[發明專利]一種雷達高分辨距離像開集識別方法及裝置

在審

• 申請號: 202111199838.4
• 申請日: 2021-10-14
• 公開（公告）號: CN114137518A
• 公開（公告）日: 2022-03-04
• 發明（設計）人: 夏子恒;耿曉靜;王鵬輝;劉宏偉
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G01S13/89
• 分類號: G01S13/89;G06N3/04;G06N3/08
• 代理公司: 西安嘉思特知識產權代理事務所(普通合伙) 61230
• 代理人: 王萌

本發明公開了一種基于卷積神經網絡的雷達高分辨距離像開集識別方法及裝置，該方法包括：獲取雷達高分辨距離像并建立訓練樣本集和測試樣本集；對訓練樣本集和測試樣本集中的數據進行預處理，得到預處理后的訓練樣本集和測試樣本集；構建卷積神經網絡模型；利用預處理后的訓練樣本集訓練卷積神經網絡模型，得到訓練好的卷積神經網絡；利用預處理后的測試樣本集對訓練好的卷積神經網絡進行開集識別，得到基于卷積神經網絡的雷達高分辨距離像開集識別結果。本發明提供的方法不僅可用于對庫內已知類別目標進行識別分類，同時可拒判庫外未知類別目標，提高了目標識別準確率，進而提升了雷達了的自動化和智能化水平。

技術領域

本發明屬于雷達技術領域，具體涉及一種基于卷積神經網絡的雷達高分辨距離像開集識別方法及裝置。

背景技術

雷達的距離分辨率正比于匹配濾波后的接收脈沖寬度，且雷達發射信號的距離單元長度滿足：ΔR＝cτ/2＝c/2B，其中ΔR為雷達發射信號的距離單元長度，c為光速，τ為匹配接收的脈沖寬度，B為雷達發射信號的帶寬。大的雷達發射信號帶寬提供了高的距離分辨率(HRR，high resolution range)。實際上雷達距離分辨率的高低是相對于觀測目標而言的，當所觀測目標沿雷達視線方向的尺寸為L時，如果LΔR，則對應的雷達回波信號寬度與雷達發射脈沖寬度(匹配處理后的接收脈沖)近似相同，通常稱為“點”目標回波，這類雷達為低分辨雷達，如果ΔRL，則目標回波成為按目標特性在距離上延伸的“一維距離像”，這類雷達為高分辨雷達(表示遠遠小于)。

高分辨雷達發射寬帶相干信號(線性調頻或步進頻率信號)，雷達通過目標對發射電磁波的后向散射，接收到回波數據。通常回波特性采用簡化的散射點模型計算得到，即采用忽略多次散射的波恩(Born)一級近似。高分辨雷達回波中呈現出的起伏和尖峰，反映著在一定雷達視角時目標上散射體(如機頭、機翼、機尾方向舵、進氣孔、發動機等等)的雷達散射截面積(RCS)沿雷達視線(RLOS)的分布情況，體現了散射點在徑向的相對幾何關系，常稱為高分辨距離像(HRRP，high resolution range profile)。因此，HRRP樣本包含目標重要的結構特征，對目標識別與分類很有價值。

傳統的針對高分辨距離像數據的目標識別方法主要采用支持向量機直接對目標進行分類，或者使用基于限制玻爾茲曼機的特征提取方法先將數據投影到高維空間中再用分類器分類數據。但上述方法僅僅利用了信號的時域特征，且目標識別準確率不高。

近年來，針對雷達高分辨距離像數據的目標識別方法，主要都針對于閉集識別，這種識別要求測試樣本集中的數據類別與訓練樣本集中的數據類別保持一致。然而在實際應用中，雷達并非僅捕獲庫內目標的高分辨距離像，還會捕獲諸多庫外未知類別目標的高分辨距離像。在這種情況下，已有的閉集識別算法無法對庫外未知類別數據進行拒判，反而會將其誤判為庫內的某一種類，這種情況大大降低了雷達的目標識別準確率。

于是，一些研究人員開始針對雷達高分辨距離像的開集識別進行研究。如柴晶等人在支持向量域描述(SVDD)的基礎上，提出了多核支持向量域描述(Multi kernel SVDD)模型來更加靈活地描述HRRP數據在高維特征空間中的多模分布，從而提高雷達HRRP的識別和拒判性能。張學鋒等人提出了一種基于最大相關分類器(Maximum correlationclassifier，MCC)、支持向量機(Support vector machine，SVM)以及關聯向量機(Relevance vector machine，RVM)的多分類器融合算法來實現雷達HRRP的拒判和識別功能。然而，以上兩種算法均需要依賴特定形式的核函數來提取特征，這種做法限制了模型提取足夠可分特征的能力，從而影響了目標識別的準確率和雷達的智能化水平。

發明內容

為了解決現有技術中存在的上述問題，本發明提供了一種基于卷積神經網絡的雷達高分辨距離像開集識別方法及裝置。本發明要解決的技術問題通過以下技術方案實現：

一種基于卷積神經網絡的雷達高分辨距離像開集識別方法，包括：