一种基于混合模型融合的宽带雷达目标HRRP识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114154534A(43)申请公布日2022.03.08(21)申请号202111312428.6(22)申请日2021.11.08(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)发明人傅雄军郎平常世博杜慧茜马志峰袁浩东(74)专利代理机构北京众元弘策知识产权代理事务所(普通合伙)11462代理人宋磊(51)Int.Cl.G06K9/00(2022.01)G06K9/62(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书8页附图3页(54)发明名称一种基于混合模型融合的宽带雷达目标HRRP识别方法(57)摘要本发明涉及一种基于混合模型融合的宽带雷达目标HRRP识别方法，属于雷达目标识别技术领域。包括：1)采集数据集并划分测试集与训练集；2)将标志位L_done、C_done置0；3)利用训练集分别对F‑CNN模型的两个子模型CNN与LightGBM模型进行训练；4)利用F‑CNN模型识别测试集种类，具体为：经训练后子模型处理，得到分类结果A与B。判断标志位是否均为1；若不是，则等待；若是，则将结果A与B输入决策树合并，输出即为F‑CNN模型识别结果；所述方法可根据HRRP信号对探测目标进行有效分类；在不同信噪比下的识别准确率均有明显提升；显著降低了模型的复杂度，提升了推理速度。CN114154534ACN114154534A权利要求书1/2页1.一种基于混合模型融合的宽带雷达目标HRRP识别方法，依托于CNN和LightGBM模型；LightGBM模型包括人工特征提取单元、特征组合形成单元以及LightGBM分类器；CNN模型基本网络结构由多个层组成，每一层具有多个相互独立的神经元，其特征在于：包括如下步骤：步骤1：采集HRRP数据并处理得到数据集，再划分测试集与训练集；其中，所采集的数据集中包含多个HRRP数据样本，将数据集划分得到测试集与训练集，训练集内样本数据按照目标类别进行分组，得到其对应的类别标签信息；步骤2：将标志位L_done、C_done初始化为0；步骤3：利用训练集分别对F‑CNN模型的两个子模型，CNN与LightGBM模型进行训练；通过不断调整参数获得适用于雷达目标识别的最优模型；其中，利用训练集对LightGBM模型进行训练，具体包括如下子步骤：步骤3.a1)人工特征提取单元提取人工特征；其中，人工特征包括：目标强散射中心数目、目标散射重心、目标宽度、散射中心分布熵和二阶中心矩；步骤3.a2)判断各特征的数据分布及HRRP数据之间的关系，形成特征组合，绘制散布矩阵图；步骤3.a3)构建LightGBM分类器并基于该分类器进行训练得到决策树，再将人工特征输入决策树进行目标分类与识别，输出目标类别，并设置标志位L_done为1；利用步骤1所分的训练集对CNN模型进行训练，得到目标类别具体包括CNN模型构建与参数优化两个阶段；步骤3.b1)构建CNN模型,输出目标类别，具体包括以下子步骤：①将训练集HRRP数据样本作为输入放入CNN模型；②使用卷积核与可加偏置对输入进行卷积，经过卷积层得到特征映射；③对卷积层输出的特征映射进行池化，即对卷积层输出中的邻域进行加权求和，加偏置再经过激励函数在池化层得到特征映射；④重复步骤②与步骤③过程再得到一个卷积层与一个池化层，直至输出的特征映射已变为一维数组；⑤将步骤④的结果输入至两层全连接层，且在每一个全连接层之前加入dropout层；⑥将步骤⑤的结果输入至分类器层得到CNN模型的分类结果，并将C_done置1；步骤3.b2)对CNN模型进行参数优化；使用划分的训练集对CNN模型进行训练，得到最优CNN模型参数；步骤4：使用步骤1划分的测试集作为F‑CNN模型的输入，输出测试集样本对应的目标类别，具体包括以下子步骤：步骤4.1)将测试集数据分别输入经步骤3训练后得出的两个子模型，CNN模型与Light_GBM模型中；步骤4.2)两子模型输出的分类结果分别记为结果A与结果B，判断两个标志位L_done与C_done是否均为1；若不是，则继续等待；若是，则将结果A与B输入决策树合并，输出F‑CNN模型的分类结果；步骤4.3)将L_done与C_done置为0。2CN114154534A权利要求书2/2页2.依据权利要求1所述的宽带雷达目标HRRP识别方法，其特征在于：步骤1中每个HRRP数据样本的获取过程为：通过高分辨率宽带雷达获取，先得到HRRP数据，再将HRRP数据进行功率归一化，得到HRRP数据样本。3.依据权利要求1所述的宽带雷达目标HRRP识别方法，其特征在于：步骤1中将数据集划分得到测试集与训练集，具