[发明专利]一种基于神经网络的雷达目标特性数据表征方法

权利要求书

1.一种基于神经网络的雷达目标特性数据表征方法，其特征在于，对原始目标特性数据进行预处理，然后对神经网络进行训练，在精度可控条件下训练得到的网络模型，用于对雷达目标特性数据进行表征；具体步骤如下：

(一)数据预处理

原始目标特性数据是雷达目标的后向雷达散射截面(RCS)数据，反映目标对电磁波的散射回波强弱，为后续学习优化，对其进行预处理操作，具体流程如下：

(1)孤立点拟合：若某点的RCS值与3×3邻域内的RCS相对偏差大于10％，称该点为孤立点，对于目标散射特性数据，孤立点出现在频率与方位变化的交点处；由于孤立点的值往往很小，使得神经网络很难学习到信息，为此，对其3×3邻域内的数据进行线性插值来替代该孤立点的值；若其值依旧小于阈值则将该点处的值设置为阈值；

(2)非线性变换：对原始数据取以2为底的对数进行非线性数值压缩；

(3)常数项偏移：将操作(2)得到的数据加上一个固定常数，使所有数据都大于0，消除负数对结果的影响；

(二)训练神经网络模型

(1)神经网络结构

神经网络采用基于全连接层的架构，共六层结构级联，每层分别有512、512、256、256、256、256个神经元；

(2)激活函数

使用正弦激活函数，设T_j表示激活函数的输入，φ_j表示激活函数的输出，激活函数表示为：

φ_j＝sin(T_j)，T_j：x→W_jx+b_j

其中，权重W_j为权重，b_j为偏置；

为了保证神经网络每一层的输出分布保持一致，设第j层的输出服从arc sin(-1,1)分布，权重W_j服从(-c，c)的均匀分布，则权重方差为(c-(-c))²/12，于是：

当时可以保证W_j和X_j服从(0,1)的正态分布，n为输入个数；经过sin激活函数后变为arc sin分布；

(3)损失函数

损失函数采用均方误差MSE，它具有连续、处处可导的优势，其表达式为：

其中，f(x)为实际值，y为网络预测值，n为输入矩阵元素个数；通过上式计算矩阵的均方误差作为网络优化方向；

(4)训练神经网络

将原始数据矩阵划分为800×800的子块，分别进行网络训练，得到对应数据的网络表征模型；训练采用Adam优化器；

当训练过程中出现连续四个batch的平均损失没有减小时，就将学习率乘以一个小于1的常数系数进行调整；

(三)建立目标特性数据库

对每一个俯仰角下的RCS数据建立一张数据表，该表拥有方位角、频率以及存储值三个字段，其中方位角和频率作为联合主键，给定方位角和频率即可唯一确定存储值；由神经网络训练得到的表征模型按(方位角，频率)字段存储入数据库；数据取用时根据输入的俯仰角、方位角、频率范围查询提取数据模型进行数据重构。

2.根据权利要求1所述的基于神经网络的雷达目标特性数据表征方法，其特征在于，所述原始目标特性数据集为Global-Hawk无人侦察机的散射特性RCS数据，其头尾长度13.5米，高4.6米，翼展35.4米；使用基于二叉树寻迹的并行射线追踪算法计算该无人侦察机后向散射RCS数据集，入射波频率f∈[4GHz,8GHz]，频率间隔1MHZ；俯仰角θ∈[30°,150°]，俯仰向角度间隔5°；考虑该无人侦察机模型的几何对称性，入射方位角ψ∈[-90°,90°]，方位向角度间隔0.1°；共计4000×24×1800个复数RCS值。