[发明专利]一种基于微多普勒特征提取和深度学习的雷达目标识别方法

说明书

本发明提出了一种基于微多普勒特征提取和深度学习的雷达目标识别方法，包括新方法可分为三个阶段：步骤一、微多普勒特征提取阶段，使用MSTFT‑WVD算法获得目标的微多普勒特征时频图；步骤二、分类器模型训练阶段，将第一阶段获得的已知类别信息的时频图分为训练数据集和测试数据集两类，利用原始深度学习模型进行训练，通过不断调整参数获得适用于雷达目标识别的最优深度学习模型；步骤三、未知目标的识别阶段，同样利用MSTFT‑WVD算法获得未知目标的微多普勒特征时频图，将其输入至第二阶段训练好的深度学习模型中，获得未知目标的类别信息。本发明可以得到更高的识别正确率。

技术领域

本发明涉及雷达目标识别技术领域，尤其是涉及一种基于微多普勒特征提取和深度学习的雷达目标识别方法。

背景技术

不同目标在战场上执行任务的不同决定了其威胁程度的差异，因此对战场目标的识别具有重要意义。目前我军装甲部队列装的某型雷达侦察车的车载雷达为脉冲多普勒雷达，对目标的识别通常采用人为判定方式，在发现目标后，侦察员通过头戴式侦听耳机监听目标的回波音频信号，对目标进行识别。这种方式对侦察员的专业素质要求较高，尤其对未经过长时间专门培训的侦察员来说，更是容易出现误判或错判的情况，目标的正确识别率极低，并且整个过程耗时比较长，因此我军装甲部队需要更加智能的车载雷达运动目标识别方法。

雷达目标识别方法的本质是将机器学习及模式识别的相应知识应用到雷达目标探测中，其思路是从目标的雷达回波中提取出能够反应目标特性的信息，使用机器学习的思想构建分类器，将提取的特征带入训练好的分类器，从而对目标的类别做出判定，其流程如图1所示，整个过程可分为两个阶段：①特征的训练学习阶段，首先对已知类别信息的训练数据集进行预处理，接着选择出对不同类别数据具有区分度的特征，进而利用这些特征确定分类器的相关参数，完成对分类器的设计；②未知目标的识别阶段，对于未知类别信息的测试数据集，首先使用与训练阶段相同方法进行预处理，接着对该数据进行特征提取，特征类型应该与训练阶段相同，最后将这些特征输入至训练好的分类器进行识别决策，从而得出未知目标的识别结果。

分析图1可以得出，雷达目标识别的关键在于特征的选择和分类器的设计，也就是分类算法的性能。需要选择的特征主要是目标的雷达回波信号特征，可分为以下3类：①高分辨距离像特征，这类特征对不同目标具有较好的区分度，但存在不稳定的问题，且该特征大多被用于飞机目标的识别，使用该特征进行地面目标识别的研究很少；②多普勒特征，对于不同地面目标而言，由于其表面材料的不同导致了目标对雷达发射电磁波散射情况的差异，再加上目标旋转和振动等的复合调制，使得回波信号的多普勒频移具有一定的差异，可以基于此特征进行目标识别，但随着目标特征控制技术的发展，利用该类方法进行分类识别也变得比较困难；③微多普勒特征，微多普勒特征是目标微运动引起的独特特征，微运动是指目标及其组成部件的振动、转动等小幅度的运动，是由目标的独特部件在特定受力下发生的，如车轮、履带及炮塔的转动，行人手臂的摆动等，这些微运动可控性低，不易被模仿，所以其微多普勒特征往往是“独一无二”的，可以作为运动目标识别的重要依据，所以基于微多普勒特征的目标识别技术为地面目标的识别提供了新思路，具有很大潜力，本发明也是基于此方法展开研究。关于分类算法，主要有以下3类：①模板匹配算法，该类算法计算量小，易于移植，但对模板库的依赖性较高，模板越精细，匹配越好，但是计算效能又会降低；②核机器学习算法，是以统计学习理论与核函数为基础的方法，如支持向量机(SupportVectorMachine,SVM)等，实现简单且识别稳定；③人工神经网络算法，这类方法具有自适应和自学习的优点，但经常会出现过拟合从而使结果呈现局部最优的情况，而且模型建立较为困难。同时上述几类方法使用模型都是浅层结构，对复杂问题的建模能力有限。