[发明专利]一种基于三维卷积网络的雷达高分辨距离像目标识别方法

说明书

具体涉及一种基于三维卷积网络的雷达高分辨距离像目标识别方法，获取原始数据x，将所述原始数据x分为训练样本集和测试样本集；根据所述原始数据x计算得到分段重组后的数据x″″′；建立三维卷积神经网络模型；根据所述训练样本集和所述分段重组后的数据x″″′对所述三维卷积神经网络模型进行构建，得到训练好的卷积神经网络模型；根据所述训练好的卷积神经网络模型对所述测试样本集进行目标识别。本发明鲁棒性强，目标识别率高，解决了现有高分辨距离像识别技术的重大问题。

技术领域

本发明属于雷达技术领域，具体涉及一种基于三维卷积网络的雷达高分辨距离像目标识别方法。

背景技术

雷达的距离分辨率正比于匹配滤波后的接收脉冲宽度，且雷达发射信号的距离单元长度满足：ΔR为雷达发射信号的距离单元长度，c为光速，τ为匹配接收的脉冲宽度，B为雷达发射信号的带宽；大的雷达发射信号带宽提供了高的距离分辨率(High Rang Resolution，HRR)。实际上雷达距离分辨率的高低是相对于观测目标而言的，当所观测目标沿雷达视线方向的尺寸为L时，如果L＜＜ΔR，则对应的雷达回波信号宽度与雷达发射脉冲宽度(匹配处理后的接收脉冲)近似相同，通常称为“点”目标回波，这类雷达为低分辨雷达；如果ΔR＜＜L，则目标回波成为按目标特性在距离上延伸的“一维距离像”，这类雷达为高分辨雷达，＜＜表示远远小于。

高分辨雷达工作频率相对于一般目标位于光学区(高频区)，发射宽带相干信号(线性调频或步进频率信号)，雷达通过目标对发射电磁波的后向散射，接收到回波数据。通常回波特性采用简化的散射点模型计算得到，即采用忽略多次散射的波恩(Born)一级近似。

高分辨雷达回波中呈现出的起伏和尖峰，反映着在一定雷达视角时目标上散射体(如机头、机翼、机尾方向舵、进气孔、发动机等等)的雷达散射截面积(Radar CrossSection，RCS)沿雷达视线(Radar Line of Sight，RLOS)的分布情况，体现了散射点在径向的相对几何关系，常称为高分辨距离像(High Rang Resolution Profile，HRRP)。因此，HRRP样本包含目标重要的结构特征，对目标识别与分类很有价值。

目前，已经发展出许多针对高分辨距离像数据的目标识别方法，例如，可以直接使用较为传统的支持向量机直接对目标进行分类，或者使用基于限制玻尔兹曼机的特征提取方法先将数据投影到高维空间中再用分类器分类数据；但上述各种方法仅仅利用了信号的时域特征，且目标识别准确率不高。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于三维卷积网络的雷达高分辨距离像目标识别方法。本发明要解决的技术问题通过以下技术方案实现：

一种基于三维卷积网络的雷达高分辨距离像目标识别方法，包括：

获取原始数据x，将所述原始数据x分为训练样本集和测试样本集；

根据所述原始数据x计算得到分段重组后的数据x″″′；

建立三维卷积神经网络模型；

根据所述训练样本集和所述分段重组后的数据x″″′对所述三维卷积神经网络模型进行构建，得到训练好的卷积神经网络模型；

根据所述训练好的卷积神经网络模型对所述测试样本集进行目标识别。

在本发明的一个实施例中，获取原始数据x，将所述原始数据x分为训练样本集和测试样本集，包括：

设置Q个不同的雷达；

所述Q个不同的雷达的高分辨雷达回波中，获取Q类高分辨距离成像数据，将所述Q类高分辨距离成像数据记为原始数据x，所述原始数据x分为训练样本集和测试样本集。

在本发明的一个实施例中，根据所述原始数据x计算得到分段重组后的数据x″″′，包括：