[发明专利]基于谐振散射回波信号的雷达目标识别方法

说明书

本发明公开了一种基于谐振散射回波信号的雷达目标识别方法，包含以下步骤：S1、利用时域有限差分算法获取已知类别的典型雷达目标的谐振散射回波信号，并建立典型雷达目标谐振散射回波数据库；S2、建立以典型雷达目标谐振散射回波数据库为输入、以典型雷达目标类别作为输出的深度神经网络模型，并结合向后传播模型解算深度神经网络模型的网络参数；S3、获取被测雷达目标的谐振散射回波信号，并作为步骤S2中解算得到网络参数的深度神经网络模型的输入，从而得到被测雷达目标的类型。本发明可快速识别低可观测的雷达目标。

技术领域

本发明涉及雷达目标智能识别技术，尤其涉及一种基于雷达目标谐振散射回波的雷达目标识别方法。

背景技术

现代战争对武器系统的信息化、智能化程度要求越来越高，要求雷达系统具有全空域监视能力、快速反应能力和准确的目标分类和识别能力。雷达自动目标识别技术可以提供目标类别、属性等信息，对于提高军队的指挥、自动化水平，增强电子对抗、精确制导、敌我识别、防空反导、空间探测、情报获取及战略预警能力具有十分重要的作用。美、俄等军事强国均把它作为发展未来智能化武器系统的重点和应首先突破的关键技术，我国要增强打赢信息化局部战争的能力，也必须大力发展雷达目标识别技术的研究。

现代战争中的雷达目标大量采用隐身技术，使得此类目标的雷达回波信号十分微弱，对此类目标的准确识别极其困难。目前雷达目标的隐身设计主要通过赋形和采用雷达吸波材料两种手段实现，赋形的目的在于通过修整飞行器的外形，使其在雷达主要威胁方向上获得后向散射的缩减；雷达吸波材料能吸收和衰减入射的电磁波，并将电磁能转换成热能而耗散掉。研究表明，赋形通常只对微波段雷达有效，而雷达吸波材料也只在特定的频率范围有效，对于谐振区，这些手段起到的降低可观测性作用不大。因此，研究基于谐振回波信号的雷达目标智能识别技术具有重要意义。

发明内容

本发明提出了一种基于谐振散射回波信号的雷达目标识别方法，解决了现有技术中低可观测雷达目标识别难、速度慢的问题，为低可观测雷达目标快速识别提供技术手段。

为了达到上述目的，本发明提出了一种基于谐振散射回波信号的雷达目标识别方法，包含以下步骤：

S1、利用时域有限差分算法获取已知类别的典型雷达目标的谐振散射回波信号，并建立典型雷达目标谐振散射回波数据库；

S2、建立以典型雷达目标谐振散射回波数据库为输入、以典型雷达目标类别作为输出的深度神经网络模型，并结合向后传播模型解算深度神经网络模型的网络参数；

S3、获取被测雷达目标的谐振散射回波信号，并作为步骤S2中解算得到网络参数的深度神经网络模型的输入，从而得到被测雷达目标的类型。

进一步地，所述步骤S2包含以下步骤：

S2.1、建立以卷积神经网络为核心的多层深度神经网络模型；

S2.2、对典型雷达目标谐振散射回波数据库进行归一化处理，并作为训练样本对深度神经网络模型进行训练；

S2.3、建立雷达目标标签，并结合步骤S2.2中深度神经网络模型的输出形成代价函数；

S2.4、采用自适应矩估计方法对代价函数进行解算，并利用指数下降的步长更新策略获取深度神经网络的网络参数。

进一步地，所述多层深度神经网络模型是卷积神经网络的多层结构，每层卷积神经网络之间采用tanh函数进行非线性运算，深度神经网络模型的输出层采用sigmod进行非线性运算。

进一步地，对典型雷达目标谐振散射回波数据库进行归一化处理，包括：按照典型雷达目标几何长度的4倍所对应的电磁波传播时间进行典型雷达目标谐振回波信号的加权平均。

进一步地，所述步骤S2.3中，利用one-hot方法建立N×1维的雷达目标标签，其中与雷达目标类别对应位置处的标签值为1，其他位置处的标签值为0。