目标散射中心结构类型的确定方法、装置及电子设备

技术领域

本发明涉及目标散射技术领域，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。

背景技术

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。

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。

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。

发明内容

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，本发明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。

第一方面，本发明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：

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。

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。

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：

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。

在一种可能的设计中，所述GTD模型的计算公式为：

式中，y

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：

式中，E

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：

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；

对所述神经网络模型进行优化；

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。

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：

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。

第二方面，本发明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：

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；

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；

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；

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；

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。

第三方面，本发明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。

第四方面，本发明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。

本发明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，本发明能够准确确定目标散射中心的结构类型。

附图说明

为了更清楚地说明本发明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发明的一些实施例，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。

图1是本发明一实施例提供的一种目标散射中心结构类型的确定方法流程图；

图2是本发明一实施例提供的一种电子设备的硬件架构图；

图3是本发明一实施例提供的一种目标散射中心结构类型的确定装置结构图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面描述以上构思的具体实现方式。

请参考图1，本发明实施例提供了一种目标散射中心结构类型的确定方法，该方法包括：

步骤100，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；

步骤102，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；

步骤104，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；

步骤106，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；

步骤108，基于类型概率，确定待测目标中每个散射中心的结构类型。

本发明实施例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，本发明能够准确确定目标散射中心的结构类型。

在一些实施方式中，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。

在一些实施方式中，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：

步骤A1，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；

步骤A2，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；

步骤A3，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；

步骤A4，将得到的每个一维子距离像进行拼接，得到已知目标雷达回波数据的一维距离像。

针对步骤A1，在一些实施方式中，GTD模型的计算公式为：

式中，y

在一些实施方式中，类型参数α

此外，基于GTD模型生成的雷达回波数据为宽带数据，为了精确获得回波数据的一维距离像，需要对回波数据进行子带分割，然后分别生成每个子带的一维距离像。

针对步骤A2，在一些实施方式中，子带分割是通过如下方式实现的：

设y

定义步进中心频率为Δf

以f

以此类推，直至以f

针对步骤A3，在一些实施方式中，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

针对步骤A4，在一些实施方式中，将每个一维距离像列向量E

在一些实施方式中，将已知目标一维距离像中每个距离单元的类型概率作为预先构建的神经网络模型的网络标签Label(j，k)，该网络标签是一J×6的稀疏矩阵，当该距离单元不存在散射中心时，该行第一列取值为1，其余列取值为0。当该距离单元存在散射中心时，该散射中心类型对应的那一列取值为1，其余列取值为0。该网络标签的表达式如下：

Label(j，k)＝1；

其中，

式中，r

在一些实施方式中，结构类型估计模型是通过如下方式确定的：

步骤B1，构建神经网络模型；其中，神经网络包括依次连接的第一层、第二层、第三层和第四层，第一层和第二层的通道数为一个，第三层的通道数与结构类型的类型数量相同，第四层为Softmax层；

步骤B2，对神经网络模型进行优化；

步骤B3，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。

在步骤B1中，第一层和第二层为通道数为1的卷积层，卷积核尺寸为3*3，步长为1*3，填充为(2，0)，经过两层卷积后输出矩阵Output

第四层为Softmax层，该层的作用是将Output

针对步骤B2，在一些实施方式中，对神经网络模型进行优化，包括：

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神经网络模型进行优化。

在该步骤中，交叉熵损失函数的表达式为：

其中，k为网络标签Label中等于1的列，即Label(j，k)＝1，

针对步骤B3，在一些实施方式中，基于损失函数对神经网络模型进行训练，其中，网络优化方法采用随机梯度下降法，对应的参数更新公式为：

式中，θ

设定代价函数的阈值为δ，当Loss＜δ时，停止神经网络模型的训练。

最后，针对步骤108，Output

如图2、图3所示，本发明实施例提供了一种目标散射中心结构类型的确定装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图2所示，为本发明实施例提供的一种目标散射中心结构类型的确定装置所在电子设备的一种硬件架构图，除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图3所示，作为一个逻辑意义上的装置，是通过其所在电子设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。本实施例提供的一种目标散射中心结构类型的确定装置，包括：

分割模块300，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；

变换模块302，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；

拼接模块304，用于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；

输入模块306，用于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；

确定模块308，用于基于类型概率，确定待测目标中每个散射中心的结构类型。

在本发明实施例中，分割模块300可用于执行上述方法实施例中的步骤100，变换模块302可用于执行上述方法实施例中的步骤102，拼接模块304可用于执行上述方法实施例中的步骤104，输入模块306可用于执行上述方法实施例中的步骤106，确定模块308可用于执行上述方法实施例中的步骤108。

在一些实施方式中，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。

在一些实施方式中，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，得到已知目标雷达回波数据的一维距离像。

在一些实施方式中，GTD模型的计算公式为：

式中，y

在一些实施方式中，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

在一些实施方式中，结构类型估计模型是通过如下方式确定的：

构建神经网络模型；其中，神经网络包括依次连接的第一层、第二层、第三层和第四层，第一层和第二层的通道数为一个，第三层的通道数与结构类型的类型数量相同，第四层为Softmax层；

对神经网络模型进行优化；

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。

在一些实施方式中，对神经网络模型进行优化，包括：

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神经网络模型进行优化。

可以理解的是，本发明实施例示意的结构并不构成对一种目标散射中心结构类型的确定装置的具体限定。在本发明的另一些实施例中，一种目标散射中心结构类型的确定装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。

上述装置内的各模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。

本发明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，实现本发明任一实施例中的一种目标散射中心结构类型的确定方法。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在被处理器执行时，使所述处理器执行本发明任一实施例中的一种目标散射中心结构类型的确定方法。

具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。

在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。

用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。

此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。

此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。

需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。