基于一维卷积神经网络的雷达目标多普勒像分类识别方法.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CN111220958A(43)申请公布日2020.06.02(21)申请号201911254099.7(22)申请日2019.12.10(71)申请人西安宁远电子电工技术有限公司地址710065陕西省西安市雁塔区唐延路旺座现代城G座2002室(72)发明人金钰赵永亮(74)专利代理机构西北工业大学专利中心61204代理人刘新琼(51)Int.Cl.G01S7/41(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书3页说明书9页附图3页(54)发明名称基于一维卷积神经网络的雷达目标多普勒像分类识别方法(57)摘要本发明涉及一种基于一维卷积神经网络的雷达目标多普勒像分类识别方法，本发明通过雷达设备采集到原始回波数据，经过脉冲压缩、动目标检测得到包含目标和杂波的每帧数据，根据不同目标的多普勒差异性，提取出目标所在距离单元内的一维多普勒像，构成数据集；设计一维卷积神经网络模型，对模型参数进行初始化；通过前向传播和后向传播过程训练网络，并计损失函数；迭代训练直到损失函数收敛或者达到最大次数，训练结束得到一维卷积神经网络模型。CN111220958ACN111220958A权利要求书1/3页1.一种基于一维卷积神经网络的雷达目标多普勒像分类识别方法，其特征在于步骤如下：步骤1：对雷达回波数据进行脉冲压缩、动目标检测之后得到距离-多普勒-幅值数据，提取目标所在距离单元内的一维多普勒数据，划分为训练集和测试集，并使用one-hot编码格式对所有数据进行标记；步骤2：构建一维卷积神经网络模型，并对模型参数进行初始化；所述的一维卷积神经网络，包含十层，分别是四个卷积层，四个池化层，两个全连接层；使用构建好的训练集和测试集对该一维卷积神经网络进行训练；具体过程如下：(2a)构建一维卷积神经网络的卷积层：输入网络的数据尺寸为m×m，设置卷积层包括K个卷积核，卷积核大小为F×F，填充大小步幅S，则卷积后输出的尺寸为激活函数采用σ(h)函数；其中二维卷积操作特征映射计算为：其中X为输入的数据，W为滤波器的卷积核，b为偏置向量，H为卷积操作后得到的特征图，*表示卷积操作，i，j代表矩阵中的元素；经过非线激活函数ReLu()输出为：σ(H(i，j))＝σ((X*W)[i，j]+b)＝max(0，(X*W)[i，j]+b)第l卷积层的输出为：Hl＝Relu(Hl-1*Wl+bl)其中Hl为第l层的输出矩阵，Hl-1为第l-1层的输出矩阵，Wl为第l层的卷积核，bl为第l层的偏置向量；(2b)构建一维卷积神经网络的池化层：对输入张量的各个子矩阵进行压缩，设置池化区尺寸k×k，池化标准为最大池化；输入是m×m维，输出是(2c)构建一维卷积神经网络的全连接层：设置全连接层激活函数和全连接各层神经元个数L，激活函数通常使用Sigmoid函数，则第l全连接层输出为：Hl＝σ(WlHl-1+bl)其中Sigmoid函数为：步骤3：对网络模型进行训练：包括前向传播和后向传播两个过程；步骤4：重复步骤3的网络模型训练过程，直到损失函数收敛或者训练达到最大迭代次数，得到可用于目标识别的一维卷积神经网络模型；步骤5：将测试集输入构建好的一维卷积神经网络模型，训练得随迭代次数增加，识别精度变化曲线。2.根据权利要求1所述的一种基于一维卷积神经网络的雷达目标多普勒像分类识别方法，其特征在于步骤1中所述的脉冲压缩处理指将发射的宽脉冲信号压缩成窄脉冲信号，本质就是实现信号的匹配滤波；动目标检测系统是由一组相邻且部分重叠的滤波器组，覆盖2CN111220958A权利要求书2/3页整个多普勒频率范围窄带多普勒滤波器组构成；当滤波器组个数为2的整次幂时，可以用快速傅里叶变换算法来完成动目标检测滤波器；多普勒频移通过正交相位检波器提取，接收信号描述为：其中a是接收信号的幅度，f0是发射信号的载频，是由于目标运动引起的接收信号的上相移，通过与下式发射信号混频：st(t)＝acos(2πf0t)经过同步检波器I，和低通滤波器之后，I通道的输出是：与90度相移的发射信号混频，经过同步检波器II，和低通滤波器之后，Q通道的输出是：形成一个复多普勒信号如下：将信号其按照模值排列、I路排列和Q路排列重新对数据进行计算，可得到雷达回波的每一帧数据去除杂波，在目标所在的每一帧中，提取距离单元内的一维多普勒数据，构成数据集，并标记目标构建训练集和测试集，使用one-hot编码格式，对所有数据进行标记。3.根据权利要求1所述的基于一维卷积神经网络的雷达目标多普勒像分类识别方法，其特征在于步骤3具体步骤如下：卷积神经网络的正向传播过程：在正向传播过程中卷积神经网络