空間的投影的向量長度的比值，確定判決門限；S4、基于判決門限，判斷新的待識別的雷達目標屬于已知的雷達目標或未知的雷達目標；本發明解決了現有技術無法對雷達未知目標進行準確識別的問題。

技術領域

本發明涉及雷達與人工智能領域，具體涉及一種基于輻射源特征子空間知識的未知雷達目標識別方法。

背景技術

典型雷達未知目標識別的方法：

A、基于目標聚類的方法：在獲得雷達目標信號之后，對雷達數據進行預處理獲得其特征數據，通過聚類的方法，在聚類空間中，將同屬于一類的雷達目標信號聚集，不同類的雷達目標信號遠離。

B、基于神經網絡特征提取的方法：在獲得雷達目標信號之后，對雷達數據進行預處理送入神經網絡進行特征提取，獲得高維向量。對高維向量進行分析，獲得每一類雷達信號的特征數據，通過比較距離等相似度判決的方法區分已知與未知目標。

典型雷達未知目標識別方法存在的缺點

A、基于目標聚類的方法：目前雷達主要以多功能雷達為主，同一類雷達也會有不同工作模式，其信號特征也各不相同，對雷達數據進行預處理無法有效獲得同一類雷達的典型特征數據。通過聚類的方法，在聚類空間中，也會將同一類雷達信號分成多類，無法達到聚類的目的。且該方法對目標數據量要求過大，在接收到較少數據時，聚類效果不明顯。

B、基于神經網絡特征提取的方法：該方法很大程度依賴于神經網絡的構造，且需要對損失函數進行針對性的設計，對提取出來的特征向量也要通過降維等方法來確定判決門限，識別效果的好壞受到以上多方面的影響。

發明內容

針對現有技術中的上述不足，本發明提供的一種基于輻射源特征子空間知識的未知雷達目標識別方法解決了現有技術無法對雷達未知目標進行準確識別的問題。

為了達到上述發明目的，本發明采用的技術方案為：一種基于輻射源特征子空間知識的未知雷達目標識別方法，包括以下步驟：

S1、采用已知雷達目標數據構建訓練集，采用訓練集對分類識別模型進行訓練，得到訓練完成的分類識別模型；

S2、獲取訓練完成的分類識別模型對輸入的雷達目標測試樣本處理輸出的高維特征向量，基于高維特征向量，構建中心矩陣，對中心矩陣進行奇異值分解，得到零值域子空間；

S3、計算測試樣本在值域子空間與零域子空間的投影的向量長度的比值，確定判決門限；

S4、基于判決門限，判斷新的待識別的雷達目標屬于已知的雷達目標或未知的雷達目標。

進一步地，步驟S1中分類識別模型包括依次連接的輸入層、第一卷積層、第一池化層、第二卷積層、第二池化層、第三卷積層、第三池化層、第一全連接層、第二全連接層、第三全連接層和softmax層；

所述輸入層的數據維度為100*100*3；

所述第一卷積層、第二卷積層和第三卷積層的卷積核大小均為3*3，深度均為32；

所述第一卷積層、第二卷積層和第三卷積層用于在實施過程中均采用0填充方式，以步長為1不斷地移動卷積核得到相應感受野的特征信息，并將特征信息進行組合；

所述第一池化層、第二池化層和第三池化層均為最大池化層，最大池化層的核尺寸為2*2；