【技术实现步骤摘要】
本专利技术涉及低空雷达目标识别，尤其涉及基于深度学习的单面阵低空雷达目标识别方法及系统。
技术介绍
1、随着科技的不断发展，低空领域的活动日益频繁，包括民用无人机、低空飞行的小型飞机等。这些低空目标的监测和识别对于国家安全、航空安全以及城市管理等方面都具有至关重要的意义。然而，传统的低空雷达目标识别方法面临着诸多挑战。
2、在过去，低空雷达目标识别主要依赖于人工分析和简单的信号处理技术。操作人员通过观察雷达屏幕上的回波信号，凭借经验判断目标的类型和位置。这种方法不仅效率低下，而且容易受到人为因素的影响，准确性和可靠性难以保证。同时，传统的信号处理算法通常基于固定的特征提取和模式识别方法，对于复杂多变的低空环境和目标类型适应性较差。
3、随着低空目标的多样化和复杂性不断增加，传统方法在面对以下问题时显得力不从心。首先，不同类型的目标具有不同的雷达反射特性，如金属材质的目标和非金属材质的目标回波信号差异较大。而且，目标的运动状态、姿态变化等也会对回波信号产生显著影响。传统方法难以有效地提取这些复杂的特征信息，导致目标识别准确率不高。
4、其次，低空环境中存在大量的杂波干扰，如建筑物、地形、飞鸟等反射的回波信号与目标回波信号相互交织，使得目标信号的提取和识别变得更加困难。传统的杂波抑制方法往往效果有限，无法完全消除杂波的影响，从而降低了目标检测和识别的性能。
5、此外，低空雷达目标的数量和密度不断增加，对目标识别系统的实时性和处理能力提出了更高的要求。传统方法在处理大量数据时速度较慢，难
6、为了解决这些问题，深度学习技术逐渐被引入到低空雷达目标识别领域。深度学习具有强大的自动特征提取和模式识别能力，可以从大量的数据中学习到目标的深层次特征，提高目标识别的准确率和可靠性。同时，深度学习算法可以通过不断的训练和优化，适应不同的低空环境和目标类型，具有较强的泛化能力。
7、然而，目前基于深度学习的低空雷达目标识别方法仍存在一些不足之处。例如，数据采集过程中可能存在数据质量不高、样本不平衡等问题；深度学习模型的训练需要大量的标注数据和计算资源，且训练时间较长；在实际应用中，系统的稳定性和实时性还有待进一步提高。
8、因此，开发一种基于深度学习的单面阵低空雷达目标识别方法及系统，有效地解决上述问题，提高低空雷达目标识别的准确性、实时性和可靠性，成为当前低空监测领域的迫切需求。
技术实现思路
1、本专利技术提出的基于深度学习的单面阵低空雷达目标识别方法及系统，以解决上述现有技术中提到的问题。
2、为了实现上述目的，本专利技术采用了如下技术方案：一种基于深度学习的单面阵低空雷达目标识别系统，包括：
3、数据采集模块，用于获取单面阵低空雷达回波信号数据，包括不同类型目标在多种环境下的回波数据。采集设备为高精度采样率和宽动态范围的雷达接收机，采样频率范围为100mhz至500mhz，动态范围为60db至100db。数据采集时间间隔依目标运动特性和监测需求设定，对于低速移动目标，如小型无人机以5m/s以下速度飞行时，采集时间间隔可适当延长至2秒；对于高速目标，如喷气式飞机以500m/s速度飞行时，采集时间间隔缩短至0.1秒。存储格式为特定二进制格式，采用lz77压缩算法进行数据压缩，以减少存储空间占用和提高数据传输效率。
4、数据预处理模块，对采集的雷达回波信号数据进行预处理，包括去噪、杂波抑制和数据归一化。采用自适应滤波算法去噪，根据噪声的功率谱密度特征自动调整滤波器参数。对于高斯噪声，采用维纳滤波，通过估计信号和噪声的功率谱密度，计算出最优滤波器系数。维纳滤波公式为：其中h(f)为滤波器频率响应，ss(f)为信号功率谱密度，sn(f)为噪声功率谱密度。对于椒盐噪声，采用中值滤波，将窗口内的像素值排序，取中值作为输出。对于混合噪声，采用自适应加权中值滤波，根据噪声类型和强度动态调整中值滤波窗口大小和权重。基于恒虚警率cfar检测技术进行杂波抑制，参考单元数量和保护单元数量依杂波环境动态调整。在海洋环境下，由于海浪反射因素，杂波较强，参考单元数量可设置为16至24，保护单元数量可设置为4至6；在城市环境下，建筑物反射会产生不同特性的杂波，参考单元数量调整为12至20，保护单元数量调整为3至5。通过线性或标准差归一化方法将数据归一化到[0,1]区间，若数据分布近似正态分布，采用标准差归一化，计算公式为：其中x为原始数据，μ为数据均值，σ为数据标准差；若数据分布范围较窄，采用线性归一化，计算公式为：其中x为原始数据，xmin为数据最小值，xmax为数据最大值。
5、特征提取模块，利用深度学习模型从预处理后的数据中自动提取特征。深度学习模型基于卷积神经网络cnn构建，包含多个卷积层、池化层和全连接层。卷积核大小为3×3至5×5，卷积层可采用不同激活函数，包括relu、leakyrelu或elu。relu激活函数公式为：f(x)＝max(0，x)，leakyrelu激活函数公式为：f(x)＝max(0.1x，x)，elu激活函数公式为：其中α为可调整参数，通常取1。池化层采用最大或平均池化操作，步长为2至3，池化窗口大小依数据特征和网络结构需求在2×2至4×4范围内调整。全连接层神经元数量依目标类别和特征维度确定，可添加dropout层，dropout概率设置为0.2至0.5，dropout操作在训练过程中随机将部分神经元的输出置为0，以防止过拟合。
6、目标识别模块，依据提取的特征对目标进行分类识别。采用支持向量机svm、随机森林rf或深度神经网络dnn分类算法，算法参数通过交叉验证和网格搜索方法优化。对于svm，采用不同的核函数，如线性核函数公式为：k(x，y)＝xty，径向基核函数公式为：k(x，y)＝exp(-γ||x-y||2)，其中γ为核函数参数，通过调整核函数参数和惩罚系数来优化分类性能。对于随机森林，设置决策树的数量为50至100，通过调整决策树的深度和分裂标准来提高分类准确率。对于深度神经网络dnn，调整网络层数、神经元数量和激活函数参数。识别结果包括目标类型、位置、速度及运动轨迹预测，目标位置计算采用公式：其中p(x，y，z)为目标位置坐标，ωi为权重系数，ri(x，y，z)为第i个特征或传感器提供的位置信息分量，n为参与位置计算的特征或传感器数量。目标速度计算采用公式：其中v为目标速度，fj为速度相关特征的影响因子，sj为第个速度相关特征值，δt为时间间隔。运动轨迹预测采用卡尔曼滤波算法，根据历史数据和目标运动模型进行预测。
7、模型训练与优化模块，用大量标注数据训练深度学习模型，不断优化模型参数提高识别准确率。训练数据标注由专业人员根据目标真实属性进行，标注信息包括目标类型、位置、速度。采用反向传播算法调整模型权重，优化方法包括随机梯度下降sgd、adagrad、adadelta。在sgd中，学习率调整策略为指数衰减，学习率公式为：ηt＝η0·本文档来自技高网...
【技术保护点】
1.一种基于深度学习的单面阵低空雷达目标识别系统，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的单面阵低空雷达目标识别系统，其特征在于，数据采集模块的雷达接收机天线具有特定极化方式，包括水平极化、垂直极化或圆极化，根据目标特性和环境条件自动切换或同时接收多种极化方式的回波信号，提高目标信息获取能力，对于金属目标，采用水平极化方式获取回波信号；对于非金属目标，采用圆极化方式获取回波信号，在复杂环境中，同时接收多种极化方式的回波信号。
3.根据权利要求1所述的基于深度学习的单面阵低空雷达目标识别系统，其特征在于，数据预处理模块在去噪过程中，根据噪声类型自动选择合适滤波算法，高斯噪声采用维纳滤波，椒盐噪声采用中值滤波，混合噪声采用自适应加权中值滤波；杂波抑制过程中，CFAR检测技术的参考单元数量和保护单元数量依杂波环境动态调整，参考单元数量范围为8至32，保护单元数量范围为2至8。
4.根据权利要求1所述的基于深度学习的单面阵低空雷达目标识别系统，其特征在于，特征提取模块的深度学习模型中，卷积层可采用不同激活函数，包括ReLU、Leaky
5.一种基于深度学习的单面阵低空雷达目标识别方法，其特征在于，包括以下步骤：
6.根据权利要求5所述的基于深度学习的单面阵低空雷达目标识别方法，其特征在于，在数据采集步骤中，对于距离大于50千米的目标或雷达反射截面积小于1平方米的目标，采用增加雷达发射功率、延长积分时间或采用多脉冲积累技术方法提高回波信号强度，确保目标信息有效采集，发射功率在原有基础上增加5dB，积分时间延长至50ms，多脉冲积累数量为8。
7.如权利要求5所述的基于深度学习的单面阵低空雷达目标识别方法，其特征在于，数据预处理步骤中，归一化处理可根据数据分布特点选择合适方法，若数据近似正态分布采用标准差归一化，若数据分布范围较窄采用线性归一化，使数据在后续处理中具有稳定性和一致性。
...【技术特征摘要】
1.一种基于深度学习的单面阵低空雷达目标识别系统，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的单面阵低空雷达目标识别系统，其特征在于，数据采集模块的雷达接收机天线具有特定极化方式，包括水平极化、垂直极化或圆极化，根据目标特性和环境条件自动切换或同时接收多种极化方式的回波信号，提高目标信息获取能力，对于金属目标，采用水平极化方式获取回波信号；对于非金属目标，采用圆极化方式获取回波信号，在复杂环境中，同时接收多种极化方式的回波信号。
3.根据权利要求1所述的基于深度学习的单面阵低空雷达目标识别系统，其特征在于，数据预处理模块在去噪过程中，根据噪声类型自动选择合适滤波算法，高斯噪声采用维纳滤波，椒盐噪声采用中值滤波，混合噪声采用自适应加权中值滤波；杂波抑制过程中，cfar检测技术的参考单元数量和保护单元数量依杂波环境动态调整，参考单元数量范围为8至32，保护单元数量范围为2至8。
4.根据权利要求1所述的基于深度学习的单面阵低空雷达目标识别系统，其特征在于，特征提取模块...
【专利技术属性】
技术研发人员：柳桃荣，王志远，
申请(专利权)人：火眼晶晶科技有限公司，
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。