基于幅度相位双通道网络的雷达微多普勒目标识别方法.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CN112882009A(43)申请公布日2021.06.01(21)申请号202110032907.6(22)申请日2021.01.12(71)申请人西安电子科技大学地址710071陕西省西安市太白南路2号(72)发明人王鹏辉邓心慰刘宏伟丁军邵帅陈渤赵希宇纠博(74)专利代理机构陕西电子工业专利中心61205代理人田文英王品华(51)Int.Cl.G01S13/52(2006.01)G01S7/292(2006.01)G01S7/41(2006.01)权利要求书3页说明书8页附图2页(54)发明名称基于幅度相位双通道网络的雷达微多普勒目标识别方法(57)摘要本发明公开了一种基于幅度相位双通道网络的雷达微多普勒目标识别方法，用于解决现有技术提取的特征有缺失导致的目标识别准确率低，以及现有技术测试阶段运算量大、实时性差的问题。本发明的实现步骤为：(1)生成训练集；(2)构建幅度相位双通道网络；(3)训练幅度相位双通道网络；(4)目标识别。本发明通过构建幅度相位双通道网络，同时利用微动分量回波信号的幅度信息和相位信息对网络进行训练，实现了对目标回波信息的充分利用。而且本发明构造的网络是一种端到端的分类模型，易训练和使用，实时性能更好，有效地提高了雷达微多普勒目标的识别准确率。CN112882009ACN112882009A权利要求书1/3页1.一种基于幅度相位双通道网络的雷达微多普勒目标识别方法，其特征在于，构建由幅度特征提取模块和相位特征提取模块组成的双通道网络，利用微动分量回波信号的幅度信息与相位信息训练该双通道网络，该方法的步骤包括如下：(1)生成训练集：(1a)提取N个类别目标的雷达回波信号，每个类别至少包含500个雷达回波信号，其中，N表示目标的类别总数，N≥3；(1b)利用区域CLEAN方法，对每个雷达回波信号进行杂波抑制；(1c)利用全域CLEAN方法，对杂波抑制后的每个回波信号提取微动分量回波信号，将所有微动分量回波信号组成微动目标数据集；(1d)分别对微动目标数据集中每个类别的回波信号设置相应类别标签；(1e)计算微动目标数据集中的每个微动分量回波信号的幅度信息，组成幅度数据集，对幅度数据集中每个样本进行能量归一化处理，得到归一化后的幅度数据集；(1f)计算微动目标数据集中的每个微动分量回波信号的相位信息，组成相位数据集；(1g)将幅度数据集与相位数据集组成训练集；(2)构建幅度相位双通道网络：(2a)构建两个结构相同的特征提取模块，分别用于提取幅度特征与相位特征；每个特征提取模块的结构依次为：输入层，第一卷积层，第一激活层，第一池化层，第二卷积层，第二激活层，第二池化层，全连接层；将第一至第二卷积层的卷积核个数均设置为16，卷积核尺寸均设置为1×9，卷积核的输入通道数分别设置为1、16，输出通道数均设置为16；将第一至第二激活层的激活函数均设置为ReLU函数；将第一至第二池化层的池化核尺寸均设置为1×2，池化步长均设置为2，池化方式均设置为最大值池化；将全连接层的神经元个数设置为100；(2b)构建一个由拼接维度为200的concat层，输出神经元个数为M的全连接层以及SoftMax层组成的特征融合分类模块，其中，输出神经元个数M与目标类别总数N相等，SoftMax层采用SoftMax激活函数用于计算输入回波信号被分类为每一类的概率；(2c)将分别用于提取幅度特征与相位特征的两个模块并联后再与特征融合分类模块串联，组成幅度相位双通道网络；(3)训练幅度相位双通道网络：(3a)将训练集中的幅度数据集与相位数据集，分别输入到幅度相位双通道网络的幅度特征提取模块与相位特征提取模块中，输出幅度相位双通道网络的预测分类标签；(3b)利用交叉熵损失函数，计算预测分类标签与目标真实类别标签间的损失，再利用反向传播算法迭代更新网络参数，直到交叉熵损失函数收敛为止，得到训练好的幅度相位双通道网络；(4)目标识别：(4a)利用区域CLEAN方法，对每个待识别回波信号进行杂波抑制；(4b)利用全域CLEAN方法，对杂波抑制后的每个回波信号提取微动分量回波信号；(4c)计算每个微动分量回波信号的幅度信息，对幅度信息进行能量归一化处理；(4d)计算每个微动分量回波信号的相位信息；(4e)将每个微动分量回波信号的能量归一化后的幅度信息与相位信息分别输入到训2CN112882009A权利要求书2/3页练好的幅度相位双通道网络的幅度特征提取模块与相位特征提取模块中，通过SoftMax层计算出待识别目标被划分为各类别的概率，选择最高概率对应的类别作为识别结果。2.根据权利要求1所述的基于幅度相位双通道网络的雷达微多普勒目标识别方法，其特征在于，步骤(1b)、步骤(4a)中