一种基于微动调制和卷积神经网络的空目标识别方法.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CN113947106A(43)申请公布日2022.01.18(21)申请号202111158033.5(22)申请日2021.09.30(71)申请人中国船舶重工集团公司第七二四研究所地址210003江苏省南京市中山北路346号(72)发明人曹伟杨学岭管志强吴鑫孟凡君(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书3页说明书5页附图3页(54)发明名称一种基于微动调制和卷积神经网络的空目标识别方法(57)摘要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。CN113947106ACN113947106A权利要求书1/3页1.一种基于微动调制和卷积神经网络的空目标识别方法，其特征在于：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；其中所述步骤(1)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；所述步骤(2)包括：步骤D：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将步骤(1)中得到的多普勒微动调制频域数据对目标深层次属性特征进行提取；步骤E：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。2.根据权利要求1所述的一种基于微动调制和卷积神经网络的空目标识别方法，其特征在于：所述步骤A包括：1)获取目标距离单元对应的频谱p0，频谱采样点数为256；2)以目标距离单元为中心，左右各取5个距离单元，分别获取左右5个距离单元的频谱，记为：P＝{pi},i＝‑5,‑4,‑3,‑2,‑1,1,2,3,4,5；其中pi为第i个距离单元的频谱；3)计算各频谱的频率变型峰度集合K＝{ki}：4其中pi为第i个距离单元的频谱，μi是频谱均值，σi是频谱标准方差，E(pi‑μi)是第i个3距离单元的频谱的4阶中心距，E(pi‑μi)是第i个距离单元的频谱的3阶中心距；4)找到频率变型峰度集合的最大元素max({ki})对应的距离单元频谱，记为pk；5)以目标距离单元频谱p0和pk为基，计算频谱差p′：p′＝p0‑pk6)在频谱差p′中，以零频为中心，向左右延展搜索，当满足下列条件时停止延展搜索，其中p′r为向右延展搜索时第r个频率点对应的频率值,p′l为向左延展搜索时第l个频率点对应的频率值；7)以pk第r个频率点和第l个频率点之间的频率值代替目标距离单元频谱p0第r个频率点和第l个频率点之间的频率值，得到剔除固定杂波后的多普勒微动调制频域数据p’‘。3.根据权利要求1所述的一种基于微动调制和卷积神经网络的空目标识别方法，其特征在于：所述步骤D包括：1)对步骤(1)获取预处理后的多普勒微动调制频域数据进行第1层卷积处理，得到第1层特征图H1：2CN113947106A权利要求书2/3页其中H0表示步骤(1)获取预处理后的多普勒微动调制频域数据，W1表示第1层卷积核的权值向量，运算符号*表示卷积操作，b1表示第1层的偏移向量，表示的是Relu激活函数；2)进行第2层卷积处理，得到第2层特征图H2：其中W2表示第2层卷积核的权值向量，运算符号*表示卷积操作，b2表示第2层的偏移向量，表示的是Relu激活函数；3)进行第3层池化处理，得到第3层特征图H3：H3＝subsampling(H2)其中subsampling表示最大池化；4)进行第4层卷积处理，得到第4层特征图H4：其中W4表示第4层卷积核的权值向量，运算符号*表示卷积操作，b4表示第4层的偏移向量，表示的是Relu激活函数；5)进行第5层卷积处理，得到第5层特征图H5：其中W5表示第5层卷积核的权值向量，运算符号*表示卷积操作，b5表示第5层的偏移向量，表示的是Relu激活函数；6)进行第6层池化处理，得到第6层特征图H6：H6＝subsampling(H5)其中subsampling表示最大池化；7)进行第7层卷