[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

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，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。本發明不僅可以降低信號的復雜度，還可以獲取信號的高階語義信息。

技術領域

本發明屬于雷達信息獲取與處理的技術領域，具體涉及一種復雜環境雷達回波認知方法。

背景技術

隨著雷達通信與電子信息技術的飛速發展，信號體制種類及數量急劇增加、信號波形設計更為復雜，加之雷達探測環境中地物種類復雜多樣、地貌特征各異、空間異質性強烈，使得傳統的信號處理和分析方法已難以滿足現階段的使用需求。作為一種不需要專業領域知識的通用技術，深度學習具有整合海量、多模態、動態大數據的能力，并且可以從標記數據中快速的提取高階語義信息，這與復雜環境雷達回波信號認知識別的發展要求和趨勢不謀而合，有望提高雷達系統對復雜環境回波信號的處理能力與效率。

目前技術主要采用時頻分析方法將無線電信號識別問題轉化為圖像識別領域問題，采用深度神經網絡對二維頻譜圖進行特征提取或者直接使用長短時記憶神經網絡對信號序列進行本質挖掘，與傳統雷達信號處理方法相比，信息處理效率和魯棒性都得到了提升，但主要存在兩個問題：一是通過時頻變換會丟失信號層的相關信息，不能挖掘雷達回波信號本質特征，且二維卷積訓練復雜度較高、參數量較大，網絡冗余程度高；二是不同雷達回波信號經過傳統雷達信號處理提取得到的特征幾乎無差別，直接輸入LSTM(長短期記憶網絡)容易出現分類效果較差的現象。

基于上述，本發明提出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，不僅可以降低信號的復雜度，還可以獲取信號的高階語義信息。

發明內容

本發明的目的在于提出一種高效的復雜環境雷達回波認知方法，主要采用不變散射卷積網絡對輸入雷達回波信號進行信息降維與特征提取，減少信息的冗余，接著采用LSTM挖掘信號序列本質特征，實現復雜環境雷達回波識別。同時針對信號中存在的其他噪聲，使用注意力機制增強雷達回波信號本征特征，提高信號的識別率。與之前的雷達回波信號識別方法相比，本發明不僅可以降低信號的復雜度，還可以獲取信號的高階語義信息，是一種具有應用前景的雷達回波認知方法。

為實現上述目的，本發明提出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，包含以下步驟：

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。

其中，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。

其中，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，所述環境模型對波進行散射，由引信天線接收的散射波為回波。