本發(fā)明涉及電子信息，尤其涉及一種基于特征提取和匹配網(wǎng)絡(luò)的雷達(dá)目標(biāo)識別方法與系統(tǒng)。

背景技術(shù)：

1、現(xiàn)代軍事行動中，擁有制空權(quán)往往代表在戰(zhàn)場中擁有了絕對主動權(quán)，直升機行動敏捷、適宜復(fù)雜地形等優(yōu)勢使其成為空中戰(zhàn)場中不可替代的設(shè)備；螺旋槳飛機具有優(yōu)越的低空和超低空機動性，主要實施戰(zhàn)場控制與戰(zhàn)場支援的低速多用途作戰(zhàn)，綜合作戰(zhàn)能力相當(dāng)可觀。噴氣式飛機擁有較高的飛機速度和機動性能，在戰(zhàn)斗中主要擔(dān)負(fù)高空奪取戰(zhàn)區(qū)制空權(quán)、對敵方固定目標(biāo)實施精準(zhǔn)攻擊等任務(wù)，是空中作戰(zhàn)的重要核心力量。三類飛機在空中戰(zhàn)場中各自承擔(dān)著不同的軍事任務(wù)，為贏得戰(zhàn)爭的勝利做出了巨大貢獻(xiàn)。因此，對直升機、螺旋槳、噴氣式這三類飛機展開分類識別的研究具有重大意義。基于傳統(tǒng)分類器的雷達(dá)目標(biāo)識別方法一般包含兩個方面的任務(wù)：首先利用目標(biāo)回波的特性信息通過特征工程提取出目標(biāo)特征，然后選擇合適的分類器對提取的特征信息進(jìn)行分類處理。

2、上述方法存在以下缺陷：目標(biāo)特征的有效性和分類器的性能都是影響最終識別結(jié)果的重要因素，且識別效果受環(huán)境影響較大，泛化性也存在不足，這使得它很難滿足實際識別場景對自適應(yīng)的要求。

技術(shù)實現(xiàn)思路

1、本發(fā)明旨在提供一種基于特征提取和匹配網(wǎng)絡(luò)的雷達(dá)目標(biāo)識別方法，使用特征工程提取出雷達(dá)回波中的關(guān)鍵特征頻率，創(chuàng)新地使用格拉姆角場將一維回波數(shù)據(jù)轉(zhuǎn)換為對窄帶雷達(dá)回波數(shù)據(jù)使用經(jīng)驗?zāi)Ｊ椒纸?empirical?mode?decomposition,emd)算法將噴氣式飛機和直升飛機的機身分量和微動分量分離開，使用clean算法去除信號中的最大諧波，從而分離出螺旋槳飛機機身分量和微動分量。然后將所有分離出的信號通過格拉姆角場轉(zhuǎn)化為圖像，將所有的圖像拼接后放入匹配網(wǎng)絡(luò)中進(jìn)行推理得出其類型。

2、在泛化能力和自適應(yīng)能力上表現(xiàn)優(yōu)秀的深度學(xué)習(xí)技術(shù)很好的解決了傳統(tǒng)識別方法存在的上述問題，在雷達(dá)目標(biāo)識別領(lǐng)域逐漸得到廣泛應(yīng)用。通過深度學(xué)習(xí)強大的自適應(yīng)學(xué)習(xí)能力，找到能夠廣泛適用于多種雷達(dá)目標(biāo)和場景的特征提取模型，并且通過深度網(wǎng)絡(luò)將特征提取與目標(biāo)識別結(jié)合在一起，得到一體化的學(xué)習(xí)和分類模型。因此，有必要探索新的方法來解決少量雷達(dá)回波數(shù)據(jù)目標(biāo)識別問題。

3、為實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案具體如下：

4、一種基于特征提取和匹配網(wǎng)絡(luò)的雷達(dá)目標(biāo)識別方法，包括以下步驟：

5、a、對雷達(dá)回波emd分解得到其第一個本征模函數(shù)imf1和其余本征模函數(shù)的和imfr；

6、b、對emd分解后得到的所有本征模函數(shù)之和使用clean算法得到機身分量xf和微動分量xjem；

7、c、將所有的分量imf1、imfr、xf和xjem均使用格拉姆角場方法變換為圖像；

8、d、將所有圖像進(jìn)行拼接，用匹配網(wǎng)絡(luò)對拼接后的圖像進(jìn)行識別得出分類結(jié)果；

9、優(yōu)選的，步驟a中，對雷達(dá)回波x(t)的emd分解表示為其中imfi代表第i個本征模信號，rl為經(jīng)過l次分解后的剩余項，分解過程如下：

10、a.1、初始化：記r(t)＝x(t)；

11、a.2、提取r(t)的所有局部極大值，對極大值序列進(jìn)行插值，得到r(t)的上包絡(luò)rmax(t)；

12、a.3、提取r(t)的所有局部極小值，對極小值序列進(jìn)行插值，得到r(t)的下包絡(luò)rmin(t)；

13、a.4、對每個時刻的rmax(t)和rmin(t)計算其平均值，得到瞬時平均值m(t)：m(t)＝(rmax(t)+rmin(t))/2；

14、a.5、令r(t)＝r(t)-m(t)；

15、a.6、判斷r(t)是否滿足imf的兩個條件，若是，則得到了第一個imf，記為imf1；否則，對步驟a.5得到的r(t)重復(fù)進(jìn)行步驟a.2到步驟a.5的運算，直到r(t)滿足imf的兩個條件，得到imf1。

16、優(yōu)選的，步驟b中，emd分解得到的余項rl對應(yīng)的是近地雜波分量，所以可以得到雜波抑制后的信號為該信號可以表示為諧波分量和形式如下：

17、通過clean算法得到機身分量對應(yīng)的最大諧波分量xf和微動分量xjem，具體

18、步驟如下：

19、b.1、輸入時域信號xemd；

20、b.2、計算時域信號的多普勒譜x＝fft(xemd)

21、b.3、從x中找到最大值點并根據(jù)最大值點對應(yīng)的位置計算其多普勒頻率f1，記錄對應(yīng)的幅度ρ1和相位

22、b.4、根據(jù)b.3的結(jié)果重構(gòu)信號中的最大諧波分量，得到機身分量對應(yīng)的時

23、域回波；b.5、從原始信號xemd中減掉步驟b.4中重構(gòu)的最大諧波分量，得到微動分量對應(yīng)的時域回波xjem＝xemd-xf。

24、優(yōu)選的，步驟c中，首先將輸入的信號通過下面的公式縮放到[-1,1]之間：其中xmin和xmax為信號的最大值和最小值，是縮放后的x(t)；

25、然后通過下面的公式將直角坐標(biāo)系轉(zhuǎn)換為極坐標(biāo)系

26、

27、通過計算各個時間點之間的余弦函數(shù)和，得到通過格拉姆角場轉(zhuǎn)換的二維矩陣如下式所示

28、

29、優(yōu)選的，所述匹配網(wǎng)絡(luò)引入注意力機制來計算預(yù)測輸出如下式：

30、

31、其中xi，yi表示支持集的樣本和標(biāo)簽，表示查詢集dq的樣本，表示匹配網(wǎng)絡(luò)的預(yù)測輸出。其注意力機制可由下式表示：

32、

33、其中cosine表示余弦距離，f(·),g(·)為卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)的嵌入函數(shù)，xi表示支持集的樣本，表示查詢集的樣本；

34、匹配網(wǎng)絡(luò)的目標(biāo)函數(shù)如下所示：

35、

36、其中，θ為匹配網(wǎng)絡(luò)的參數(shù)，d表示元訓(xùn)練集，ds和dq分別表示元訓(xùn)練集劃分的支持集和查詢集。

37、本發(fā)明還公開了一種基于特征提取和匹配網(wǎng)絡(luò)的雷達(dá)目標(biāo)識別系統(tǒng)，包括：emd分解模塊，用于對雷達(dá)回波進(jìn)行emd分解，到其第一個本征模函數(shù)imf1和其余本征模函數(shù)的和imfr；

38、clean算法模塊，用于對emd分解后得到的所有本征模函數(shù)之和進(jìn)行clean算法，從而獲得機身分量xf和微動分量xjem；

39、格拉姆角場模塊，用于將所有的分量imf1、imfr、xf和xjem變換為圖像；

40、圖像拼接模塊，用于將所有的分量imf1、imfr、xf和xjem變換的圖像進(jìn)行拼接；

41、匹配網(wǎng)絡(luò)模塊，用于將匹配網(wǎng)絡(luò)對拼接后的圖像進(jìn)行識別得出分類結(jié)果。

42、本發(fā)明的有益效果如下：

43、1、本發(fā)明融合領(lǐng)域?qū)＜抑R提取出部分特征后再采用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，可以降低學(xué)習(xí)難度，提升神經(jīng)網(wǎng)絡(luò)預(yù)測精度。

44、2、本發(fā)明使用匹配網(wǎng)絡(luò)而非傳統(tǒng)的lstm或者cnn作為分類器，提升了小樣本學(xué)習(xí)能力，在軍事數(shù)據(jù)少的情況下也能得到較好的效果。

技術(shù)特征：

1.一種基于特征提取和匹配網(wǎng)絡(luò)的雷達(dá)目標(biāo)識別方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于特征提取和匹配網(wǎng)絡(luò)的雷達(dá)目標(biāo)識別方法，其特征在于，步驟a中，對雷達(dá)回波x(t)的emd分解表示為其中imfi代表第i個本征模信號，rl為經(jīng)過l次分解后的剩余項，分解過程如下：

3.根據(jù)權(quán)利要求2所述的基于特征提取和匹配網(wǎng)絡(luò)的雷達(dá)目標(biāo)識別方法，

4.根據(jù)權(quán)利要求3所述的基于特征提取和匹配網(wǎng)絡(luò)的雷達(dá)目標(biāo)識別方法，其特征在于，步驟c中，首先將輸入的信號通過下面的公式縮放到[-1,1]之間：

5.根據(jù)權(quán)利要求3所述的基于特征提取和匹配網(wǎng)絡(luò)的雷達(dá)目標(biāo)識別方法，其特征在于，所述匹配網(wǎng)絡(luò)引入注意力機制來計算預(yù)測輸出如下式：

6.基于特征提取和匹配網(wǎng)絡(luò)的雷達(dá)目標(biāo)識別系統(tǒng)，其特征在于，包括：

技術(shù)總結(jié)
本發(fā)明公開一種基于特征提取和匹配網(wǎng)絡(luò)的雷達(dá)目標(biāo)識別方法，包括以下步驟：a、對雷達(dá)回波EMD分解得到其第一個本征模函數(shù)imf<subgt;1</subgt;和其余本征模函數(shù)的和imf<subgt;r</subgt;；b、對EMD分解后得到的所有本征模函數(shù)之和使用CLEAN算法得到機身分量x<subgt;F</subgt;和微動分量x<subgt;JEM</subgt;；c、將所有的分量imf<subgt;1</subgt;、imf<subgt;r</subgt;、x<subgt;F</subgt;和x<subgt;JEM</subgt;均使用格拉姆角場變換為圖像；d、將所有圖像進(jìn)行拼接，用匹配網(wǎng)絡(luò)對拼接后的圖像進(jìn)行識別得出分類結(jié)果。本發(fā)明融合領(lǐng)域?qū)＜抑R提取出部分特征后再采用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，可以降低學(xué)習(xí)難度，提升神經(jīng)網(wǎng)絡(luò)預(yù)測精度。

技術(shù)研發(fā)人員：魏明珠,宋東京,王新華,羅晉,江俊喆,謝曉梅
受保護(hù)的技術(shù)使用者：電子科技大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2