[发明专利]基于循环神经网络的雷达一维距离像识别方法

说明书

本发明公开了一种基于循环神经网络的雷达一维距离像识别方法，其步骤为：建立训练数据集和验证数据集；对训练数据集和验证数据集进行预处理；构建循环神经网络模型，并将其作为分类器；将预处理后的训练数据集作为输入数据，训练循环神经网络模型，并更新权重参数，得到训练后的循环神经网络对应的权重参数；构建雷达一维距离像目标识别模型，采用目标识别模型对目标数据进行识别，得到目标对应的类别。本发明利用循环神经网络作为雷达一维距离像目标识别的分类器，具有识别精度高，运算速度快的优点。同时，在低信噪比条件下仍然能保证较高的识别率，为雷达目标识别系统的准确性和稳健性提供良好的保障。

技术领域

本发明属于信号处理技术领域，尤其涉及一种基于循环神经网络的雷达一维距离像识别方法，用于雷达信号处理技术领域。

背景技术

随着雷达技术的逐步发展，现代雷达的带宽及其分辨率不断提高，宽带雷达的分辨率一般小于观测目标尺寸，根据散射点模型理论，此时目标的回波形式由点目标回波转变成目标等效散射中心沿雷达视线方向的回波总和，即目标重要结构部件的回波总和。因此，宽带雷达的回波中包含了大量的目标结构信息，可用于实现对目标的准确分类，通常将这类由宽带雷达接收的高分辨率雷达回波称为目标的高分辨一维距离像(HighResolution Range Profile，HRRP)，简称为雷达一维距离像。

高分辨一维距离像因其获取简单，易进行工程实现的优点，被广泛应用于对地海空目标的识别之中，因而近年来基于雷达一维距离像的目标识别研究发展较为迅速。20世纪90年代初，机器学习专家提出了利用雷达一维距离像进行目标识别的基本框架，其核心部分包括数据预处理、特征提取以及分类器设计等。该框架基于目标雷达一维距离像自身的物理特性，通过生成平均距离像以应对雷达一维距离像中普遍存在的姿态敏感性，并利用机器学习算法作为识别算法的基础。

以上述通用框架为基础，国内外许多机构开始对雷达一维距离像目标识别领域开展研究，研究方向主要针对雷达一维距离像特性分析，特征提取和用于目标识别的分类器设计。而在分类器设计中，较为主要的两个研究方向为提取高质量特征后利用支持向量机、K近邻分类器或人工神经网络等机器学习方法进行分类器的设计，以及基于对目标雷达一维距离像统计建模方法的贝叶斯分类器设计。

针对目标雷达一维距离像的高质量特征提取，研究人员提出了基于具有平移不变性双谱特征的目标雷达一维距离像识别的方法。此后，有学者提出了径向积分双谱、轴向积分双谱和圆周积分双谱等快速计算双谱特征的方法，上述方法降低了特征向量的维度，改善了分类器的性能。同时，基于特征空间描述与核函数的分类方法也被应用于雷达一维距离像识别当中，例如使用非线性核函数的支持向量机模型，以及最大间隔函数支持向量机模型，核函数可以用于消除目标雷达一维距离像的平移敏感性，有助于分类器识别性能的提升。然而，对雷达一维像进行特征提取的计算量较大，并且基于特征提取的目标识别系统在目标识别阶段仍然需要对样本进行繁复的特征计算，使得系统的识别效率有所下降。