基于谱图切分预处理和卷积神经网络的雷达HRRP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CN111580059A(43)申请公布日2020.08.25(21)申请号202010256144.9(22)申请日2020.04.02(71)申请人杭州电子科技大学地址310018浙江省杭州市下沙高教园区(72)发明人张杰潘勉吕帅帅李训根于海滨(74)专利代理机构浙江永鼎律师事务所33233代理人陆永强(51)Int.Cl.G01S7/41(2006.01)权利要求书4页说明书9页附图1页(54)发明名称基于谱图切分预处理和卷积神经网络的雷达HRRP目标识别方法(57)摘要本发明公开了一种基于谱图切分预处理和卷积神经网络的雷达HRRP目标识别方法，该方法首先进行预处理降低HRRP样本中的敏感性，然后对样本进行谱图变换，紧接着的CNN层可在保留HRRP样本内所蕴含的序列相关性的同时，提取出HRRP包络中所含的信息，再通过双向RNN对时序相关性建模，提取出其高层次特征，最后通过softmax函数进行目标分类。CN111580059ACN111580059A权利要求书1/4页1.一种基于谱图切分预处理和卷积神经网络的雷达HRRP目标识别方法，其特征在于，包括以下步骤：S1，采集数据集，将雷达采集到的HRRP数据集依据目标的种类进行合并，每种种类的样本分别在不同的数据段里选择训练样本和测试样本，在训练集和测试集的选取过程中，保证所选取的训练集样本与雷达所成姿态涵盖测试集样本与雷达所成的姿态。各类目标训练集和测试集样本数的比例为8:2，将挑选的数据集记作T＝{(xi,yk)}i∈[1,n],k∈[1,c]，其中xi表示第i个样本，yk表示样本属于第k类，一共采集了c类目标，n表示样本总数；S2，对原始HRRP样本集进行预处理，由于HRRP的强度由包括雷达发射功率、目标距离、雷达天线增益和雷达接收机增益因素共同决定，在利用HRRP进行目标识别前，通过l2强度归一化的方法对原始HRRP回波进行处理，从而改善HRRP的强度敏感性问题，HRRP是通过距离窗从雷达回波数据中截取的，在截取的过程中截取的距离像在距离波门中的位置不固定，从而导致了HRRP的平移敏感性，为了使训练和测试具备统一标准，可用重心对齐法消除平移敏感性；S3，对经过上述处理的HRRP样本进行谱图变换；S4，将切分后谱图特征送入CNN中进行调整；S5，在Tensorflow框架下搭建双向RNN分类网络并开启训练；S6，对由S1采集到的测试数据进行训练阶段的步骤S2、S3预处理操作；S7，将经过S6处理的样本送入S5构建的模型中进行测试求得结果，即最后经过注意力机制的输出会通过softmax层进行分类。2.如权利要求1所述的基于谱图切分预处理和卷积神经网络的雷达HRRP目标识别方法，其特征在于，所述步骤S2进一步包括：S201，强度归一化，假设原始HRRP表示为xraw＝[x1,x2,…,xL]，其中L表示HRRP内包含的距离单元总数，则强度归一化之后的HRRP表示为：S202，样本对齐，平移HRRP使其重心g移至L/2附近，这样HRRP中包含信息的那些距离单元将分布在中心附近，其中HRRP重心g的计算方法如下：其中，xi为原始HRRP中第i维信号单元。3.如权利要求2所述的基于谱图切分预处理和卷积神经网络的雷达HRRP目标识别方法，其特征在于，所述步骤S3进一步包括：S301，计算时域信号的短时傅里叶变换来获得该信号的谱图特征，时间信号的短时傅里叶变换的变换公表示为：其中，τ表示时间，ω表示频率，x(·)表示被变换的时间信号，w(·)表示STFT变换的窗函数；2CN111580059A权利要求书2/4页谱图特征是STFT变换的模平方，表示为：Y(τ,ω)＝|(STFT(τ,ω)|2S302，谱图特征的每一个时间点上所对应的频域特征是一段变换窗长内的连续距离单元时域信号的频谱,将HRRP样本切分为多个子序列，在这里每一段子序列长度相同，每个子序列进行傅里叶变换的点数也是相同的，选取窗函数对每个子序列进行处理。进行处理后的谱图特征是一个矩阵，它的每一列包含一个短期局部时间的频率成分估计，时间沿列增加，频率按行增加；S303，沿谱图频率的维度进行切分，切分后的样本为：其中F是频率的维度，第i个频值对应的时间序列为S304，调整切分后的样本为卷积神经网络的输入格式，对HRRP进行reshape操作，即进入卷积神经网络的单个HRRP样本的格式为：其中F是沿频率维度进行切割的HRRP子序列个数，T是每个子序列包含的时间点个数。4.如权利要求3所述的基于谱图切分预处理和卷积神经网络的雷达HRRP目标识别方法，其特征在于，所述步骤S4进一步包括：S401，将经过上述处理的谱图特征xHRRP输入进卷积层，卷积后的结果为：