[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

说明书

本发明属于雷达数据处理技术领域，具体为一种基于神经网络的雷达目标特性数据表征方法。本发明方法包括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；本发明进一步从俯仰角、方位角以及频率三个属性出发建立雷达目标特性数据库；最终结果表明，通过神经网络对雷达目标特性数据库进行压缩，能够有效解决传统方法的算法复杂度高以及不具有普适性等问题。

技术领域

本发明属于雷达数据处理技术领域，具体涉及雷达目标特性数据表征方法。

背景技术

雷达目标特性是雷达系统半实物仿真和目标识别的关键部分，通常需要大角度和宽频带的目标特性信息，且雷达目标的复杂结构和材料使得其目标特性随频率和角度剧烈变化，因此完整的目标特性数据量非常庞大。由于雷达半实物仿真系统的数据存储空间有限，实时性要求希望快速访问并提取目标数据，因此需要对雷达目标特性数据进行压缩存储，并且以一定的规则为其建立轻量化目标特性数据库模型。

传统的压缩方法从数据特征出发，依据已知的数据特征对数据进行低误差率压缩，仅适用于数据特征较为明显或简单的情况，对于复杂的高维特征需要大量繁杂计算，算法复杂度高且不具有普适性。因此需要一种更为高效快捷的压缩方法，并基于该方法建立轻量化数据库。

发明内容

为解决上述技术问题，本发明的目的在于提供一种基于神经网络的雷达目标特性数据表征方法。

本发明提供的基于神经网络的雷达目标特性数据表征方法，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(RadarCrossSection，RCS)，反映了目标对电磁波的散射回波强弱，不同频率、不同方位角和俯仰角下的RCS数值跨度较大，最小值趋近于0，会影响网络收敛速度，不利于小数值的学习优化。为此，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，孤立点通常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，因此对其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，其效果如图1(b)所示。

(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，其效果如图1(c)所示。

(3)常数项偏移：将操作(2)得到的数据加上一个固定常数(当前感兴趣区域所有数据的最小值)，使所有数据都大于0，消除负数对结果的影响，其效果图如图1(d)所示。

具体地，本发明使用的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，几何模型如图3所示。本方法使用基于二叉树寻迹的并行射线追踪算法计算该无人机后向散射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。

(二)训练神经网络模型

(1)神经网络结构

本方法使用基于全连接层的神经网络架构，共六层结构级联，每层分别有512、512、256、256、256、256个神经元，网络结构图如图2所示。

(2)激活函数