一种基于多维参数神经网络的雷达集群目标行为识别方法技术

本发明专利技术公开了一种基于多维参数神经网络的雷达集群目标行为识别方法，首先对雷达回波的距离

【技术实现步骤摘要】
一种基于多维参数神经网络的雷达集群目标行为识别方法


[0001]本专利技术属于雷达
，具体涉及一种目标行为识别方法。

技术介绍

[0002]集群目标指由多个尺寸相近、运动模式相似的个体目标聚集形成的目标整体，在一定时间内保持空间关系(如位置)相对固定，且任意最相邻两个体目标量测差小于传感器系统的相关门限，则对于该传感器来说，这些个体组成的集合称为一个集群目标，如无人机(UAV)群、鸟群、昆虫群等。集群目标具有个体小、整体规模大、空间分布柔性时变的特点，其运动除整体运动速度外，集群内部各个体还会相对运动。集群目标在现代战争中发挥着重要作用，其中，集群无人机的作战已经成为未来空袭的重要组成部分。因此，准确识别敌方集群目标的行为，及时评估其动机，为下一步采取应对措施提供可靠依据十分重要。
[0003]雷达作为一种利用电磁波探测目标的传感器设备，具有全天候、全天时的特点，并有一定的穿透能力，因此利用雷达获得速度、距离和角度等能够反映集群目标行为状态的基本参数是一种可行且高效的方法。集群目标的雷达回波同时在距离维、多普勒维和角度维扩展为多个散射中心，即距离
‑
多普勒
‑
角度扩展目标。
[0004]目前对于集群目标行为识别较少，大部分是关于单个目标行为模式识别，且缺少基于雷达回波信号对集群目标行为识别的技术。对于目标行为识别，有效的方式是通过模拟人的思维模式产生先验信息模板对应不同行为下的特征，根据目标特征与不同行为模板的匹配程度完成行为识别。针对目标行为识别，“Intrusion Intention Identification Methods Based on Dynamic Bayesian Networks，Qingtao Wu等，Procedia Engineering，2011年第15期，第3433
‑
3438”采用动态贝叶斯有向无环图，实时描述攻击行为、意图和攻击之间的关联，但该方法对先验知识采用统计的方法得到目标作战意图知识与规则库；“基于时序特征编码的目标战术意图识别算法，欧微等，指挥控制与仿真，2016年第6期，36
‑
41”通过将目标状态在多个时刻的时序特征和战场环境、目标属性等信息统一编码为输入信号，将军事专家的知识经验封装为模式标签，模拟人的推理模式与认知经验，实现对目标战术意图的智能识别，但该方法同样使用人的主观推理模式作为模板的参考依据。
[0005]以上方法都基于单个目标，并没有对集群目标提出针对性的方法，同时存在先验信息受环境影响的问题，导致在一些环境下适应性、精准性和实时性较低，不能普适地应用于各种不同环境。

技术实现思路

[0006]本专利技术的目的是针对
技术介绍
存在的问题，研究设计一种在不同环境下保持高准确性、高实时性的集群目标行为识别方法，解决现有行为识别方法依赖人为设置参数，从而无法适应不同工作环境的问题。
[0007]本专利技术的技术方案为：一种基于多维参数神经网络的雷达集群目标行为识别方法，具体包括以下步骤：
[0008]S1.回波时频处理，利用滑动窗口截取固定长度的雷达回波信号其中，n是慢时间维脉冲数变量，t是距离维快时间变量；对雷达回波信号进行脉冲压缩，得到一帧数据中群目标的“距离
‑
慢时间维”图对进行慢时维FFT，得到一帧数据中群目标的“多普勒
‑
快时间维”图
[0009]S2.提取特征样本，沿慢时间维对求平均，再进行多帧积累得到“距离
‑
时间”谱RTM；沿快时间维对求平均，再进行多帧积累即可得到“多普勒
‑
时间”谱DTM；对进行DBF波束形成处理，获得一帧数据内的角度估计谱，再进行多帧积累，得到“角度
‑
时间”谱ATM；
[0010]S3.构建基于VGG16的多维参数神经网络，在网络的前半部分，将VGG16网络的前6层作为特征提取分支网络，形成3组并行的分支网络，每个分支网络都具有相同的结构和平行的处理结构并且输出均为相同尺寸的特征；在网络的后半部分，输入是RTM，DTM和ATM分支网络全连接层输出的特征F
RTM
,F
DTM
和F
ATM
，3个分支网络融合后的特征为F
fusion
＝[F
RTM
,F
DTM
,F
ATM
]T
，第7层为全连接层，最后一层为softmax分类器，其输出是集群行为分类标签；其中，输入层神经元数由特征谱尺寸确定，将处理好的3组特征谱传入网络；卷积层全部采用3*3卷积核尺寸，最大池化尺寸均采用2*2；输出层共有4个神经元：分别代表扩散、聚拢、分裂和合并四种集群行为；
[0011]S4.神经网络的训练，训练时，将步骤S2中提取的三种特征样本RTM、DTM和ATM数据集输入网络，传递函数选择s型非线性函数，使用Adam优化器，初始学习率0.0001；
[0012]S5：利用神经网络预测集群行为，将接收到的回波信号利用滑动窗口截取并通过步骤S1
‑
S2的时频处理和特征提取，输入训练好的神经网络中，利用神经网络计算输出值，实现集群行为的实时识别。
[0013]进一步的，步骤S1中“距离
‑
慢时间维”图的处理形成过程为：
[0014]假设由M个独立点目标组成的集群目标，群内部各点目标位置随机分布，并以整体运动速度v
m
(m＝1,2,
…
,M)(远离雷达为负)，个体相对运动速度v0运动。在一个CPI周期内慢时间积累脉冲数为N，脉冲重复周期为T，则第n(n＝1,2,
…
N)个脉冲周期雷达接收回波信号为：
[0015][0016]其中，τ＝2r/c为目标的回波时延，c为光速，r为目标到雷达的距离；g
n,m
、θ
n,m
和τ
n,m
分别为第n个脉冲周期第m个点目标的幅度增益、随机反射相位和回波时延；ω
d
＝2v0/λ和ω
m
＝2v
m
/λ分别为整体运动和个体相对运动产生的角频率，λ为雷达发射信号波长。当组成集群的点目标为慢起伏点目标时，在一个CPI周期内，可假定g
n,m
和θ
n,m
近似不变，即g
n,m
＝g
m
和θ
n,m
＝θ
m
，g
m
和θ
m
为第m个点目标的幅度增益和随机反射相位；
[0017]“多普勒
‑
快时间维”图的处理形成过程为:
[0018][0019]其中，P(t)为发射基带信号匹配滤波后的波形，f
d
和f
m
是整体运动和单个相对运动产生的多普勒频率。
[0020]进一步的，步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多维参数神经网络的雷达集群目标行为识别方法，具体包括以下步骤：S1.回波时频处理，利用滑动窗口截取固定长度的雷达回波信号其中，n是慢时间维脉冲数变量，t是距离维快时间变量；对雷达回波信号进行脉冲压缩，得到一帧数据中群目标的“距离
‑
慢时间维”图对进行慢时维FFT，得到一帧数据中群目标的“多普勒
‑
快时间维”图S2.提取特征样本，沿慢时间维对求平均，再进行多帧积累得到“距离
‑
时间”谱RTM；沿快时间维对求平均，再进行多帧积累即可得到“多普勒
‑
时间”谱DTM；对进行DBF波束形成处理，获得一帧数据内的角度估计谱，再进行多帧积累，得到“角度
‑
时间”谱ATM；S3.构建基于VGG16的多维参数神经网络，在网络的前半部分，将VGG16网络的前6层作为特征提取分支网络，形成3组并行的分支网络，每个分支网络都具有相同的结构和平行的处理结构并且输出均为相同尺寸的特征；在网络的后半部分，输入是RTM，DTM和ATM分支网络全连接层输出的特征F
RTM
,F
DTM
和F
ATM
，3个分支网络融合后的特征为F
fusion
＝[F
RTM
,F
DTM
,F
ATM
]
T
，第7层为全连接层，最后一层为softmax分类器，其输出是集群行为分类标签；其中，输入层神经元数由特征谱尺寸确定，将处理好的3组特征谱传入网络；卷积层全部采用3*3卷积核尺寸，最大池化尺寸均采用2*2；输出层共有4个神经元：分别代表扩散、聚拢、分裂和合并四种集群行为；S4.神经网络的训练，训练时，将步骤S2中提取的三种特征样本RTM、DTM和ATM数据集输入网络，传递函数选择s型非线性函数，使用Adam优化器；S5：利用神经网络预测集群行为，将接收到的回波信号利用滑动窗口截取并通过步骤S1
‑
S2的时频处理和特征提取，输入训练好的神经网络中，利用神经网络计算输出值，实现集群行为的实时识别。2.根据权利要求...

【专利技术属性】
技术研发人员：易伟，黄宇轩，任周唱，陈泓宇，杨东旭，李文欣，孔令讲，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：