[發明專利]一種雷達目標融合識別方法及系統

在審

• 申請號: 202210201673.8
• 申請日: 2022-03-03
• 公開（公告）號: CN114578307A
• 公開（公告）日: 2022-06-03
• 發明（設計）人: 不公告發明人
• 申請（專利權）人: 中國人民解放軍國防科技大學
• 主分類號: G01S7/41
• 分類號: G01S7/41;G06K9/00;G06K9/62;G06V10/764;G06V10/80;G06V10/82;G06N3/04
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 劉芳

本發明涉及一種雷達目標融合識別方法及系統，涉及信號處理技術領域，方法包括：獲取雷達回波數據；利用數據庫對所述雷達回波數據進行特征提取，得到目標特征；利用一維距離像子網絡對所述雷達回波數據進行特征提取，得到一維距離像特征；利用二維像子網絡對所述雷達回波數據進行特征提取，得到二維像特征；根據所述目標特征、所述一維距離像特征和所述二維像特征利用融合網絡進行融合識別，得到樣本類別。本發明能夠提高目標識別的準確率。

技術領域

本發明涉及信號處理技術領域，特別是涉及一種雷達目標融合識別方法及系統。

背景技術

雷達系統是獲取天空、地面、海洋等環境中目標的重要設備，其通過回波信號獲取與噪聲抑制、成像、特征分析等信號處理，獲取目標的幾何形狀、運動狀態、目標類型、工作狀態等關鍵信息。鑒于雷達的全天時、全天候、作用距離遠等獨特優勢，雷達在信息獲取與感知領域中占有重要位置，然而雷達獲取的信息還需要進一步進行目標識別，以實現目標的解譯與判讀，傳統方法主要有模板匹配方法，支持矢量機方法等，這些方法一方面需要專家知識與人工輔助，識別效率與準確率不夠理想，另一方面無法從數據中學習，識別穩健性不足。針對這些問題，迫切需要發展聯合模型與數據的融合識別方法。

深度學習是解決上述問題的極具潛力的技術途徑，也是目前機器學習領域乃至整個人工智能方向中發展最蓬勃的分支，其本質是一種在人工神經網絡基礎上發展而來的一種表示學習方法。深度學習模型主要是各種深度神經網絡，在含有少量先驗經驗的情況下，利用多層網絡自動從數據中抽取合適的特征，得到很好的特征表示和分類識別。深度學習自上世紀90年代誕生以來，由于計算速度的限制經歷了一段時間的沉寂；隨著計算機圖形處理器的廣泛應用，訓練大型復雜深度學習網絡參數的效率大大提高，2012年深度學習迎來爆發式的突破。深度學習的理念在于在中大規模數據集上追求簡單、新穎和通用，不強調數據的先驗特性，講究統一的“端到端”的設計方式。深度學習的革命性在于，它不需要過多的提取特征，計算機可以自動學習出特征。此外，學術界與工業界還陸續提出了多種深度學習網絡，如深度多尺度幾何網絡、稀疏深度網絡、深度強化學習網絡等，已在目標檢測與識別、圖像判讀與解譯、生物神經認知等領域得到深度應用。在雷達數據特征提取與識別方面，深度學習網絡處理方法已經開始初步探索，處理效果得到了一定的提升。

深度學習網絡在取得顯著應用效果的同時，也面臨巨大的挑戰。難點之一便是深度學習網絡主要是數據驅動的，穩健性與泛化能力受到很大的限制。針對該瓶頸問題，迫切需要發展基于深度網絡的雷達目標識別方法，特別是設計聯合模型與數據的融合網絡模型，以及設計網絡訓練算法等，通過這些為雷達目標的高性能識別提取提供條件。

發明內容

本發明的目的是提供一種雷達目標融合識別方法及系統，以提高目標識別的準確率。

為實現上述目的，本發明提供了如下方案：

一種雷達目標融合識別方法，包括：

獲取雷達回波數據；

利用數據庫對所述雷達回波數據進行特征提取，得到目標特征；

利用一維距離像子網絡對所述雷達回波數據進行特征提取，得到一維距離像特征；所述一維距離像子網絡包括依次連接的殘差模塊組和Inception模塊；

利用二維像子網絡對所述雷達回波數據進行特征提取，得到二維像特征；所述二維像子網絡包括依次連接的殘差模塊組和Inception模塊；

根據所述目標特征、所述一維距離像特征和所述二維像特征利用融合網絡進行融合識別，得到樣本類別；所述融合網絡包括依次連接的全連接層組和輸出層。

可選地，在所述獲取雷達回波數據之后，還包括：

對所述雷達回波數據抽取一維距離像并對所述一維距離像進行歸一化處理得到經歸一化處理后的一維距離像；