[发明专利]一种利用Dense2Net的雷达探测无人机目标分类方法

说明书

一种利用Dense2Net的雷达探测无人机目标分类方法。其包括构建合并多普勒图像数据集；利用Dense2Net对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；将特征矩阵经全局平均池化后输入全连接层，利用softmax分类器进行分类预测，计算交叉熵损失函数值；利用反向传播算法对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更新；根据交叉熵损失函数值判断Dense2Net是否收敛，若收敛，输出旋翼无人机分类结果等步骤。本发明可提高雷达探测无人机分类准确率，模型操作简单，易训练。能进一步提高网络多尺度特征表示能力，增加每个网络层感受野。

技术领域

本发明属于雷达目标分类识别技术领域，特别是涉及一种利用Dense2Net的雷达探测无 人机目标分类方法。

背景技术

近年来，随着无人机研发技术逐渐成熟，制造成本大幅降低，性能大幅提升，无人机在 各个领域得到了广泛应用，除军事用途外，还包括农业植保、电力巡检、警用执法、地质勘 探、环境监测、森林防火以及影视航拍等民用领域。然而，由于针对无人机的监管措施还有 待进一步完善，“黑飞”无人机所带来的安全隐患给机场、核电站、边境等重要区域造成巨大 威胁。因此必须加快无人机分类识别等技术的研究，以维护低空空域的安全秩序。

目前，典型的无人机探测技术主要包括：光电探测、射频侦测、声学探测、广播自动相 关监视设备探测以及雷达探测。由于雷达具有定位精确、探测距离远、能全天时全天候工作 等优点，是目前无人机探测的主流手段。探测雷达通过发射电磁波信号，接收无人机反射的 雷达回波信号并对其进行分析处理，利用分析处理得到的特征实现目标分类识别。现有传统 的监视雷达通常采用机械扫描天线对全空域进行搜索，在单个目标上的驻留时间较短，仅能 获取目标的方位、角度、径向速度、雷达散射截面积等有限数据，致使其难以探测“低小慢” 目标。而无人机是典型的“低小慢”目标，其飞行高度低，雷达散射截面积小、飞行速度慢， 这为无人机的分类识别带来了难题。通过分析无人机雷达回波的微多普勒效应并提取其微多 普勒特征，能够为无人机分类提供更有效的特征。与利用传统机器学习对雷达探测无人机目 标分类方法相比，深度学习方法不需要手工设计特征，可通过尽可能的优化损失函数去学习 特征。同时由于深度学习的网络层数较多，对特征的学习能力很强，能自动挖掘更高维度的 抽象特征，具有良好的泛化能力。因此，利用卷积神经网络对目标微多普勒特征进行深度学 习是目前雷达探测无人机分类的重要手段。

在实际应用中，由于旋翼无人机是“低小慢”目标，且受到叶片材质的影响，这使得无 人机容易受到地面目标干扰，不易与地面杂波区分，而且无人机的雷达回波微弱，容易受到 外界干扰，影响无人机雷达回波微多普勒特征图，从而导致无人机分类结果变差。

利用卷积神经网络对目标微多普勒特征进行深度学习时，通过一系列卷积运算使得每个 网络层拥有不同大小的感受野，从而使卷积神经网络能提取多尺度特征。利用提取到的多尺 度特征送入分类器中最终得到分类结果。但是目前，大多数卷积神经网络都是通过改变网络 层的方式获得更大范围的感受野，以提高网络多尺度特征表示能力，从而提升网络的性能。 但缺点是卷积神经网络的多尺度特征表示能力低，从而导致雷达探测无人机目标分类准确率 低。

发明内容

为了解决上述问题，本发明的目的在于提供一种基于Dense2Net的雷达探测无人机目标 分类方法。

为了达到上述目的，本发明提供的利用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；