[發明專利]基于卷積神經網絡的雷達目標識別方法、模型訓練方法

在審

• 申請號: 202210138892.6
• 申請日: 2022-02-15
• 公開（公告）號: CN114611547A
• 公開（公告）日: 2022-06-10
• 發明（設計）人: 湯俊;段金福
• 申請（專利權）人: 清華大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京同立鈞成知識產權代理有限公司 11205
• 代理人: 霍莉莉;劉芳

本公開提供的一種基于卷積神經網絡的雷達目標識別方法、模型訓練方法，涉及雷達信號處理技術，包括：獲取訓練數據集；其中，訓練數據集中包括多組訓練數據，訓練數據中包括雷達回波數據、雷達回波數據中包括的目標對象的特征圖以及目標對象的標注類別；將目標對象的特征圖輸入至預設模型，得到目標對象的預測類別；根據目標對象的標注類別和預測類別，優化預設模型中的參數，得到雷達目標識別模型。本方案，基于卷積神經網絡對雷達回波數據進行目標識別，無需耗費大量的人工工作，且在雷達回波數據中包含的噪聲和雜波多的復雜背景下，也有較好的目標識別效果。

技術領域

本公開涉及雷達信號處理技術，尤其涉及一種基于卷積神經網絡的雷達目標識別方法、模型訓練方法。

背景技術

雷達目標識別是雷達信號處理領域的一個重要問題。雷達目標識別，是利用雷達和計算機對遙遠目標進行辨認的技術，通過對雷達回波中的幅度、相位、頻譜和極化等目標特征信息的分析，在數學上的各種多維空間變換來估算目標的大小、形狀、重量和表面層的物理特性參數，最后根據大量訓練樣本所確定的鑒別函數，在分類器中進行識別判決。

現有技術中，傳統的目標識別方法依賴于人工提取目標特征，主要包括：基于雷達散射截面積(Radar Cross Section，RCS)的目標識別、基于一維距離像的目標識別、基于微多普勒效應的目標識別等。通過人工提取RCS大小、起伏特性、徑向尺寸、散射點個數、中心距、微多普勒等特征，應用支持向量機(Support Vector Machine，SVM)、分類樹、K近鄰(k-Nearest Neighbor，KNN)等分類方法對目標進行分類識別。

但是，上述方法需要耗費大量的人工工作；且在雷達回波中包含的噪聲和雜波多的復雜背景下，目標識別效果不盡人意。

發明內容

本公開提供了一種基于卷積神經網絡的雷達目標識別方法、模型訓練方法，以解決現有技術中需要耗費大量的人工工作；且在雷達回波中包含的噪聲和雜波多的復雜背景下，目標識別效果不盡人意的問題。

根據本公開第一方面，提供了一種模型訓練方法，包括：

獲取訓練數據集；其中，所述訓練數據集中包括多組訓練數據，所述訓練數據中包括雷達回波數據、所述雷達回波數據中包括的目標對象的特征圖以及所述目標對象的標注類別；

將所述目標對象的特征圖輸入至預設模型，得到所述目標對象的預測類別；

根據所述目標對象的標注類別和預測類別，優化所述預設模型中的參數，得到雷達目標識別模型。

在一種可實現方式中，所述獲取訓練數據集，包括：

獲取雷達回波數據，并對所述雷達回波數據進行預處理得到原始特征圖；

根據所述原始特征圖確定所述雷達回波數據中包括的目標對象；

根據所述雷達回波數據確定所述目標對象的位置信息，并根據所述目標對象的位置信息，確定所述目標對象的標注類別；

在所述原始特征圖中確定所述目標對象的特征圖。

在一種可實現方式中，所述原始特征圖包括距離-脈沖特征圖、距離-方位特征圖以及距離-多普勒特征圖；

所述對所述雷達回波數據進行預處理得到原始特征圖，包括：

對所述雷達回波數據進行脈沖壓縮，得到所述距離-脈沖特征圖；

對所述雷達回波數據進行動目標顯示，得到所述距離-方位特征圖；

對所述雷達回波數據進行動目標檢測，得到所述距離-多普勒特征圖。

在一種可實現方式中，所述原始特征圖包括距離-脈沖特征圖、距離-方位特征圖以及距離-多普勒特征圖；