本發(fā)明屬于雷達(dá)信號處理，具體涉及一種基于雷達(dá)多模態(tài)數(shù)據(jù)的智能目標(biāo)融合識別方法及系統(tǒng)。

背景技術(shù)：

1、雷達(dá)寬帶高分辨距離像回波(high-resolution?range?profile，hrrp)是通過寬帶雷達(dá)信號獲取的目標(biāo)散射點回波在雷達(dá)射線上投影的向量和幅度波形，hrrp反映了在一定雷達(dá)視角時，目標(biāo)主要散射中心沿雷達(dá)視線的分布情況，由于hrrp具有獲取方便、靈活，便于處理等優(yōu)點，被廣泛應(yīng)用于空中目標(biāo)識別領(lǐng)域。然而，由于實際應(yīng)用場景日益復(fù)雜，基于單一hrrp的目標(biāo)識別無法滿足穩(wěn)健目標(biāo)識別的需求，此時，多模雷達(dá)數(shù)據(jù)融合基于多種雷達(dá)回波數(shù)據(jù)，能夠捕捉不同形式的雷達(dá)數(shù)據(jù)間的互補特性，從而獲得關(guān)于目標(biāo)的完備描述。

2、現(xiàn)有技術(shù)中，在應(yīng)用多模態(tài)雷達(dá)數(shù)據(jù)進行目標(biāo)識別過程中，存在多模態(tài)雷達(dá)數(shù)據(jù)融合網(wǎng)絡(luò)結(jié)構(gòu)簡單，未充分挖掘多模態(tài)數(shù)據(jù)包含的互補信息；也存在數(shù)據(jù)模態(tài)較多，既有雷達(dá)數(shù)據(jù)，也有其他數(shù)據(jù)，例如光學(xué)數(shù)據(jù)，使得數(shù)據(jù)獲取要求較高，影響后續(xù)處理過程；還存在未對多模態(tài)數(shù)據(jù)特征關(guān)系分析，融合策略簡單，較難充分利用不同模態(tài)的數(shù)據(jù)所包含的信息。

3、因此，亟需提供一種雷達(dá)多模態(tài)數(shù)據(jù)的目標(biāo)融合識別方法，以克服上述缺陷。

技術(shù)實現(xiàn)思路

1、為了解決現(xiàn)有技術(shù)中存在的上述問題，本發(fā)明提供了一種基于雷達(dá)多模態(tài)數(shù)據(jù)的智能目標(biāo)融合識別方法及系統(tǒng)。本發(fā)明要解決的技術(shù)問題通過以下技術(shù)方案實現(xiàn)：

2、第一方面，本發(fā)明提供一種基于雷達(dá)多模態(tài)數(shù)據(jù)的智能目標(biāo)融合識別方法，包括：

3、獲取待識別目標(biāo)的雷達(dá)多模數(shù)據(jù)；

4、將待識別目標(biāo)的雷達(dá)多模數(shù)據(jù)輸入至訓(xùn)練好的多模雷達(dá)數(shù)據(jù)目標(biāo)融合識別模型中，依次進行單模特征提取，分別得到多個單模特征，根據(jù)多個單模特征，進行基于多模特征學(xué)習(xí)子空間約束的模態(tài)間相似性特征和本征特征學(xué)習(xí)，將學(xué)習(xí)到的多個模態(tài)間相似性特征進行壓縮，得到多模相似性特征，將學(xué)習(xí)到的多個本征特征和多模相似性特征進行注意力融合，并輸出識別概率，得到待識別目標(biāo)的雷達(dá)多模數(shù)據(jù)中目標(biāo)的分類識別結(jié)果；

5、其中，訓(xùn)練好的多模雷達(dá)數(shù)據(jù)目標(biāo)融合識別模型以預(yù)設(shè)類別的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，對初始的多模雷達(dá)數(shù)據(jù)目標(biāo)融合識別模型進行訓(xùn)練得到；預(yù)設(shè)類別的數(shù)據(jù)包括雷達(dá)寬帶高分辨距離像回波、窄帶調(diào)制譜回波和目標(biāo)航跡序列。

6、第二方面，本發(fā)明還提供一種基于雷達(dá)多模態(tài)數(shù)據(jù)的智能目標(biāo)融合識別系統(tǒng)，包括：

7、數(shù)據(jù)獲取模塊，用于獲取待識別目標(biāo)的雷達(dá)多模數(shù)據(jù)；

8、數(shù)據(jù)處理模塊，用于將待識別目標(biāo)的雷達(dá)多模數(shù)據(jù)輸入至訓(xùn)練好的多模雷達(dá)數(shù)據(jù)目標(biāo)融合識別模型中，依次進行單模特征提取，分別得到多個單模特征，根據(jù)多個單模特征，進行基于多模特征學(xué)習(xí)子空間約束的模態(tài)間相似性特征和本征特征學(xué)習(xí)，將學(xué)習(xí)到的多個模態(tài)間相似性特征進行壓縮，得到多模相似性特征，將學(xué)習(xí)到的多個本征特征和多模相似性特征進行注意力融合，并輸出識別概率，得到待識別目標(biāo)的雷達(dá)多模數(shù)據(jù)中目標(biāo)的分類識別結(jié)果；

9、其中，訓(xùn)練好的多模雷達(dá)數(shù)據(jù)目標(biāo)融合識別模型以預(yù)設(shè)類別的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，對初始的多模雷達(dá)數(shù)據(jù)目標(biāo)融合識別模型進行訓(xùn)練得到；預(yù)設(shè)類別的數(shù)據(jù)包括雷達(dá)寬帶高分辨距離像回波、窄帶調(diào)制譜回波和目標(biāo)航跡序列。

10、本發(fā)明的有益效果：

11、本發(fā)明提供的一種基于雷達(dá)多模態(tài)數(shù)據(jù)的智能目標(biāo)融合識別方法及系統(tǒng)，采用多模雷達(dá)數(shù)據(jù)對識別模型進行訓(xùn)練，多模雷達(dá)數(shù)據(jù)包括雷達(dá)寬帶高分辨距離像回波、窄帶調(diào)制譜回波、目標(biāo)航跡序列，能夠充分挖掘目標(biāo)散射中心分布特征、微多普勒特征和運動特征，實現(xiàn)對目標(biāo)屬性的多維多域描述；采用了跨模態(tài)的模態(tài)間相似性特征學(xué)習(xí)子空間和各模態(tài)特有的模態(tài)內(nèi)本征特征學(xué)習(xí)子空間，并通過相應(yīng)的損失約束指導(dǎo)對不同類型的多模特征的有效學(xué)習(xí)，強化了模態(tài)間和模態(tài)內(nèi)的特征學(xué)習(xí)，提高了特征對目標(biāo)屬性的描述能力；采用自適應(yīng)特征融合的方式，提高了特征融合的有效性。

12、以下將結(jié)合附圖及實施例對本發(fā)明做進一步詳細(xì)說明。

技術(shù)特征：

1.一種基于雷達(dá)多模態(tài)數(shù)據(jù)的智能目標(biāo)融合識別方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的基于雷達(dá)多模態(tài)數(shù)據(jù)的智能目標(biāo)融合識別方法，其特征在于，在對初始的多模雷達(dá)數(shù)據(jù)目標(biāo)融合識別模型進行訓(xùn)練之前，還包括：

3.根據(jù)權(quán)利要求2所述的基于雷達(dá)多模態(tài)數(shù)據(jù)的智能目標(biāo)融合識別方法，其特征在于，以預(yù)設(shè)類別的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，對初始的多模雷達(dá)數(shù)據(jù)目標(biāo)融合識別模型進行訓(xùn)練，包括：

4.根據(jù)權(quán)利要求3所述的基于雷達(dá)多模態(tài)數(shù)據(jù)的智能目標(biāo)融合識別方法，其特征在于，將所述訓(xùn)練數(shù)據(jù)集和所述訓(xùn)練數(shù)據(jù)集中訓(xùn)練樣本的真實標(biāo)簽輸入至所述初始的多模雷達(dá)數(shù)據(jù)目標(biāo)融合識別模型進行迭代訓(xùn)練，包括：

5.根據(jù)權(quán)利要求4所述的基于雷達(dá)多模態(tài)數(shù)據(jù)的智能目標(biāo)融合識別方法，其特征在于，所述預(yù)設(shè)條件包括在有限次迭代訓(xùn)練過程中所述一致性損失、所述差異性損失、所述重構(gòu)損失和所述分類損失的和達(dá)到最小。

6.根據(jù)權(quán)利要求4所述的基于雷達(dá)多模態(tài)數(shù)據(jù)的智能目標(biāo)融合識別方法，其特征在于，所述雷達(dá)寬帶高分辨距離像回波特征、所述窄帶調(diào)制譜回波特征和所述目標(biāo)航跡序列特征的獲取過程包括：

7.根據(jù)權(quán)利要求4所述的基于雷達(dá)多模態(tài)數(shù)據(jù)的智能目標(biāo)融合識別方法，其特征在于，將所述雷達(dá)寬帶高分辨距離像回波特征、所述窄帶調(diào)制譜回波特征和所述目標(biāo)航跡序列特征輸入至所述多模特征學(xué)習(xí)子空間約束模塊進行處理，包括：

8.根據(jù)權(quán)利要求4所述的基于雷達(dá)多模態(tài)數(shù)據(jù)的智能目標(biāo)融合識別方法，其特征在于，將所述多模相似性特征、所述雷達(dá)寬帶高分辨距離像回波本征特征、所述窄帶調(diào)制譜回波本征特征、所述目標(biāo)航跡序列本征特征、所述雷達(dá)寬帶高分辨距離像回波特征、所述窄帶調(diào)制譜回波特征和所述目標(biāo)航跡序列特征輸入至所述特征重構(gòu)模塊進行處理，包括：

9.根據(jù)權(quán)利要求4所述的基于雷達(dá)多模態(tài)數(shù)據(jù)的智能目標(biāo)融合識別方法，其特征在于，將所述多模相似性特征、所述雷達(dá)寬帶高分辨距離像回波本征特征、所述窄帶調(diào)制譜回波本征特征、所述目標(biāo)航跡序列本征特征和所述訓(xùn)練數(shù)據(jù)集中訓(xùn)練樣本的真實標(biāo)簽輸入至注意力特征融合模塊進行處理，包括：

10.一種基于雷達(dá)多模態(tài)數(shù)據(jù)的智能目標(biāo)融合識別系統(tǒng)，用于實現(xiàn)如權(quán)利要求1~9任一項所述的基于雷達(dá)多模態(tài)數(shù)據(jù)的智能目標(biāo)融合識別方法，其特征在于，包括：

技術(shù)總結(jié)
本發(fā)明公開了一種基于雷達(dá)多模態(tài)數(shù)據(jù)的智能目標(biāo)融合識別方法及系統(tǒng)，包括：獲取待識別目標(biāo)的雷達(dá)多模數(shù)據(jù)；將待識別目標(biāo)的雷達(dá)多模數(shù)據(jù)輸入至訓(xùn)練好的多模雷達(dá)數(shù)據(jù)目標(biāo)融合識別模型中，依次進行單模特征提取，分別得到多個單模特征，根據(jù)多個單模特征，進行基于多模特征學(xué)習(xí)子空間約束的模態(tài)間相似性特征和本征特征學(xué)習(xí)，將學(xué)習(xí)到的多個模態(tài)間相似性特征進行壓縮，得到多模相似性特征，將學(xué)習(xí)到的多個本征特征和多模相似性特征進行注意力融合，并輸出識別概率，得到待識別目標(biāo)的雷達(dá)多模數(shù)據(jù)中目標(biāo)的分類識別結(jié)果。本發(fā)明能夠高效、穩(wěn)健地對目標(biāo)進行識別。

技術(shù)研發(fā)人員：劉宏偉,王鵬輝,郭帥,陳渤
受保護的技術(shù)使用者：西安電子科技大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/11/4