【技术实现步骤摘要】
本专利技术涉及雷达信息处理领域，是一种雷达目标场景分类的实现方法。
技术介绍
1、在新体制雷达的应用过程中，一般会采用多种长时脉冲积累算法。对于单目标回波和多目标回波，积累算法的复杂度有所不同。为减轻后续处理压力，需要在采用长时脉冲积累算法前对目标回波中是否存在多目标进行预判，以此减轻雷达系统的计算压力。然而，在目标信噪比较低的情况下，传统的场景分类方法很难提升分类准确性，从而影响了预判方法的实际应用。
技术实现思路
1、为解决现有技术中存在的问题，本专利技术提出了一种基于复流形神经网络的雷达单-多目标场景分类方法，用以判断低信噪比情况下特定雷达回波序列中隐藏目标的个数类型。本专利技术针对部分长时脉冲积累算法复杂度高的问题，在采用长时脉冲积累算法之前对目标回波中是否存在多目标进行预判，通过搭建复流形神经网络、构建训练数据集、训练并部署网络的方式，利用复流形神经网络来判断雷达回波时间序列中是否存在多个目标，为后续算法的选择提供参考，以此达到减轻雷达系统的计算压力的目的。
2、本专利技术提出了一种基于复流形神经网络的雷达单-多目标场景分类方法，利用复流形神经网络来判断雷达回波时间序列中是否存在多个目标，采用的技术方案包括：
3、步骤1：搭建复流形神经网络；
4、步骤2：通过实测试验或模拟仿真的方法构建训练数据集；
5、步骤3：采用反向传播算法在训练数据集上训练复流形神经网络；
6、步骤4：部署训练后的复流形神经网络模型。>
7、进一步的，复流形神经网络采用按照下式定义的复流形距离替代经典的欧几里得距离：
8、
9、其中，z1和z2为复数数据，且：
10、
11、其中，f为复平面到流形空间r+×so(2)的双射映射，其中r+是正实数流形，so(2)是平面旋转流形，θ为z的幅角主值，矩阵对数logm由下式中的expm(·)定义：
12、
13、进一步的，复流形神经网络采用按照下式定义的加权frechet平均替代经典神经网络中的卷积算子：
14、
15、式中，{wk}是一组待训练的权重因子，zk为待求加权frechet平均的数据，m为复平面上的一点。
16、进一步的，复流形网络的核心组件包括：特征提取模块、距离变换模块、经典特征挖掘与分类模块。
17、进一步的，所述特征提取模块由多个加权frechet平均算子层或者加权frechet平均算子层与激活函数的组合层构成。所述距离变换模块的步骤包括：
18、(1)计算特定通道所有特征值的加权frechet平均，权重因子待学习；
19、(2)计算特定通道所有特征值到该加权frechet平均值的流形距离，并用该距离取代该特征值。
20、进一步的，步骤1中的雷达回波时间序列，为沿着快时间维或者慢时间维的雷达回波数据，数据形式为包含实部和虚部的雷达iq数据，该数据中存在单个或多个目标以及背景扰动。步骤2中的神经网络在结构上表现为一维卷积神经网络，输入为雷达回波时间序列的实部、虚部或复数数据，输出为一分类器结构，给出回波是否属于多目标场景的分类结果。
21、本专利技术的有益效果包括：
22、(1)将复流形理论应用在电磁信号中目标单、多场景的分类中，能够有效增强模型从复数数据中挖掘信息的能力；
23、(2)所采用的神经网络规模有限，能够以较小的计算资源成本为后续算法的选择提供支撑。
本文档来自技高网...【技术保护点】
1.一种基于复流形神经网络的雷达单-多目标场景分类方法，其特征在于：利用复流形神经网络来判断雷达回波时间序列中是否存在多个目标，包括：
2.根据权利要求1所述的一种基于复流形神经网络的雷达单-多目标场景分类方法，其特征在于：复流形神经网络采用按照下式定义的复流形距离替代经典的欧几里得距离：
3.根据权利要求2所述的一种基于复流形神经网络的雷达单-多目标场景分类方法，其特征在于：所述复流形神经网络采用按照下式定义的加权Frechet平均替代经典神经网络中的卷积算子：
4.根据权利要求3所述的一种基于复流形神经网络的雷达单-多目标场景分类方法，其特征在于：复流形神经网络的核心组件包括：特征提取模块、距离变换模块、经典特征挖掘与分类模块。
5.根据权利要求4所述的一种基于复流形神经网络的雷达单-多目标场景分类方法，其特征在于：所述特征提取模块由多个加权Frechet平均算子层或者加权Frechet平均算子层与激活函数的组合层构成。
6.根据权利要求4所述的一种基于复流形神经网络的雷达单-多目标场景分类方法，其特征在于：所述距离
7.根据权利要求1所述的一种基于复流形神经网络的雷达单-多目标场景分类方法，其特征在于：所述步骤1中的雷达回波时间序列，为沿着快时间维或者慢时间维的雷达回波数据，数据形式为包含实部和虚部的雷达IQ数据，所述雷达IQ数据中存在单个或多个目标以及背景扰动。
8.根据权利要求1所述的一种基于复流形神经网络的雷达单-多目标场景分类方法，其特征在于：所述步骤2中的神经网络在结构上表现为一维卷积神经网络，输入为雷达回波时间序列的实部、虚部或复数数据，输出为一分类器结构，给出回波是否属于多目标场景的分类结果。
...【技术特征摘要】
1.一种基于复流形神经网络的雷达单-多目标场景分类方法，其特征在于：利用复流形神经网络来判断雷达回波时间序列中是否存在多个目标，包括：
2.根据权利要求1所述的一种基于复流形神经网络的雷达单-多目标场景分类方法，其特征在于：复流形神经网络采用按照下式定义的复流形距离替代经典的欧几里得距离：
3.根据权利要求2所述的一种基于复流形神经网络的雷达单-多目标场景分类方法，其特征在于：所述复流形神经网络采用按照下式定义的加权frechet平均替代经典神经网络中的卷积算子：
4.根据权利要求3所述的一种基于复流形神经网络的雷达单-多目标场景分类方法，其特征在于：复流形神经网络的核心组件包括：特征提取模块、距离变换模块、经典特征挖掘与分类模块。
5.根据权利要求4所述的一种基于复流形神经网络的雷达单-多目标场景分类方法，其特...
【专利技术属性】
技术研发人员：杨昊成，冷鹏飞，房善婷，匡华星，王犇，张玉涛，
申请(专利权)人：中国船舶集团有限公司第七二四研究所，
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。