目标散射中心结构类型的确定方法、装置及电子设备制造方法及图纸

本发明专利技术实施例提供了一种目标散射中心结构类型的确定方法、装置及电子设备，方法包括：对待测目标的雷达回波数据进行子带分割，得到多个子带数据；对得到的每个子带数据分别进行傅里叶变换，得到每个子带数据的一维子距离像；将得到的每个一维子距离像进行拼接，得到待测目标雷达回波数据的一维距离像；将待测目标雷达回波数据的一维距离像输入预先训练好的结构类型估计模型中，得到一维距离像中每个距离单元的类型概率；其中，结构类型估计模型是对预先构建的神经网络模型进行训练得到的；基于类型概率，确定待测目标中每个散射中心的结构类型。本发明专利技术，能够准确确定目标散射中心的结构类型。的结构类型。的结构类型。

【技术实现步骤摘要】
目标散射中心结构类型的确定方法、装置及电子设备


[0001]本专利技术涉及目标散射
，特别涉及一种目标散射中心结构类型的确定方法、装置及电子设备。

技术介绍

[0002]几何绕射理论模型(Geometrical Theory of Diffraction，GTD)是一种描述高频电磁散射机理的数学模型，它对目标在高频区散射特性的刻画最为准确。该模型将散射中心幅度的频率依赖性描述为频率的半整数次幂函数的形式，且幂次的不同取值对应着不同的散射中心结构，因此该半整数次幂又被称为类型参数。因此，只要估计出目标GTD模型的类型参数，就可以确定出目标散射中心的结构类型。
[0003]然而，随着GTD模型维数的增加，虽然其对目标电磁散射特性刻画的准确度提高，但运算复杂度以及参数估计的难度也随之增大。相关技术很难准确估计GTD模型的类型参数，导致无法准确确定目标散射中心的结构类型。
[0004]因此，目前亟待需要一种目标散射中心结构类型的确定方法、装置及电子设备来解决上述问题。

技术实现思路

[0005]基于现有方法无法准确确定目标散射中心结构类型的问题，本专利技术提供了一种目标散射中心结构类型的确定方法、装置及电子设备，能够准确确定目标散射中心的结构类型。
[0006]第一方面，本专利技术实施例提供了一种目标散射中心结构类型的确定方法，包括：
[0007]对待测目标的雷达回波数据进行子带分割，得到多个子带数据；
[0008]对得到的每个子带数据分别进行傅里叶变换，得到每个子带数据的一维子距离像；
[0009]将得到的每个一维子距离像进行拼接，得到所述待测目标雷达回波数据的一维距离像；
[0010]将所述待测目标雷达回波数据的一维距离像输入预先训练好的结构类型估计模型中，得到所述一维距离像中每个距离单元的类型概率；其中，所述结构类型估计模型是以已知目标雷达回波数据的一维距离像作为输入、以已知目标一维距离像中每个距离单元的类型概率作为输出，对预先构建的神经网络模型进行训练得到的；
[0011]基于所述类型概率，确定所述待测目标中每个散射中心的结构类型。
[0012]在一种可能的设计中，所述结构类型包括尖角结构、曲边缘结构、直边缘结构、单弯曲曲面结构和平面结构。
[0013]在一种可能的设计中，所述已知目标雷达回波数据的一维距离像是通过如下方式得到的：
[0014]基于已知目标的结构类型，利用GTD模型生成该已知目标的宽带雷达回波数据；
[0015]将生成的宽带雷达回波数据进行子带分割，得到多个子带数据；
[0016]对得到的每个子带数据分别进行傅里叶变换，得到每个子带数据的一维子距离像；
[0017]将得到的每个一维子距离像进行拼接，得到所述已知目标雷达回波数据的一维距离像。
[0018]在一种可能的设计中，所述GTD模型的计算公式为：
[0019][0020]式中，y
n
为雷达回波数据，k
n
为波数，k
c
为中心波数，f
n
为雷达观测频率，f
c
为中心频率，c为光速，M为散射中心个数，A
m
为第m个散射中心的散射幅度系数，r
m
为第m个散射中心的径向位置，α
m
为类型参数，e
n
为测量噪声，N
z
为总频点数。
[0021]在一种可能的设计中，采用如下公式对得到的每个子带数据进行傅里叶变换：
[0022][0023]式中，E
i
为第i个子带数据的一维距离像，y
i
(n)为第i个子带数据，r
j
为距离像的第j个距离单元，J为距离单元总个数。
[0024]在一种可能的设计中，所述结构类型估计模型是通过如下方式确定的：
[0025]构建神经网络模型；其中，所述神经网络包括依次连接的第一层、第二层、第三层和第四层，所述第一层和所述第二层的通道数为一个，所述第三层的通道数与所述结构类型的类型数量相同，所述第四层为Softmax层；
[0026]对所述神经网络模型进行优化；
[0027]利用已知目标雷达回波数据的一维距离像和已知目标一维距离像中每个距离单元的类型概率对优化后的神经网络模型进行训练，得到结构类型估计模型。
[0028]在一种可能的设计中，所述对所述神经网络模型进行优化，包括：
[0029]采用交叉熵损失函数作为代价函数和采用随机梯度下降法对所述神经网络模型进行优化。
[0030]第二方面，本专利技术实施例还提供了一种目标散射中心结构类型的确定装置，包括：
[0031]分割模块，用于对待测目标的雷达回波数据进行子带分割，得到多个子带数据；
[0032]变换模块，用于对得到的每个子带数据分别进行傅里叶变换，得到每个子带数据的一维子距离像；
[0033]拼接模块，用于将得到的每个一维子距离像进行拼接，得到所述待测目标雷达回波数据的一维距离像；
[0034]输入模块，用于将所述待测目标雷达回波数据的一维距离像输入预先训练好的结构类型估计模型中，得到所述一维距离像中每个距离单元的类型概率；其中，所述结构类型估计模型是以已知目标雷达回波数据的一维距离像作为输入、以已知目标一维距离像中每个距离单元的类型概率作为输出，对预先构建的神经网络模型进行训练得到的；
[0035]确定模块，用于基于所述类型概率，确定所述待测目标中每个散射中心的结构类型。
[0036]第三方面，本专利技术实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本说明书任一实施例所述的方法。
[0037]第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本说明书任一实施例所述的方法。
[0038]本专利技术实施例提供了一种目标散射中心结构类型的确定方法、装置及电子设备，该方法首先构建结构类型估计模型，然后利用已知目标样本对该结构类型估计模型进行训练，得到训练好的稀疏估计模型。如此，对于待测目标的雷达回波数据，只要对其进行预处理得到其一维距离像，然后将该一维距离像输入至该结构类型估计模型中，就可以得到该一维距离像中每个距离单元的类型概率。最后，根据该类型概率，就可以确定出待测目标中每个散射中心的结构类型。由此可见，本专利技术能够准确确定目标散射中心的结构类型。
附图说明
[0039]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0040]图1是本专利技术一实施例提供的一种目标散本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标散射中心结构类型的确定方法，其特征在于，包括：对待测目标的雷达回波数据进行子带分割，得到多个子带数据；对得到的每个子带数据分别进行傅里叶变换，得到每个子带数据的一维子距离像；将得到的每个一维子距离像进行拼接，得到所述待测目标雷达回波数据的一维距离像；将所述待测目标雷达回波数据的一维距离像输入预先训练好的结构类型估计模型中，得到所述一维距离像中每个距离单元的类型概率；其中，所述结构类型估计模型是以已知目标雷达回波数据的一维距离像作为输入、以已知目标一维距离像中每个距离单元的类型概率作为输出，对预先构建的神经网络模型进行训练得到的；基于所述类型概率，确定所述待测目标中每个散射中心的结构类型。2.根据权利要求1所述的方法，其特征在于，所述结构类型包括尖角结构、曲边缘结构、直边缘结构、单弯曲曲面结构和平面结构。3.根据权利要求2所述的方法，其特征在于，所述已知目标雷达回波数据的一维距离像是通过如下方式得到的：基于已知目标的结构类型，利用GTD模型生成该已知目标的宽带雷达回波数据；将生成的宽带雷达回波数据进行子带分割，得到多个子带数据；对得到的每个子带数据分别进行傅里叶变换，得到每个子带数据的一维子距离像；将得到的每个一维子距离像进行拼接，得到所述已知目标雷达回波数据的一维距离像。4.根据权利要求3所述的方法，其特征在于，所述GTD模型的计算公式为：式中，y
n
为雷达回波数据，k
n
为波数，k
c
为中心波数，f
n
为雷达观测频率，f
c
为中心频率，c为光速，M为散射中心个数，A
m
为第m个散射中心的散射幅度系数，r
m
为第m个散射中心的径向位置，α
m
为类型参数，e
n
为测量噪声，N
z
为总频点数。5.根据权利要求4所述的方法，其特征在于，采用如下公式对得到的每个子带数据进行傅里叶变换：式中，E
i
...

【专利技术属性】
技术研发人员：邢笑宇，朱晨曦，霍超颖，满良，
申请(专利权)人：北京环境特性研究所，
类型：发明
国别省市：