【技术实现步骤摘要】
本专利技术涉及无线电定位，特别涉及结合低空雷达ai算法的无人机识别追踪方法。
技术介绍
1、随着无人机技术的快速发展与无人机数量的增加，对无人机的识别和分析对于低空安全至关重要，低空雷达作为一种有效的探测设备，能够在低空环境中高效地探测无人机等飞行物体，并提供实时数据。然而，现有的雷达探测技术仅能提供物体的位置、速度等基本信息，存在缺乏对复杂环境中无人机的精确识别与追踪能力的技术问题。
技术实现思路
1、本专利技术提供结合低空雷达ai算法的无人机识别追踪方法，以解决现有技术中缺乏对复杂环境中无人机的精确识别与追踪能力的技术问题，实现提高无人机识别准确性与追踪稳定性的技术效果。
2、本专利技术提供的结合低空雷达ai算法的无人机识别追踪方法，包括：
3、确定目标场景的目标雷达频段，并通过相控阵列天线以所述目标雷达频段进行雷达探测，接收雷达回波信息。
4、对所述雷达回波信息进行时频域转换，获取目标频域数据，并分析所述目标频域数据进行直观特征提取，获取目标无人机的直观特征数据。
5、基于所述直观特征数据进行目标无人机的图像还原，获取目标雷达图像，并基于预设的图像特征指标集对所述目标雷达图像进行特征工程处理，获取图像特征数据。
6、构建并训练基于ai算法的无人机识别模型，并将所述直观特征数据与所述图像特征数据输入训练后的所述无人机识别模型进行目标识别，获取无人机识别结果。
7、根据所述无人机识别结果进行目标无人机的连续识
8、在一种可行的实现方式中，确定目标场景的目标雷达频段，包括：
9、交互目标区域的无人机管理系统，获取区域无人机存量信息。
10、根据所述区域无人机存量信息进行聚类划分，获取多个无人机样本信息簇。
11、解析目标区域的无人机识别追踪需求，调用多个所述无人机样本信息簇的特征信息为目标特征信息，进行基于分辨率与探测范围的频段筛选，确定所述目标雷达频段。
12、在一种可行的实现方式中，对所述雷达回波信息进行时频域转换，获取目标频域数据，并分析所述目标频域数据进行直观特征提取，获取目标无人机的直观特征数据，包括：
13、通过匹配滤波器，对所述雷达回波信息进行匹配滤波，获取回波时间并计算目标无人机的距离特征。
14、基于傅里叶变换对雷达回波信息进行时频域转换，获取所述目标频域数据，分析提取所述目标频域数据的频偏数据，并结合多普勒效应转换所述频偏数据为目标无人机的速度特征。
15、提取所述雷达回波信息的相位差，计算获取目标无人机的方向特征。
16、根据匹配滤波结果，获取所述雷达回波信息的回波功率，结合所述回波功率与所述方向特征，计算获取目标无人机的反射强度特征。
17、在一种可行的实现方式中，基于所述直观特征数据进行目标无人机的图像还原，获取目标雷达图像，并基于预设的图像特征指标集对所述目标雷达图像进行特征工程处理，获取图像特征数据，包括：
18、基于图像重建技术，根据所述直观特征数据的所述距离特征、所述速度特征、所述方向特征与所述反射强度特征进行图像还原，获取目标无人机的三维图像和/或二维图像，输出为所述目标雷达图像。
19、对所述目标雷达图像进行图像增强，并基于增强后的所述目标雷达图像进行特征提取，生成所述图像特征数据，其中，所述图像特征数据至少包括纹理特征、形状特征、空间特征。
20、在一种可行的实现方式中，构建并训练基于ai算法的无人机识别模型，包括：
21、以所述区域无人机存量信息为匹配目标，采集同源识别记录，并对所述同源识别记录进行真值标记，获取样本数据集，其中，所述样本数据集包括关联的样本直观特征数据、样本图像特征数据与样本无人机识别结果。
22、以所述样本数据集为样本空间进行随机提取，获取多个样本数据子集，其中，多个所述样本数据子集为所述样本数据集的真子集。
23、基于多个所述样本数据子集，构建训练多个基于深度学习的弱识别网络，其中，每个所述弱识别网络通过随机选取的所述样本数据子集训练。
24、通过集成学习方法，对多个所述弱识别网络进行训练和优化，获取所述无人机识别模型。
25、在一种可行的实现方式中，构建并训练基于ai算法的无人机识别模型，之后，还包括：
26、基于主成分分析法，分析确定多个所述弱识别网络对正确识别记录的贡献度，获取贡献度集，其中，所述贡献度关联标记有识别任务类别标记。
27、以所述识别任务类别标记为聚类约束，对所述贡献度集进行聚类划分，获取多个工况聚类簇。
28、序列化多个所述工况聚类簇，并根据序列化结果构建多个工况识别网络序列，其中，所述工况识别网络序列包括多个贡献度降序的所述弱识别网络。
29、遍历多个所述工况识别网络序列进行累积贡献度计算，并提取满足累积贡献度阈值的多个所述弱识别网络，输出为多个分类器调用表单。
30、在一种可行的实现方式中，所述方法还包括：
31、获取所述无人机识别模型的模型验证记录数据。
32、基于所述模型验证记录数据对图像特征指标集进行主成分分析，获取多个识别任务类型对应的关键特征组，输出为多个特征指标调用表单。
33、基于多个所述特征指标调用表单，进行所述图像特征指标集的特征调用优化。
34、在一种可行的实现方式中，所述方法还包括：
35、基于获取的无人机识别结果，访问所述无人机管理系统，提取目标无人机的本征参数信息。
36、根据所述本征参数信息，动态优化相控阵列天线的波束宽度与扫描频率，并根据优化后的波束宽度与扫描频率进行目标无人机的连续识别。
37、本专利技术公开了结合低空雷达ai算法的无人机识别追踪方法，包括：确定目标场景的目标雷达频段，并通过相控阵列天线以目标雷达频段进行雷达探测，接收雷达回波信息；对雷达回波信息进行时频域转换，获取目标频域数据，并分析目标频域数据进行直观特征提取，获取目标无人机的直观特征数据；基于直观特征数据进行目标无人机的图像还原，获取目标雷达图像，并基于预设的图像特征指标集对目标雷达图像进行特征工程处理，获取图像特征数据；构建并训练基于ai算法的无人机识别模型，并将直观特征数据与图像特征数据输入训练后的无人机识别模型进行目标识别，获取无人机识别结果；根据无人机识别结果进行目标无人机的连续识别，获取目标无人机的追踪轨迹，其中，追踪轨迹包括历经轨迹与预估轨迹。本专利技术公开的结合低空雷达ai算法的无人机识别追踪方法解决了缺乏对复杂环境中无人机的精确识别与追踪能力的技术问题，实现了提高无人机识别准确性与追踪稳定性的技术效果。
本文档来自技高网...【技术保护点】
1.结合低空雷达AI算法的无人机识别追踪方法，其特征在于，所述方法包括：
2.如权利要求1所述的结合低空雷达AI算法的无人机识别追踪方法，其特征在于，确定目标场景的目标雷达频段，包括：
3.如权利要求2所述的结合低空雷达AI算法的无人机识别追踪方法，其特征在于，对所述雷达回波信息进行时频域转换，获取目标频域数据，并分析所述目标频域数据进行直观特征提取，获取目标无人机的直观特征数据，包括：
4.如权利要求3所述的结合低空雷达AI算法的无人机识别追踪方法，其特征在于，基于所述直观特征数据进行目标无人机的图像还原，获取目标雷达图像，并基于预设的图像特征指标集对所述目标雷达图像进行特征工程处理，获取图像特征数据，包括：
5.如权利要求4所述的结合低空雷达AI算法的无人机识别追踪方法，其特征在于，构建并训练基于AI算法的无人机识别模型，包括：
6.如权利要求5所述的结合低空雷达AI算法的无人机识别追踪方法，其特征在于，构建并训练基于AI算法的无人机识别模型，之后，还包括：
7.如权利要求1所述的结合低空雷达AI算法的无
8.如权利要求2所述的结合低空雷达AI算法的无人机识别追踪方法，其特征在于，所述方法还包括：
...【技术特征摘要】
1.结合低空雷达ai算法的无人机识别追踪方法，其特征在于，所述方法包括：
2.如权利要求1所述的结合低空雷达ai算法的无人机识别追踪方法，其特征在于，确定目标场景的目标雷达频段，包括：
3.如权利要求2所述的结合低空雷达ai算法的无人机识别追踪方法，其特征在于，对所述雷达回波信息进行时频域转换，获取目标频域数据，并分析所述目标频域数据进行直观特征提取，获取目标无人机的直观特征数据，包括：
4.如权利要求3所述的结合低空雷达ai算法的无人机识别追踪方法，其特征在于，基于所述直观特征数据进行目标无人机的图像还原，获取目标雷达图像，并基于...
【专利技术属性】
技术研发人员：黄杰武，梁正直，柯志强，陈启燊，
申请(专利权)人：深圳市雅诺讯科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。