基于卷积神经网络融合特征的雷达目标识别方法及系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114966587A(43)申请公布日2022.08.30(21)申请号202210408941.3(22)申请日2022.04.19(71)申请人北京理工大学地址100081北京市海淀区中关村南大街5号(72)发明人王才汤涛高梅国(74)专利代理机构北京正阳理工知识产权代理事务所(普通合伙)11639专利代理师张利萍(51)Int.Cl.G01S7/41(2006.01)权利要求书1页说明书6页附图1页(54)发明名称基于卷积神经网络融合特征的雷达目标识别方法及系统(57)摘要本发明提供了基于卷积神经网络融合特征的雷达目标识别方法及系统，采用神经网络同时提取多普勒谱分布和时频谱分布的微多普勒特征，并利用特征构造融合特征，实现高性能的雷达目标识别。本发明采用深度卷积神经网络模型，分别提取多普勒谱空间的分布特征和时频谱空间的分布特征，同时利用不同空间上的深层抽象特征构成融合特征矢量，利用融合特征矢量实现两类特征的信息互补，以增强雷达目标的识别性能，提高识别准确率，得到特征对应的目标识别类型。CN114966587ACN114966587A权利要求书1/1页1.一种基于卷积神经网络融合特征的雷达目标识别方法，其特征在于，具体步骤包括：步骤1、将待测的雷达回波信号进行变换，得到多普勒谱分布和时频谱分布；步骤2、对多普勒谱分布和时频谱分布分别进行预处理；步骤3、利用一维CNN模型对预处理后的多普勒谱分布提取特征，得到多普勒谱分布特征，利用二维CNN模型对预处理后的时频谱分布提取特征，得到时频谱分布特征，并将时频谱分布特征展开为一维向量；将展开后的时频谱分布特征与多普勒谱分布特征连接，得到融合特征矢量；步骤4、将融合特征矢量输入多层神经网络模型中，提取并输出特征；将特征输入softmax分类器模型进行目标识别，得到特征对应的目标识别类型。2.如权利要求1所述的方法，其特征在于，所述对多普勒谱分布和时频谱分布分别进行预处理，具体方法为：对多普勒分布和时频谱分布分别进行最大值归一化处理。3.如权利要求1所述的方法，其特征在于，步骤1的具体方法为：将待测的雷达回波信号进行傅里叶变换，得到多普勒谱分布。4.如权利要求1所述的方法，其特征在于，步骤1的具体方法为：对雷达回波信号进行短时傅里叶变换，得到时频谱分布。5.如权利要求1所述的方法，其特征在于，所述多层神经网络模型为全连接的多层神经网络模型。6.一种基于卷积神经网络融合特征的雷达目标识别系统，针对如权利要求1‑5所述的方法，其特征在于，包括回波信号接收模块、特征提取网络模型和目标识别网络模型；所述回波信号接收模块，用于接收测的雷达回波信号并进行变换，得到多普勒谱分布和时频谱分布送入特征提取网络模型中；所述特征提取网络模型由一维CNN模型、二维CNN模型和特征量连接层组成；所述一维CNN模型由多层卷积层和池化层交替串联组成，用于对多普勒谱分布提取特征，得到多普勒谱分布特征；所述二维CNN模型由多层卷积层和池化层交替串联组成，用于对时频谱分布提取特征，得到时频谱分布特征，并将时频谱分布特征展开为一维向量；所述特征量连接层用于将展开后的时频谱分布特征与多普勒谱分布特征连接，得到融合特征矢量并送入所述目标识别网络模型中；所述目标识别网络模型由多层神经网络以及Softmax层组成；所述多层神经网络具有一个隐藏层和输出层，激活函数为Sigmoid；输出层的神经元个数与待识别的目标类别数相同；输出层输出包含输入数据类别信息的抽象表征；所述Softmax层用于对所述抽象特征进行识别，并输出识别结果。7.如权利要求6所述的系统，其特征在于，对多普勒分布和时频谱分布分别进行预处理，具体方法为：对多普勒分布和时频谱分布分别进行最大值归一化处理。8.如权利要求6所述的系统，其特征在于，利用数据集对特征提取网络模型和目标识别网络模型分别进行参数学习和验证。2CN114966587A说明书1/6页基于卷积神经网络融合特征的雷达目标识别方法及系统技术领域[0001]本发明涉及雷达目标识别技术领域，具体涉及基于卷积神经网络融合特征的雷达目标识别方法及系统。背景技术[0002]随着现代雷达技术的发展，现代雷达不仅能够进行目标检测和定位，而且具有对目标的属性或类型进行分类识别的能力。为了获得更多的目标信息，雷达目标识别技术成为现代雷达技术应用发展的重要技术之一。[0003]其中，低分辨雷达目标识别是雷达目标识别的一个重要研究方向，具有广泛的应用需求。由于低分辨雷达设备造价相对较低，为了控制成本，民用雷达一般采用低分辨体制，尤其是目前备受关注且具有广阔应用前景的“低慢小”目标探测雷达，为了及时地辨别威胁目标(例如无人机)从而实施有效的应对措施，民用雷达对目标识别功