一种类别和特征辅助神经网络的极窄脉冲雷达目标识别方法技术

本发明专利技术涉及一种类别和特征辅助神经网络的极窄脉冲雷达目标识别方法，属于雷达目标识别技术领域，特别涉及一种结合先验知识辅助深度神经网络的目标极窄脉冲雷达回波识别方法。本发明专利技术提出了一种结合词包模型和注意力机制的目标电磁特征知识嵌入深度神经网络的方法。本方法通过词包模型对目标特征知识进行整合与表示，使得特征知识与深度特征的表示更为相似，有利于两种信息的结合。同时利用注意力机制使网络自适应地关注对分类任务贡献更大的特征组合，增强了特征组合的判别性，能够进一步提升网络的识别性能。步提升网络的识别性能。步提升网络的识别性能。

【技术实现步骤摘要】
一种类别和特征辅助神经网络的极窄脉冲雷达目标识别方法


[0001]本专利技术涉及一种类别和特征辅助神经网络的极窄脉冲雷达目标识别方法，属于雷达目标识别
，特别涉及一种结合先验知识辅助深度神经网络的目标极窄脉冲雷达回波识别方法。

技术介绍

[0002]极窄脉冲雷达，是指经过处理后单个回波脉冲宽度远小于目标尺寸的一类雷达。对于极窄脉冲雷达，目标的回波中包含多个极窄脉冲，分别对应于目标上不同的散射中心。因此，目标极窄脉冲回波能够表示目标散射中心沿雷达视线方向的分布情况，通常也称为目标的高分辨距离像(High Resolution Range Profile,HRRP)。
[0003]传统利用目标特性信息的方法是手动提取目标的多维度特征，例如高分辨特征，极化特征，尺度特征等，然后将其放入支持向量机(SVM)等分类器中进行识别。手动提取特征的方法依赖于长期的实践经验，不易形成一般化的解决方案，而且特征分析与筛选的工作量巨大，这些均会制约这类方法的识别性能及应用。
[0004]近年来深度学习技术逐渐进入雷达目标识别领域。这种方法能够自主提取有区分性的数据特征，实现端到端的目标识别，且具有较好的识别效果。但由于该方法仅基于数据对网络参数进行拟合，缺少理论或逻辑上的约束，容易出现过拟合等现象，导致识别性能受到限制。

技术实现思路

[0005]本专利技术的技术解决问题是：克服现有技术的不足，提出一种类别和特征辅助神经网络的极窄脉冲雷达目标识别方法，该方法能够进一步提升雷达目标识别领域深度学习方法的识别性能，一方面利用深度神经网络根据目标数据提取信息，得到目标深度特征；另一方面利用已知有用的信息或知识辅助和引导网络训练，弥补深度学习在知识和逻辑上的不足，对网络训练进行引导及约束，提高其识别性能。
[0006]本专利技术的技术解决方案是：
[0007]一种类别和特征辅助神经网络的极窄脉冲雷达目标识别方法，该方法针对雷达目标极窄脉冲回波，构建深度神经网络，引入先验知识在网络训练的不同阶段进行辅助，实现对不同目标的准确分类；本专利技术将目标的层次类别关系作为先验知识，引入损失函数中，约束网络参数的更新与优化，提升网络的识别性能；本专利技术还将目标电磁散射特征知识嵌入网络，与网络提取到的深度特征有效结合，增强网络对特征表示学习的针对性及判别性；
[0008]该方法的具体步骤包括：
[0009]步骤一、提取目标极窄脉冲回波数据的散射中心，并获取提取的散射中心的电磁特征知识，然后将提取的散射中心的电磁特征知识通过词包模型生成目标特征表示矩阵；
[0010]步骤二、对目标极窄脉冲回波数据进行预处理，对预处理后的数据利用深度神经网络提取目标深度特征；
[0011]步骤三、利用注意力机制，将步骤一生成的目标特征表示矩阵与步骤二生成的目标深度特征相结合，得到分类特征向量，并根据分类特征向量对目标类别进行预测；
[0012]步骤四、根据步骤三预测的目标类别和待检测目标的真实类别层次先验知识构建知识约束损失函数；
[0013]步骤五、根据步骤四构建的知识约束损失函数对深度神经网络参数进行训练与更新，得到训练与更新后的深度神经网络；
[0014]步骤六、根据步骤五得到的训练与更新后的深度神经网络进行目标识别，得到目标类别，完成类别和特征辅助神经网络的极窄脉冲雷达目标识别。
[0015]所述的步骤一中，利用有序统计恒虚警检测(OS
‑
CFAR)技术提取目标极窄脉冲回波数据的散射中心，提取的散射中心的数目为R，任一散射中心用r表示，r＝1，2，3，
…
，R；
[0016]提取的散射中心r的电磁特征知识有z种，优选9种，分别为位置占比、强度占比、稀疏度特征、散射极化熵H、散射极化角α、功率矩阵迹、极化比、极化相关系数、频域极化散度；
[0017]位置占比表示该散射中心在目标区域的位置，用目标起始点到该散射中心的长度占目标区域长度的百分比LEN
r
表示，如下：
[0018][0019]其中，len
r
表示散射中心r的位置，len
s
表示目标区域的起始距离单元位置，len
e
表示目标区域的终止距离单元位置；
[0020]强度占比表示该散射中心的强度占目标区域总强度的比例，能够反映该散射中心的能量及对目标回波的贡献，表示为E
r
：
[0021][0022]其中，e
r
表示散射中心r的散射功率；
[0023]稀疏度特征表示该散射中心与周围散射中心的稀疏程度，能够反映散射中心的空间分布情况，计算第r个散射中心与左、右两散射中心距离的方差作为稀疏度特征Sp
r
，如下：
[0024]Sp
r
＝var(sp
D1
,sp
D2
)
[0025]其中，sp
D1
为散射中心r与左散射中心间的距离，sp
D2
为散射中心r与右散射中心间的距离，var(sp
D1
,sp
D2
)为sp
D1
和sp
D2
的方差；
[0026]散射极化熵H及散射极化角α，散射极化熵H描述了目标极窄脉冲回波片段内分辨单元散射的随机性；散射极化角α描述了目标极窄脉冲回波片段内的主导射机理，将每个散射中心左右三个距离单元作为片段，求散射极化熵H及散射极化角α，如下：
[0027][0028][0029]其中，λ1表示目标极窄脉冲回波片段的协方差矩阵的最大特征值，λ2表示目标极窄脉冲回波片段的协方差矩阵的第二大的特征值，i＝[1,2]，λ
i
表示目标极窄脉冲回波片段的协方差矩阵的第i个特征值；
[0030]功率矩阵迹表示该散射中心的能量大小，为一对正交极化天线所接收到的总功率：
[0031]Span
r
＝|HH
r
|2+|VV
r
|2+|VH
r
|2+|HV
r
|2[0032]其中，HH
r
为散射中心r在HH极化方式下的幅度；
[0033]VV
r
为散射中心r在HV极化方式下的幅度；
[0034]VH
r
为散射中心r在VH极化方式下的幅度；
[0035]HV
r
为散射中心r在HV极化方式下的幅度；
[0036]极化比和极化相关系数，反映了目标散射中心的结构等因素的不同所造成的散射机理差异：
[0037][0038]极化相关系数
[0039]其中,<.>代表空间平均；上标
*
表示求共轭运算；j表示虚数，表示散射中心r在HH极化方式下的相位，表示散射中心r在VH极化方式下的相位，为求散本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种类别和特征辅助神经网络的极窄脉冲雷达目标识别方法，其特征在于该方法的具体步骤包括：步骤一、提取目标极窄脉冲回波数据的散射中心，并获取提取的散射中心的电磁特征知识，然后将提取的散射中心的电磁特征知识通过词包模型生成目标特征表示矩阵；步骤二、对目标极窄脉冲回波数据进行预处理，对预处理后的数据利用深度神经网络提取目标深度特征；步骤三、将步骤一生成的目标特征表示矩阵与步骤二生成的目标深度特征相结合，得到分类特征向量，并根据分类特征向量对目标类别进行预测；步骤四、根据步骤三预测的目标类别和待检测目标的真实类别层次先验知识构建知识约束损失函数；步骤五、根据步骤四构建的知识约束损失函数对深度神经网络参数进行训练与更新，得到训练与更新后的深度神经网络；步骤六、根据步骤五得到的训练与更新后的深度神经网络进行目标识别，得到目标类别，完成类别和特征辅助神经网络的极窄脉冲雷达目标识别。2.根据权利要求1所述的一种类别和特征辅助神经网络的极窄脉冲雷达目标识别方法，其特征在于：所述的步骤一中，利用有序统计恒虚警检测方法提取目标极窄脉冲回波数据的散射中心，提取的散射中心的数目为R，任一散射中心用r表示，r＝1，2，3，
…
，R；所述的散射中心r的电磁特征知识有z种，z＝9时，电磁特征知识分别为位置占比、强度占比、稀疏度特征、散射极化熵H、散射极化角α、功率矩阵迹、极化比、极化相关系数、频域极化散度。3.根据权利要求2所述的一种类别和特征辅助神经网络的极窄脉冲雷达目标识别方法，其特征在于：位置占比表示该散射中心在目标区域的位置，用目标起始点到该散射中心的长度占目标区域长度的百分比LEN
r
表示，如下：其中，len
r
表示散射中心r的位置，len
s
表示目标区域的起始距离单元位置，len
e
表示目标区域的终止距离单元位置；强度占比表示该散射中心的强度占目标区域总强度的比例，表示为E
r
：其中，e
r
表示散射中心r的散射功率；稀疏度特征表示该散射中心与周围散射中心的稀疏程度，以第r个散射中心与左、右两散射中心距离的方差作为稀疏度特征Sp
r
，如下：Sp
r
＝var(sp
D1
,sp
D2
)其中，sp
D1
为散射中心r与左散射中心间的距离，sp
D2
为散射中心r与右散射中心间的距离，var(sp
D1
,sp
D2
)为sp
D1
和sp
D2
的方差；
散射极化熵H及散射极化角α如下：散射极化熵H及散射极化角α如下：其中，λ1表示目标极窄脉冲回波片段的协方差矩阵的最大特征值，λ2表示目标极窄脉冲回波片段的协方差矩阵的第二大的特征值，i＝[1,2]，λ
i
表示目标极窄脉冲回波片段的协方差矩阵的第i个特征值；功率矩阵迹为：Span
r
＝|HH
r
|2+|VV
r
|2+|VH
r
|2+|HV
r
|2其中，HH
r
为散射中心r在HH极化方式下的幅度；VV
r
为散射中心r在HV极化方式下的幅度；VH
r
为散射中心r在VH极化方式下的幅度；HV
r
为散射中心r在HV极化方式下的幅度；极化比和极化相关系数为：极化比极化相关系数其中,<.>代表空间平均；上标*表示求共轭运算；j表示虚数，表示散射中心r在HH极化方式下的相位，表示散射中心r在VH极化方式下的相位，为求散射中心r在HH极化方式下的相位的指数函数，为求散射中心r在VH极化方式下的相位的指数函数。4.根据权利要求3所述的一种类别和特征辅助神经网络的极窄脉冲雷达目标识别方法，其特征在于：所述的步骤一中，散射中心的电磁特征知识通过词包模型生成目标特征表示矩阵的方法为：(1)将任一电磁特征知识用g表示，g＝1，2，
…
，z，根据数值间的差异将电磁特征知识g划分为k个不同的集合；(2)对于每个目标极窄脉冲回波数据，判断所有散射中心的电磁特征知识g属于步骤(1)中的哪个集合中；(3)对步骤(2)得到的每个聚类中心对应的判断结果进行统计，得到每个目标极窄脉冲回波数据的散射中心的电磁特征知识g属于不同聚类中心的概率值，并将这个维度为1
×
k的概率向量作为该目标极窄脉冲回波数据的电磁特征知识g的特征表示向量；
(4)重复步骤(1)～(3)，将得...

【专利技术属性】
技术研发人员：王彦华，韩畅，张亮，李阳，胡雪瑶，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：