[发明专利]针对雷达载频变换的高分辨距离像目标稳健识别方法

说明书

本发明提出了一种针对雷达载频变换的高分辨距离像目标稳健识别方法，主要解决现有技术测试样本与训练样本在载频变换下失配，导致雷达目标识别率下降的问题。其实现方案为：对雷达高分辨距离像数据进行预处理，得到高分辨距离像时频域特征数据；建立高分辨距离像的时频域特征雷达目标数据库并设置标签值；从雷达目标数据库中选取载频变换前后的训练样本集和测试样本集；构建残差网络；训练原载频下的残差网络，通过微调获取新载频下的残差网络；将新载频下的测试样本集输入到微调后新载频下的残差网络，得到目标的识别结果。本发明提高了雷达载频变换条件下的目标识别性能，可用于对雷达载频变换的高分辨距离像数据的稳健识别。

技术领域

本发明属于雷达技术领域，更进一步涉及一种目标识别方法，可用于对雷达载频变换的高分辨距离像数据的稳健识别。

背景技术

宽带雷达目标的回波被称为高分辨距离像。高分辨距离像中包含有目标的散射点分布、径向尺寸等丰富的结构信息，并且具有易于获取和处理的优点，因此成为雷达自动目标识别领域研究的热点。

卷积神经网络是一种具有局部连接、权重共享等特性的神经网络，由于其具有强大的非线性提取能力，正在广泛应用于雷达高分辨距离像目标识别任务中。

西安电子科技大学在其申请的专利文献“基于二维卷积网络的雷达高分辨距离像目标识别方法”(专利申请号201710838666.8，公开号107728142A)中公开了一种基于二维卷积网络的雷达高分辨距离像目标识别方法。该方法构建了可用于提取高维特征的二维卷积网络模型，使用雷达高分辨距离像数据作为训练样本集对其进行训练，利用训练样本集得到训练好的卷积神经网络模型，用于雷达高分辨距离像目标识别。

西安电子科技大学在其申请的专利文献“基于深度置信网络识别变体飞机的高分辨距离像的方法”(专利申请号201910201582.2，公开号109978164A)中公开了一种基于深度置信网络识别变体飞机的高分辨距离像的方法。该方法构建并训练深度置信网络学习变体目标与非变体目标的高分辨距离像的共性特征，用于变体目标的高分辨距离像的识别。

以上方法均假设雷达在录取目标的高分辨距离像训练数据和测试数据时载频参数固定不变。实际应用当中，由于干扰等因素的影响，雷达会对发射信号的载频参数进行调整。对于同一目标来说，当雷达载频变化时，其高分辨距离像将会发生明显变化。此时测试数据与训练数据之间存在失配，最终将导致识别精度严重下降甚至失去识别能力。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种针对载频变换的高分辨距离像目标稳健识别方法，以减小测试样本与训练样本的失配，提高目标识别的准确率。

实现本发明目的的思路是，针对载频变换时高分辨距离像变化的问题，通过采用残差网络和迁移学习对不同载频的高分辨距离像进行稳健识别，其实现方案包括如下：

(1)选择雷达回波沿距离维度的幅度信息作为高分辨距离像数据，并对其进行预处理，得到高分辨距离像时频域特征数据；

(2)将不同类别的高分辨距离像时频域特征数据建立雷达目标数据库，并对库内的各个目标类别设置标签值；

(3)选取载频变换前后的训练样本集和测试样本集，即从雷达高分辨距离像时频域特征数据中选取原载频中目标俯仰角为3°的样本组成原载频下的训练样本集；从新载频中选取俯仰角为3°和5°的样本分别组成新载频下的训练样本集和测试样本集；

(4)搭建一个依次为：第一卷积层→第一池化层→第一残差块→第二卷积层→第二池化层→第二残差块→第三卷积层→第三池化层→全连接层→softmax层的十层残差网络；

(5)训练原载频下的残差网络，即将原载频下的训练样本集输入到残差网络中，利用交叉熵公式，计算该残差网络的输出数据与类别标签之间的损失值，并进行多次迭代更新，直至残差网络的总损失值收敛为止，得到原载频下训练好的残差网络，并保存其全部参数值；