[發明專利]海面目標一維距離像降噪卷積神經網絡識別方法

有效

• 申請號: 202110366635.3
• 申請日: 2021-04-06
• 公開（公告）號: CN112966667B
• 公開（公告）日: 2022-12-16
• 發明（設計）人: 簡濤;王哲昊;王海鵬;劉瑜;劉傳輝;李剛;李輝;楊予昊;張健
• 申請（專利權）人: 中國人民解放軍海軍航空大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種海面目標一維距離像降噪卷積神經網絡識別方法，屬于雷達信號處理領域。針對低信噪比條件，合理地對原始HRRP數據進行預處理，構建不同信噪比條件下的多類海面目標數據集，利用深度學習技術構建了一維降噪卷積神經網絡，在保持高信噪比數據無波動的基礎上，提升了低信噪比數據的信噪比，利用卷積神經網絡的殘差結構，減輕深層次神經網絡的學習負擔，進而構建了集降噪分類一體化的智能海面目標分類識別模型，提升了海面目標的識別正確率，改善了低信噪比條件下的海面目標識別性能，增強了對海雷達在復雜海面環境下的分類識別能力，具有推廣應用價值。

技術領域

本發明隸屬于雷達信號處理領域，具體涉及一種海面目標一維距離像降噪卷積神經網絡識別方法。

背景技術

可靠的海面目標識別方法對海上目標偵察各環節都十分重要。目前，高分辨寬帶雷達技術已經廣泛應用于目標識別領域，高分辨一維距離像(HRRP)表征了散射中心沿雷達視線方向的分布情況，包含了目標的結構特征，因其易于獲取和處理等優勢，在雷達海面目標識別領域中有著重要作用。

現已有多種HRRP目標識別方法，如基于子空間的HRRP目標識別算法、基于散射中心模型的HRRP雷達目標識別方法等。其中，基于子空間的識別算法中，針對非線性問題，需利用核函數先升維再降維提取特征信息，而核函數中存在許多人為設計的參數，其參數的選取是否合理將直接影響目標識別效果；基于散射中心模型的識別算法中，需要依據各散射中心提取目標的特征信息進行分類識別。然而在實際雷達探測過程中，海面環境復雜多變，獲得HRRP的信噪比往往較低，這一問題在遠距離探測場景中尤為突出，低信噪比會對前述的兩種特征信息提取方式產生較大影響，導致其識別精確度和魯棒性都面臨著極大的挑戰。而人工智能中的深度學習技術可以自動提取目標本質特征，這種端到端的學習方式在提升海面目標識別的精確性、魯棒性和智能性等方面具有潛在優勢。

針對海面目標識別可能同時面臨高信噪比和低信噪比的復雜情況，如何在保持高信噪比條件下目標識別正確率的基礎上，提升低信噪比條件下的海面目標識別正確率，是提升復雜海面環境下目標識別能力的關鍵，也是海面目標HRRP識別技術的研究重點之一。

發明內容

針對低信噪比條件，如何合理地對原始HRRP數據進行預處理，構建不同信噪比條件下的多類海面目標數據集，并利用深度學習技術構建一維降噪卷積神經網絡(DnCNN)，在保持高信噪比數據基本無波動的前提下，降低低信噪比數據中噪聲的不利影響，減輕深層次神經網絡的學習負擔，進而構建集降噪分類一體化的海面目標HRRP智能分類識別模型，進一步提升低信噪比條件下的海面目標識別正確率，避免人為因素影響，提高對海雷達在復雜海面環境下的分類識別能力和魯棒性。

本發明所述海面目標一維距離像降噪卷積神經網絡識別方法包括以下步驟：

步驟1針對海面目標識別需求，獲取多種典型海面環境下的含噪目標HRRP數據，對目標HRRP數據進行加噪和距離平移擴充，對擴充后的數據集按固定比例構建模型的訓練集和測試集；接著根據海面目標HRRP的特性，將HRRP轉變為二維圖像，根據HRRP信息賦予二維圖像坐標軸物理含義，便于提取不同的特征信息；具體步驟包括：

為更加貼近真實海面環境，首先對數據進行加噪處理，添加不同信噪比的隨機噪聲來模擬不同情況下的海面環境，同時為滿足具有深層次特征信息自主學習能力的海面目標分類識別模型對數據集的要求，對加噪處理后的數據進行數據集擴充，最后對擴充后的數據集按一定比例構建模型的訓練集和測試集。

首先，獲取多類無噪聲干擾的海面目標HRRP樣本數據x_nj(n＝1,2,...,N；j＝1,2,...,C)，x_nj為M維向量，表示第j類目標在第n個方位角對應的樣本數據，C為目標類別數，N為方位角個數，即每類目標含有N個方位角的樣本數據，每個方位角的樣本數據長度為M。產生隨機噪聲序列NOISE，為保證無噪聲數據與隨機噪聲以給定的信噪比進行疊加，可先依據給定的信噪比SNR估算出隨機噪聲序列的有效功率PN：