[发明专利]一种利用Dense2Net的雷达探测无人机目标分类方法

权利要求书

1.一种利用Dense2Net的雷达探测无人机目标分类方法，其特征在于：所述的利用Dense2Net的雷达探测无人机目标分类方法包括按顺序进行的下列步骤：

步骤一：对旋翼无人机的雷达回波数据去噪处理后进行微多普勒特征提取，得到时间频率图像数据集和韵律频率图像数据集，然后将时间频率图像数据集和韵律频率图像数据集一一对应合并，构建成合并多普勒图像数据集；

步骤二：将Res2Net模块融合DenseNet中得到Dense2Net，然后利用Dense2Net中的密集结构块以及过渡层对上述合并多普勒图像数据集中的合并多普勒图像进行分析提取，得到特征矩阵；

步骤三：将上述特征矩阵经全局平均池化后输入全连接层，然后利用softmax分类器进行分类预测，同时计算出交叉熵损失函数值；

步骤四：利用反向传播算法对步骤三中得到的交叉熵损失函数值进行最小化处理，计算出Dense2Net中各层新的权重值和偏置值并对这两个参数进行更新；

步骤五：根据步骤三中获得的交叉熵损失函数值来判断Dense2Net是否收敛，若不收敛，则重复步骤四，直到收敛为止；若收敛，输出旋翼无人机分类结果。

2.根据权利要求1所述的利用Dense2Net的雷达探测无人机目标分类方法，其特征在于：在步骤一中，所述的对旋翼无人机的雷达回波数据去噪处理后进行微多普勒特征提取，得到时间频率图像数据集和韵律频率图像数据集，然后将时间频率图像数据集和韵律频率图像数据集一一对应合并，构建成合并多普勒图像数据集的方法是:

在单个散射点的雷达回波仿真模型和单个旋翼的雷达回波仿真模型基础上加入高斯白噪声，构建成含有高斯白噪声的旋翼无人机雷达回波仿真模型；然后利用小波阈值去噪法对含有高斯白噪声的旋翼无人机雷达回波信号进行去噪处理；之后进行微多普勒特征提取，得到时间频率图像和韵律频率图像；对于每种旋翼无人机，分别选取叶片转速、叶片长度、初始相位、方位角、俯仰角、径向速度的合适参数范围，并在选定的参数范围内随机改变各参数的数值，得到时间频率图像数据集和韵律频率图像数据集，之后将时间频率图像数据集和韵律频率图像数据集一一对应，构建成用于分类的合并多普勒图像数据集。

3.根据权利要求1所述的利用Dense2Net的雷达探测无人机目标分类方法，其特征在于：在步骤二中，所述的利用Dense2Net中的密集结构块以及过渡层对上述合并多普勒图像数据集中的合并多普勒图像进行分析提取，得到特征矩阵的方法是:

将上述合并多普勒图输入7×7卷积层和3×3最大池化层进行局部特征提取与感知，得到局部特征图；然后，利用卷积层堆叠的密集结构块对上述局部特征图进行特征提取，得到隐藏特征图；设置多个密集结构块，每个密集结构块内包含不同数量的瓶颈块，每个瓶颈块均由Dense2Net瓶颈块构成，增长率为k；将由上一个密集结构块中提取的不同尺度的特征图送入过渡层，利用由批归一化-ReLU激活函数-1×1卷积-2×2平均池化组合构成的过渡层来降低特征图的维度并设置压缩参数θ(0θ1)；重复上述密集结构块和过渡层的处理过程，得到特征矩阵。

4.根据权利要求1所述的利用Dense2Net的雷达探测无人机目标分类方法，其特征在于：在步骤三中，所述的将上述特征矩阵经全局平均池化后输入全连接层，然后利用softmax分类器进行分类预测，同时计算出交叉熵损失函数值的方法是：

利用7×7全局平均池化层考虑全局感受野的特征信息，通过全连接层将维度为n×n×k的特征矩阵处理为1×1×k的尺寸，将特征信息融合为一个信道描述符；由于旋翼无人机分为单旋翼无人机、四旋翼无人机及六旋翼无人机三类，则通过全连接层将维度展平为1×1×3；最后经过softmax分类器后得到对应每类旋翼无人机的概率，即分类预测结果，同时计算出交叉熵损失函数值。