[发明专利]一种基于微动调制和卷积神经网络的空目标识别方法

说明书

本发明公开了一种基于微动调制和卷积神经网络的空目标识别方法。该方法将卷积神经网络引入到雷达目标识别中，主要适用于具有高重频工作方式的相参雷达对喷气式飞机、螺旋桨飞机和直升机的分类识别。其主要流程是：首先对多普勒微动调制频域数据进行数据预处理；然后将预处理后的多普勒微动调制特征频域数据送入卷积神经网络进行特征提取和分类识别。本发明通过构造适用于处理微多普勒特征的卷积神经网络模型，充分挖掘目标微多普勒频域数据所包含的目标深层次属性特征，实现稳健的自动特征提取，完成三类飞机目标分类。

技术领域

本发明属于雷达目标识别技术领域。

背景技术

目标的微多普勒调制效应包含了目标微动部件几何结构及微运动等细节信息，其为雷达自动目标识别提供了新的途径，近年来RATR的微多普勒效应的研究，也取得了许多令人惊叹的研究成果。针对动态飞机目标的分类识别，运用微动分量调制的差异性同样可以区分不同类型的飞机目标。三类飞机目标(直升机、螺旋桨飞机、喷气机)微动部件的结构，如旋翼长度、转速、个数均具有明显差异性，导致其窄带雷达回波中的微多普勒调制特性各不相同。

近年来利用微动分量特性的差异性来区分不同目标，也积累了大量的研究成果。这些工作主要集中于两个方面：一是基于物理驱动的分类特征提取，二是基于数据驱动的分类特征提取。无论是物理驱动方法还是数据驱动方法，特征提取都是基础和关键。因此，许多研究者对探索各种特征提方法给予了很大的关注。如在文献《基于经验模态分解的空中飞机目标分类》中针对3类飞机目标在多普勒域频率调制的不同，使用基于经验模态分解(EMD)方法进行特征提取，结合SVM进行目标分类。在特征学习领域，深度网络具有强大的非线性特征提取能力，相关的理论和实验成果不断出现。2006年，Hinton等人提出了非监督的逐层贪婪训练方法，解决了深度增加所带来的“梯度耗散”问题，使神经网络能够朝着更深的方向进行发展。随后许多学者根据不同的应用背景提出了多种DL模型，如深度置信网络(DBN)、卷积神经网络(CNN)等。在图像等领域已取得优于传统方法所提取特征的效果。

与其他文献中提出的方法不同，本发明以微多普勒频域特征为基础，将卷积神经网络应用于微多普勒目标识别领域，减少特征选取过程中的人工操作，充分挖掘目标微多普勒频域数据所包含的目标深层次属性特征，实现稳健的自动特征提取，完成三类飞机目标分类。

发明内容

本发明的目的在于提供一种基于微动调制和卷积神经网络的空目标识别方法，将卷积神经网络引入到雷达目标识别中，主要适用于具有高重频工作方式的相参雷达对喷气式飞机、螺旋桨飞机和直升机的分类识别。

为了实现以上的技术目的，本发明的技术解决方案为：

首先利用同频差异法剔除多普勒微动调制频谱数据固定杂波；将剔除固定杂波后的多普勒微动调制频谱数据中机身频率分量平移至零频；利用L₂正则化方法对机身频率分量平移至零频后的多普勒微动调制频域数据进行归一化处理；然后建立卷积神经网络6个卷积层和3个池化层，通过卷积层和池化层对预处理后的多普勒微动调制频域数据进行深层次属性特征提取；最后建立2个全连接层和softmax分类器，对提取的目标深层次属性特征进行分类识别。具体步骤包括：

步骤(1)：获取预处理后的多普勒微动调制频域数据；

步骤(2)：获取卷积神经网络提取的目标深层次属性特征和分类识别结果。

其中步骤(1)还包括：

步骤A利用同频差异法剔除多普勒微动调制频域数据固定杂波；

步骤B将剔除固定杂波后的多普勒微动调制频域数据中机身频率分量平移至零频；

步骤C利用L2正则化方法对步骤B得到的数据进行归一化处理。

步骤(2)还包括：