[發明專利]一種基于不變散射卷積網絡和LSTM的復雜環境回波認知方法

在審

• 申請號: 202111119898.0
• 申請日: 2021-09-24
• 公開（公告）號: CN113947113A
• 公開（公告）日: 2022-01-18
• 發明（設計）人: 安銳;馮明;高鵬程;黃志勇
• 申請（專利權）人: 上海無線電設備研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海元好知識產權代理有限公司 31323
• 代理人: 徐雯瓊;張妍

1.一種基于不變散射卷積網絡和LSTM的復雜環境回波認知方法，其特征在于，包括以下步驟：

S1、建立幾種典型環境的幾何模型和電磁參數模型；

S2、基于S1中的幾何模型和電磁參數模型，對脈沖多普勒雷達體制下的回波信號進行仿真；

S3、建立不變散射卷積網絡，提取S2中回波信號的特征數據；

S4、基于S3中的回波信號的特征數據，建立訓練數據集和測試數據集；

S5、建立LSTM網絡模型，并將S4中的訓練數據集輸入對LSTM網絡模型進行訓練；

S6、使用S5中訓練好的LSTM模型對S3中的測試數據集進行分類測試。

2.如權利要求1所述的一種基于不變散射卷積網絡和LSTM的復雜環境回波認知方法，其特征在于，所述的步驟S1進一步的包括以下步驟：

S11、選取幾種典型環境，建立其幾何模型；

S12、建立S11中所述幾種典型環境的電磁參數模型。

3.如權利要求1所述的一種基于不變散射卷積網絡和LSTM的復雜環境回波認知方法，其特征在于，在所述脈沖多普勒雷達體制下，建立引信天線模型，該引信天線發射波至步驟S1中建立的環境模型，所述環境模型對發射波進行散射，由引信天線接收的散射波為回波。

4.如權利要求3所述的一種基于不變散射卷積網絡和LSTM的復雜環境回波認知方法，其特征在于，將對回波信號起貢獻的環境區域劃分為M×N個面元，繼而步驟S2中所述的回波信號為

其中，P_t為引信天線的接收功率，λ為引信天線發射波的波長，k為波數，Δs為引信天線照射區域的每個面元的面積，δ_mn為每個面元的RCS，R為引信天線到面元的距離。

5.如權利要求4所述的一種基于不變散射卷積網絡和LSTM的復雜環境回波認知方法，其特征在于，所述的R的取值范圍為t₁C/2＜R＜(t₁+T_p+T_v)C/2，其中T_p為引信天線的發射脈沖寬度，t₁為接收延遲，T_v為引信天線的接收波門脈寬，C為光速。

6.如權利要求4所述的一種基于不變散射卷積網絡和LSTM的復雜環境回波認知方法，其特征在于，計算所述δ_mn時，根據發射波入射角度的不同，對于小角度入射情況，即入射角小于20°時，采用基爾霍夫近似法計算；對于大角度入射情況，即入射角為20°～90°時，采用微擾法計算。

7.如權利要求1所述的一種基于不變散射卷積網絡和LSTM的復雜環境回波認知方法，其特征在于，所述S3中的不變散射卷積網絡包括多層，每一層通常包括三部分：小波卷積、非線性處理和平均操作。

8.如權利要求1所述的一種基于不變散射卷積網絡和LSTM的復雜環境回波認知方法，其特征在于，所述的步驟S4具體為將步驟S3提取的回波信號特征數據隨機打散，按一定比例建立訓練數據集和測試數據集，其中訓練數據集的占比大于測試數據集。

9.如權利要求1所述的一種基于不變散射卷積網絡和LSTM的復雜環境回波認知方法，其特征在于，所述LSTM模型包括輸入層、LSTM層、注意力機制層、全連接層、softmax層、分類結果層。

10.如權利要求9所述的一種基于不變散射卷積網絡和LSTM的復雜環境回波認知方法，其特征在于，所述的步驟S5中，進一步的包括以下步驟：

S51、將步驟S4中的訓練數據集中的特征數據依次經過輸入層輸入；

S52、從輸入層輸入的回波數據到LSTM層進行計算；

S53、使用注意力機制層對LSTM層的輸出結果進行增強；

S54、使用全連接層和softmax層對結果進行分類；

S55、在分類結果層中輸出分類結果，根據分類結果對注意力機制層、全連接層和softmax層中的參數進行調整；

S56、重復上述步驟，直至將訓練數據集中的所有特征數據全部進行分類，并對各層參數進行調整，得到訓練好的LSTM網絡模型。