[发明专利]自然环境雷达回波幅度模型分类方法和装置

说明书

本申请涉及一种自然环境雷达回波幅度模型分类方法和装置。所述方法包括：通过仿真方式，得到N类幅度分布模型的自然环境雷达回波一维高分辨距离像的复数数据，并且设置对应的标注，得到幅度模型样本；构建幅度模型样本的分类模型；根据所述幅度模型样本对分类模型进行训练，利用训练好的分类模型进行自然环境雷达回波幅度模型分类。采用本方法能够一方面提高分类的准确性，另一方面鲁棒性强。

技术领域

本申请涉及计算机技术领域，特别是涉及一种自然环境雷达回波幅度模型分类方法和装置。

背景技术

自然环境的雷达回波是雷达目标检测中的杂波。对不同的杂波，雷达接收端的信号处理策略也不同。杂波背景下的高精度目标检测需要对杂波幅度模型进行分类，再根据杂波类型采用最优的杂波抑制策略。因此，杂波幅度模型分类成为杂波背景下检测目标的重要步骤。针对沙地、树林、草地、海面等自然环境的雷达回波，现有研究提出了瑞利分布、韦布尔分布、对数正态分布、K分布等诸多幅度模型进行表征，为杂波幅度模型分类研究奠定了基础。

雷达回波数据通常是复数数据。复数数据包含实部和虚部，若将这两部分看成独立的两个通道，两个通道所包含的信息量之和就是复数数据的信息量，这是实数数据信息量的两倍。另一方面，这两部分之间还具有相位信息，这是实数数据没有的，而不同的杂波，实部和虚部之间的相位信息也不同。利用数据特征进行分类时，数据信息越丰富，包含的特征就越多，分类精度也会越高，因此，复数数据比实数数据更适用于杂波分类。Nitta（TNitta. On the critical points of the complex-valued neural network[C]. InNeural Information Processing, 2002.ICONIP’02. Proceedings of the 9thInternational Conference, IEEE, 2002(3): 1099–1103）指出，复数数据具有更容易优化、更好的泛化特性、更快的学习效率和更好的鲁棒性的特性。Arjovsky（MartinArjovsky, Amar Shah, and YoshuaBengio. Unitary evolution recurrent neuralnetworks. arXiv preprint arXiv, 2015:1511.06464）和Wisdom（Scott Wisdom, ThomasPowers, John Hershey, Jonathan Le Roux, and Les Atlas. Full-capacity unitaryrecurrent neural networks[J]. In Advances in Neural Information ProcessingSystems, 2016: 4880–4888）等人的研究表明，复数具有更丰富的表征能力。

但现有杂波幅度模型分类研究都是在实数数据上进行的，不仅舍弃了杂波虚部数据的信息量，还舍弃了杂波的相位信息，使数据特征的完整性和有效性遭到损坏，导致分类性能并不理想。

另一方面，由于自然环境雷达回波的幅度模型受环境类型、环境当前气候条件等因素的影响而变化不定，不同环境类型的雷达回波可能服从不同的分布，也可能服从相同的分布，而在不同气候条件下，同一环境的雷达回波可能服从不同的分布，这导致服从不同分布的自然环境雷达回波实测数据采集非常困难。类似于沙地、草地等自然环境的属性标签，瑞利分布、K分布等是杂波的幅度模型标签，对杂波分类就是对杂波进行幅度模型标签的标注。杂波分类研究需要用精确标注的数据对分类方法进行验证，由于没有精确的标注方法，对实测数据标注非常困难。

发明内容

基于此，有必要针对上述技术问题，提供一种能够解决目前回波幅度模型分类不准确以及样本标注困难问题的自然环境雷达回波幅度模型分类方法和装置。

一种自然环境雷达回波幅度模型分类方法，所述方法包括：

通过仿真方式，得到N类幅度分布模型的自然环境雷达回波一维高分辨距离像的复数数据，并且设置对应的标注，得到幅度模型样本；