基于谐振散射回波信号的雷达目标识别方法
文献发布时间:2023-06-19 10:19:37
技术领域
本发明涉及雷达目标智能识别技术,尤其涉及一种基于雷达目标谐振散射回波的雷达目标识别方法。
背景技术
现代战争对武器系统的信息化、智能化程度要求越来越高,要求雷达系统具有全空域监视能力、快速反应能力和准确的目标分类和识别能力。雷达自动目标识别技术可以提供目标类别、属性等信息,对于提高军队的指挥、自动化水平,增强电子对抗、精确制导、敌我识别、防空反导、空间探测、情报获取及战略预警能力具有十分重要的作用。美、俄等军事强国均把它作为发展未来智能化武器系统的重点和应首先突破的关键技术,我国要增强打赢信息化局部战争的能力,也必须大力发展雷达目标识别技术的研究。
现代战争中的雷达目标大量采用隐身技术,使得此类目标的雷达回波信号十分微弱,对此类目标的准确识别极其困难。目前雷达目标的隐身设计主要通过赋形和采用雷达吸波材料两种手段实现,赋形的目的在于通过修整飞行器的外形,使其在雷达主要威胁方向上获得后向散射的缩减;雷达吸波材料能吸收和衰减入射的电磁波,并将电磁能转换成热能而耗散掉。研究表明,赋形通常只对微波段雷达有效,而雷达吸波材料也只在特定的频率范围有效,对于谐振区,这些手段起到的降低可观测性作用不大。因此,研究基于谐振回波信号的雷达目标智能识别技术具有重要意义。
发明内容
本发明提出了一种基于谐振散射回波信号的雷达目标识别方法,解决了现有技术中低可观测雷达目标识别难、速度慢的问题,为低可观测雷达目标快速识别提供技术手段。
为了达到上述目的,本发明提出了一种基于谐振散射回波信号的雷达目标识别方法,包含以下步骤:
S1、利用时域有限差分算法获取已知类别的典型雷达目标的谐振散射回波信号,并建立典型雷达目标谐振散射回波数据库;
S2、建立以典型雷达目标谐振散射回波数据库为输入、以典型雷达目标类别作为输出的深度神经网络模型,并结合向后传播模型解算深度神经网络模型的网络参数;
S3、获取被测雷达目标的谐振散射回波信号,并作为步骤S2中解算得到网络参数的深度神经网络模型的输入,从而得到被测雷达目标的类型。
进一步地,所述步骤S2包含以下步骤:
S2.1、建立以卷积神经网络为核心的多层深度神经网络模型;
S2.2、对典型雷达目标谐振散射回波数据库进行归一化处理,并作为训练样本对深度神经网络模型进行训练;
S2.3、建立雷达目标标签,并结合步骤S2.2中深度神经网络模型的输出形成代价函数;
S2.4、采用自适应矩估计方法对代价函数进行解算,并利用指数下降的步长更新策略获取深度神经网络的网络参数。
进一步地,所述多层深度神经网络模型是卷积神经网络的多层结构,每层卷积神经网络之间采用tanh函数进行非线性运算,深度神经网络模型的输出层采用sigmod进行非线性运算。
进一步地,对典型雷达目标谐振散射回波数据库进行归一化处理,包括:按照典型雷达目标几何长度的4倍所对应的电磁波传播时间进行典型雷达目标谐振回波信号的加权平均。
进一步地,所述步骤S2.3中,利用one-hot方法建立N×1维的雷达目标标签,其中与雷达目标类别对应位置处的标签值为1,其他位置处的标签值为0。
进一步地,所述代价函数为:
式中,C为雷达目标类别的输出概率,y
进一步地,所述步骤S2.4中,自适应矩估计方法的计算公式为:
v
s
I
其中,β
所述指数下降的步长更新方法为:
η
式中,a为初始更新长度,a=1.0e
本发明具有以下优势:
本发明结合人工神经网络技术,以雷达目标谐振散射回波信号为输入,基于深度神经网络模型,实现目标的快速分类与识别,分类精度达92%以上,处理时间提升5倍以上,解决了现有技术中低可观测雷达目标识别难的问题,极大了提高了雷达目标的识别速度。
附图说明
图1为基于谐振散射回波信号的雷达目标识别方法的流程图;
图2为时域有限差分算法离散单元Yee网格的示意图;
图3为典型雷达目标的谐振回波信号的波形图;
图4为三层深度神经网络模型的结构示意图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。根据下面说明和权利要求书,本发明的优点和特征将更清楚。需说明的是,附图均采用非常简化的形式且均使用非精准的比率,仅用以方便、明晰地辅助说明本发明实施例的目的。
如图1所示,本发明提出了一种基于谐振散射回波信号的雷达目标识别方法,包含以下步骤:
S1、利用时域有限差分算法获取已知类别的典型雷达目标的谐振散射回波信号,并建立典型雷达目标谐振散射回波数据库;
具体地,利用时域有限差分算法开展雷达目标谐振波段的时域特性仿真建模,从而获取已知类别的雷达目标在不同探测方位角度下的谐振散射回波信号,并将已知类别的雷达目标作为典型雷达目标,建立典型雷达目标谐振散射回波数据库。步骤S1中的典型雷达目标谐振散射回波数据库用作步骤S2中的深度神经训练样本。
时域有限差分算法的电磁场迭代公式是从微分形式的麦克斯韦方程,利用差分方法而得到的,具体的公式推导如下:
微分形式的麦克斯韦旋度方程为:
式中H,E分别为磁场强度和电场强度,D,B分别为电通密度和磁通密度,J表示雷达目标在外在电磁场激励下的感应电流强度,
将上述麦克斯韦旋度方程转换为直角坐标系中的标量场方程,分别为:
式中,E
如图2所示,为Yee网格示意图。采用Yee网格对雷达目标几何模型进行离散,将雷达目标整体离散为多个小单位,然后在Yee网络上进行局部电磁流分布的假定,从而实现几何层面与电磁层面的耦合。
Yee网格下的麦克斯韦方程组的差分形式为(仅给出电磁场在x轴的分量表示,电磁场在y,z轴的分量表示类同):
式中,i,j,k分别对应Yee元胞中的点在目标中的位置序号,Δx,Δy,Δz为直角坐标系下对应方向的网络间隔,CA(m),CB(m),CP(m),CQ(m)分别为更新系数,具体为:
式中,σ(m),ε(m),μ(m)分别为电导率、介电常数、磁导率在网格m处的值,Δt为时间离散间隔。
对于雷达目标的入射信号电场E
雷达目标谐振波段的时域特性仿真的输入包含波形(要求覆盖雷达目标谐振频谱,一般为100MHz~300MHz)、观测点与雷达目标的相对距离和相对姿态,其中相对姿态仅考虑雷达目标轴线俯仰±30°,方位±30°,采样角度间隔1°,探测点与雷达目标的相对距离为1km。根据雷达目标谐振波段的时域特性仿真获取的已知类别的典型雷达目标的谐振散射回波信号如图3所示。
S2、建立以典型雷达目标谐振散射回波数据库为输入、以典型雷达目标类别作为输出的深度神经网络模型,并结合向后传播模型解算深度神经网络模型的网络参数;
所述步骤S2包含以下步骤:
S2.1、建立以卷积神经网络为核心的多层深度神经网络模型;
具体地,所述深度神经网络模型是以卷积神经网络为核心的三层深度神经网络模型。所述神经神经网络模型的输入为雷达目标谐振散射回波信号,其输出为雷达目标的类别,从而可以根据雷达目标的谐振回波信号实现雷达目标类别的快速分类。
所述卷积神经网络主要包括卷积层、池化层、全连接层和损失层,卷积操作的方式就是使用卷积核在图像上滑动,将图像像素点的值与卷积核上的数值相乘,再将乘积累加得到网络输出上对应位置的值。
式中,y为卷积核的输出,I,J为卷积核的大小,f(·)为激活函数,
卷积核是一种线性变换,对于复杂问题,单纯的线性变换效果较差。因此,本发明引入sigmod和tanh函数对式(7)的输出y进行非线性处理,提高卷积神经网络的非线性表征能力,及卷积神经网络的拟合精度。
其中,sigmod函数形式为
式中,e为欧拉数。S(y)为经过sigmod作用后的非线性输出,sigmod函数的定义域为(-∞,∞),且处处可导,值域为(-1,1),在每个扫描点处有界可控。
tanh函数形式为
tanh函数的定义域为(-∞,∞),值域为(-1,1),在每个扫描点处有界可控。
所述深度神经网络是卷积神经网络的多层结构,其以上层卷积神经网路的输出作为本层卷积神经网络的输入,从而形成递推的深度神经网络结构。每层卷积神经网络之间采用tanh函数进行非线性运算,深度神经网络的输出层采用sigmod进行非线性运算,实现雷达目标类别的归一化。
S2.2、对典型雷达目标谐振散射回波数据库进行归一化处理,并作为训练样本对深度神经网络模型进行训练;
在典型雷达目标谐振散射回波数据库中,按照典型雷达目标几何长度的4倍所对应的电磁波传播时间进行典型雷达目标谐振散射回波信号的加权平均,然后作为深度神经网络模型的输入训练样本,所述深度神经网络模型输出典型雷达目标的类别。如图4所示,为三层深度神经网络模型的结构示意图,进行归一化处理后的典型雷达目标谐振散射回波数据经过三层卷积神经网络处理后,最后通过一个全连接层实现雷达目标的分类。其中池化因子对卷积神经网络的输入进行降维操作,用于提取雷达目标数据的主要特征,具体为依据池化因子的大小,对卷积输出进行加权平均或取对应输出位置的最大值或最小值。
S2.3、建立雷达目标标签,并结合步骤S2.2中深度神经网络模型的输出形成代价函数;
利用one-hot方法建立N×1维的雷达目标标签,其中与雷达目标类别对应位置处的标签值为1,其他位置处的标签值为0。将步骤S2.2中深度神经网络模型输出的雷达目标的类别与N×1维的雷达目标标签设置关联,形成代价函数。所述代价函数的表达方式为:
式中,C为雷达目标类别的输出概率,y
S2.4、采用自适应矩估计方法对代价函数进行解算,并利用指数下降的步长更新策略获取深度神经网络的网络参数。
采用自适应矩估计方法对代价函数进行优化求解,具体步骤为:
其中,β
式(11)中仅通过前时刻的梯度信息进行目标更新步长的更新仍显不足,无法满足大多数情况下复杂目标电磁场矩阵方程(条件数较差,收敛慢)的快速优化,因此本发明采用指数下降的步长更新方法对自适应矩估计方法优化过程进行人为修正,同时结合矩阵梯度信息和人为先验进行设计,极大的提升Adam收敛速度。
指数下降的步长更新方式为:
η
式中,a为初始更新长度,一般选取为a=1.0e
将式(12)的步长更新算法带入到式(11)中,然后迭代更新,直到用网络参数得到的预测值y
S3、获取被测雷达目标的谐振散射回波信号,并作为步骤S2中解算得到网络参数的深度神经网络模型的输入,从而得到被测雷达目标的类型。
采用时域有限差分算法测量被测雷达目标的谐振散射回波信号,并作为深度神经网络模型的输入,结合步骤S2.4中计算得到的深度神经网络模型的网络参数,快速得到深度神经网络模型的输出,实现被测雷达目标类别的快速识别。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
- 基于谐振散射回波信号的雷达目标识别方法
- 一种基于CSA-MWF的无源雷达目标回波信号子空间的估计方法