一种基于时间反演一维距离像的目标识别方法技术

本发明专利技术公开了一种基于时间反演一维距离像的目标识别方法，包括：构建训练数据集和测试数据集；基于数据集，获取一次回波训练数据和一次回波测试数据；得到时间反演之后的回波训练数据和时间反演之后的回波测试数据；得到时间反演一维距离像训练数据和时间反演一维距离像测试数据；提取得到中心矩特征和波形熵特征；对训练数据集对应的中心矩特征和波形熵特征进行拼接处理，以得到第一融合特征；对测试数据集对应的中心矩特征和波形熵特征进行拼接处理，以得到第二融合特征；对第一融合特征进行训练，以得到训练网络；将第二融合特征与所述训练网络进行识别处理，以获取每个高空目标对应的识别结果。本发明专利技术能够提高目标识别准确率和效率。准确率和效率。准确率和效率。

【技术实现步骤摘要】
一种基于时间反演一维距离像的目标识别方法


[0001]本专利技术属于信号处理
，具体涉及一种基于时间反演一维距离像的目标识别方法。

技术介绍

[0002]雷达目标识别是现代雷达技术的一个重要发展领域，对提高雷达信息提取和分析能力有着至关重要的作用。雷达目标识别的原理是通过分析所有回波来判断和提取目标的特征信息，并通过不同目标的不同先验信息来判断目标的属性类别。
[0003]现有技术中，通常使用传统一维高分辨距离像(HRRP)提取特征后进行高空目标识别。一维高分辨距离像能够反映目标的结构和形状，显示目标散射点沿距离方向的分布情况，以为目标识别提供重要信息。
[0004]但是，传统一维高分辨距离像进行目标识别仍存在一些问题。其一，在宽带雷达中，为了获得更高的分辨率，通常会使用超宽带，这会导致HRRP的数据量增大；其二，强散射和弱散射在某些情况下差别不大，会导致识别难度较大，识别误差较大。

技术实现思路

[0005]为了解决现有技术中存在的上述问题，本专利技术提供了一种基于时间反演一维距离像的目标识别方法。本专利技术要解决的技术问题通过以下技术方案实现：
[0006]一种基于时间反演一维距离像的目标识别方法，所述方法包括：步骤1：基于多个高空目标构建数据集；其中，所述数据集包括：训练数据集和测试数据集；步骤2：基于所述数据集，获取每个高空目标对应的一次回波数据；其中，所述一次回波数据包括：一次回波训练数据和一次回波测试数据；步骤3：通过时间反演技术，对一次回波数据进行计算，以得到每个高空目标对应的时间反演之后的回波数据；其中，时间反演之后的回波数据包括：时间反演之后的回波训练数据和时间反演之后的回波测试数据；步骤4：对时间反演之后的回波数据，分别进行傅里叶逆变换及取绝对值，以得到时间反演一维距离像数据；其中，时间反演一维距离像数据包括：时间反演一维距离像训练数据和时间反演一维距离像测试数据；步骤5：对时间反演一维距离像数据进行归一化处理，并基于归一化后的时间反演一维距离像数据，提取得到中心矩特征和波形熵特征；步骤6：对时间反演一维距离像训练数据对应的中心矩特征和波形熵特征进行拼接处理，以得到第一融合特征；对时间反演一维距离像测试数据对应的中心矩特征和波形熵特征进行拼接处理，以得到第二融合特征；步骤7：基于支持向量机，对所有高空目标对应的第一融合特征进行训练，以得到训练网络；步骤8：将每个高空目标对应的第二融合特征分别与所述训练网络进行识别处理，以获取每个高空目标对应的识别结果。
[0007]在本专利技术的一个实施例中，所述数据集中包括多个高空目标对应的发射信号频谱S(ω
q
)、目标的频率响应H(ω
q
)、加性高斯白噪声V(ω
q
)，其中，q＝0,1,
…
,Q
‑
1；所述步骤2包括：基于数据集，获取不同高空目标对应的一次回波数据Y(ω
q
)，表示为：
[0008]Y(ω
q
)＝S(ω
q
)H(ω
q
)+V(ω
q
)。
[0009]在本专利技术的一个实施例中，所述步骤3包括：步骤3
‑
1：通过时间反演技术，在频域对一次回波数据Y(ω
q
)取共轭，表示为：Y
*
(ω
q
)；步骤3
‑
2：对Y
*
(ω
q
)进行能量标准化处理，表示为：kY
*
(ω
q
)，k是能量标准化系数；
[0010][0011]步骤3
‑
3：将kY
*
(ω
q
)发射出去，与每个高空目标的频率响应H(ω
q
)作用后，得到时间反演之后的回波数据X(ω
q
)，表示为：X(ω
q
)＝kY
*
(ω
q
)H(ω
q
)+W(ω
q
)，其中，W(ω
q
)是加性高斯白噪声。
[0012]本专利技术的有益效果：
[0013]一方面，相较于现有技术中传统一维距离像(HRRP)识别方法，在一维距离像的数据量较大，或者强散射与弱散射差别不大的情况下，目标的识别效率和准确度较低。本专利技术通过引入时间反演技术，能够利用时间反演技术得到的时间反演一维距离像的对称性，在进行目标识别的过程中，仅需选取一半的数据，从而极大地减少数据运算量，提高识别效率；并且，时间反演一维距离像相较于传统一维距离像，其具有强散射点更强、弱散射点更弱，强弱特征分别、强弱散射点的差别很大等特点，能够提高目标识别准确度。
[0014]另一方面，本专利技术在利用时间反演技术得到时间反演一维距离像后，为了避免了一维距离像天然的时移敏感特性，通过提取时间反演一维距离像的中心矩特征和波形熵特征，并拼接得到融合特征，以作为目标识别的特征。中心矩特征和波形熵特征分别具有一维距离像的形状信息特征和能量分布特征，且数据量远远小于一维距离像的数据量，从而本专利技术能够极大地降低目标识别运算量和存储难度，以提高目标识别的准确率和效率。
[0015]以下将结合附图及实施例对本专利技术做进一步详细说明。
附图说明
[0016]图1是本专利技术实施例提供的一种基于时间反演一维距离像的目标识别方法示意图；
[0017]图2是本专利技术实施例提供的一种基于时间反演一维距离像的目标识别方法的一维距离像和时间反演一维距离像幅度对比示意图；
[0018]图3是本专利技术实施例提供的一种基于一维距离像的目标识别方法的识别率随信噪比变化关系示意图。
[0019]图4是本专利技术实施例提供的一种基于时间反演一维距离像的目标识别方法的识别率随信噪比变化关系图。
具体实施方式
[0020]下面结合具体实施例对本专利技术做进一步详细的描述，但本专利技术的实施方式不限于此。
[0021]实施例
[0022]请参见图1，图1是本专利技术实施例提供的一种基于时间反演一维距离像的目标识别
方法示意图，所述方法包括：
[0023]步骤1：基于多个高空目标构建数据集；其中，所述数据集包括：训练数据集和测试数据集。
[0024]可选的，所述数据集中包括多个高空目标对应的发射信号频谱S(ω
q
)、目标的频率响应H(ω
q
)、加性高斯白噪声V(ω
q
)，其中，q＝0,1,
…
,Q
‑
1。
[0025]示例如：本专利技术利用Feko软件得到的不同高空目标F22，B2，MQ9的数据，将其分为训练数据集和测试数据集，并且保证两类数据集不重复。
[0026]步骤2：基于所述数据集，获取每个高空目标对应的一次回波数据；其中，所述一次回波数据包括：一次回波训练数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时间反演一维距离像的目标识别方法，其特征在于，所述方法包括：步骤1：基于多个高空目标构建数据集；其中，所述数据集包括：训练数据集和测试数据集；步骤2：基于所述数据集，获取每个高空目标对应的一次回波数据；其中，所述一次回波数据包括：一次回波训练数据和一次回波测试数据；步骤3：通过时间反演技术，对一次回波数据进行计算，以得到每个高空目标对应的时间反演之后的回波数据；其中，时间反演之后的回波数据包括：时间反演之后的回波训练数据和时间反演之后的回波测试数据；步骤4：对时间反演之后的回波数据，分别进行傅里叶逆变换及取绝对值，以得到时间反演一维距离像数据；其中，时间反演一维距离像数据包括：时间反演一维距离像训练数据和时间反演一维距离像测试数据；步骤5：对时间反演一维距离像数据进行归一化处理，并基于归一化后的时间反演一维距离像数据，提取得到中心矩特征和波形熵特征；步骤6：对时间反演一维距离像训练数据对应的中心矩特征和波形熵特征进行拼接处理，以得到第一融合特征；对时间反演一维距离像测试数据对应的中心矩特征和波形熵特征进行拼接处理，以得到第二融合特征；步骤7：基于支持向量机，对所有高空目标对应的第一融合特征进行训练，以得到训练网络；步骤8：将每个高空目标对应的第二融合特征分别与所述训练网络进行识别处理，以获取每个高空目标对应的识别结果。2.根据权利要求1所述的方法，其特征在于，所述数据集中包括多个高空目标对应的发射信号频谱S(ω
q
)、目标的频率响应H(ω
q
)、加性高斯白噪声V(ω
q
)，其中，q＝0,1,
…
,Q
‑
1；所述步骤2包括：基于数据集，获取不同高空目标对应的一次回波数据Y(ω
q
)，表示为：Y(ω
q
)＝S(ω
q
)H(ω
q
)+V(ω...

【专利技术属性】
技术研发人员：杨明磊，连昊，张钊铭，陈伯孝，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：