[发明专利]基于自相关和CAM网络的HRRP数据去冗余方法

说明书

本发明属于雷达信号处理领域，尤其涉及一种基于自相关和CAM网络的HRRP数据去冗余方法。包括以下步骤：S1自相关处理；S2生成训练集；S3构建CAM网络；S4计算自相关函数的权重值；S5设定门限，确定冗余区域；S6X(k)去冗余。本发明的有益效果是：(1)本发明利用深度学习方法确定数据中对识别起关键作用的区域，实现对不同类别目标样本数据精准的去冗余处理；(2)本发明对HRRP数据自相关函数每一个距离单元都赋予权重，通过权重大小量化了每个单元对识别的贡献程度，凸显数据中对分类起重要作用的关键区域，增加了网络的可解释性；(3)本发明无需对HRRP数据进行包络对齐处理，大大简化了处理过程，同时保证了分类识别效果。

技术领域

本发明属于雷达信号处理领域，尤其涉及一种基于自相关和类激活映射(ClassActivationMap,CAM)网络的高精度距离像(High Resolution Range Profile,HRRP)数据去冗余方法。

背景技术

随着现代电子信息技术的快速发展和智能化水平的提高，雷达目标自动识别技术也得到了飞速发展，在军事、无人驾驶、安防以及空间遥感等多个领域得到了广泛应用。HRRP是利用宽带雷达信号获得的目标散射点子回波沿雷达视线方向上投影的矢量和，它包含了目标结构信息，能够提供目标径向的相对几何关系，对目标识别与分类具有十分重要的价值。同时，HRRP具有易于获取和便于处理的优势，因此在雷达目标自动识别领域受到了广泛的关注。

利用HRRP进行雷达目标识别，传统方法通常先提取HRRP的统计特征或变换域统计特征，包括提取HRRP的频谱强度，双谱特征和散射点个数等，然后采用相关技术或匹配滤波技术对提取的特征进行模式分类。但是这些特征都是基于人在回路中的方式进行设计选择，需要花费大量时间精力，同时存在很大的不确定性，对不同雷达，不同目标类型的泛化能力较弱。随着人工智能的快速发展，许多学者提出了基于人工神经网络的目标识别方法，包括卷积神经网络(Convolutional Neural Network,CNN)，多层感知机(Multiple LayerPerceptron,MLP)、递归神经网络(Recurrent Neural Network,RNN)和残差神经网络(Residential Network，ResNet)等。基于人工神经网络的识别方法取得了很好的识别效果，不仅可以大大降低特征提取的时间精力，还可提高对目标的识别精度。实际中，雷达为了保证有效进行目标观测和跟踪，获得的HRRP数据是存在冗余的，包含目标信息的关键区域只占其中一部分。这部分区域由于受到噪声影响，很难将其从HRRP数据中有效划分出来，必然存在大量冗余信息。不论是传统识别方法的特征提取还是人工神经网络的训练，这些冗余信息无疑增加计算开销，给计算平台的存储和计算性能提出了更高要求，同时还会导致识别时间的增加。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于自相关和CAM网络的HRRP数据去冗余方法。数据自相关处理不仅能够保留反映目标回波包络变化的信息，同时能够实现数据的对齐，化简了数据预处理过程。CAM网络则通过在网络的特征输出层后加入全局平均池化(Global Average Pooling,GAP)层，将输出的多维特征向量转换成一维特征向量，并利用训练得到的类别权重计算HRRP数据自相关处理结果中不同距离单元对识别贡献的权重，从而确定包含目标信息的关键区域和冗余区域。本发明能够实现数据的对齐，并确定数据的冗余区域，通过删除冗余区域从而实现数据的去冗余。

为达到上述目的，本发明通过以下技术方案来具体实现，一种基于自相关和CAM网络的HRRP数据去冗余方法，包括以下步骤：

S1自相关处理

S1.1 HRRP数据自相关。对HRRP数据进行自相关操作，其公式如下

其中x(m)表示HRRP数据序列，N表示序列长度，k表示数据平移的距离单元数。自相关函数R(k)在k＝0时取得最大值，且关于零点轴对称分布。

S1.2数据截取。