一种雷达目标微动特征提取方法

文档序号:25539234发布日期:2021-06-18 20:34阅读:174来源:国知局
一种雷达目标微动特征提取方法

雷达自动目标识别领域,设计一种基于多层transformer编码器和双向lstms串联提取雷达目标微动特征的方法。



背景技术:

空间弹道目标检测与识别技术对目标具体种类和真伪性进行识别主要依赖于雷达对目标几何外形如形状和大小及目标本身特征,如红外特征和微动特征的感知。随着空间目标特征控制技术和真假目标伪装技术的发展,基于雷达信号和其他信号的空间目标检测与识别方法受到了严重的挑战。

在空间目标在弹道中端运动过程中,目标体会不可避免的产生诸如振进动、自旋、震动和翻滚等一些幅度较小的微运动,这些微运动被称为物体的微动。物体的微动会对雷达信号在时域上起到调制作用,这也使得目标物体的雷达信号时间序列在包含目标特有的几何结构信息外还包含了物体的运动信息。由于诱饵一般不会采用姿态控制技术,会有翻滚运动,所以在真假目标识别领域,如何对目标微动特征准确提取具有重要研究价值。

v.c.chen[1,2]最早提出将微动特征应用于雷达目标识别,leip[3]提出针对目标微多普勒信号的时频变换信息分析,获取目标微动特征。liw[4]提出通过提取hrrp和isar图像目标散射点的方法进行可靠的微动特征提取。

以上传统方法在完成微动特征提取这一任务的同时还遗留下以下问题:

1、需要人先验的去完成算法设计;

2、部分算法需要重建微动轨迹,再进行量化处理。

针对以上问题,本发明采用了使用深度学习理论[5]进行雷达散射截面积时间序列和高分辨率距离像时间序列的微动特征提取的方法,并在此基础上进行改进。

[1]chenvc,lif,hoss,etal.micro-dopplereffectinradar:phenomenon,model,andsimulationstudy[j].ieeetransactionsonaerospace&electronicsystems,2006,42(1):2-21.

[2]chen.v.c.,li.f,ho.s.s,etal.analysisofmicro-dopplersignatures[j].ieeproceedings-radar,sonarandnavigation,2003,150(4):271-0.

[3]leip,sunj,wangj,etal.micromotionparameterestimationoffreerigidtargetsbasedonradarmicro-doppler[j].ieeetransactionsongeoence&remotesensing,2012,50(10):3776-3786.

[4]liw,fanh,renl,etal.micromotionfeatureextractionbasedonphase-derivedrangeandvelocitymeasurement[j].ieeeaccess,2019,pp(99):1-1.

[5]lecun,yann&bengio,y.&hinton,geoffrey.(2015).deeplearning.nature.521.436-44.10.1038/nature14539.



技术实现要素:

本发明的目的是提供一种能够有效实现端到端的微动特征提取的取方法,技术方案如下:

一种雷达目标微动特征提取方法,包括下列步骤:

第一步,准备数据集

所用数据为物体的雷达散射截面积时间序列和高分辨率距离像时间序列,微动特征被抽象为进动周期和章动角;按如下步骤获取:

(1)生成雷达散射截面积角度序列和高分辨率距离像角度序列;

(2)生成目标姿态角时间序列,获得作为微动特征的进动周期和章动角;

(3)采用插值的方式生成雷达散射截面积时间序列和高分辨率距离像时间序列,对进动周期和章动角信息进行标注,添加数据集的标签,并确定训练集和测试集;

第二步,搭建微动特征提取模型进行训练

将数据集中的训练集数据输入微动特征提取模型,用于训练模型及调参,用x∈r[c×t]的形式表征每一条序列数据,c表示每帧数据的维度,t为时间序列长度,用xt∈r[c]表示序列中每帧的输入向量;雷达散射截面积时间序列维度为1,高分辨率距离像时间序列维度为512;

所采用的微动特征提取模型,由多层transformer编码器和双向lstms串联组成;

(1)多层transformer编码器

是一种基于注意力机制的深度学习序列模型,该模型在使用多头注意力机制multihead以保证深度信息多样性的同时还引入残差连接来保证模型不会因深度的增加导致梯度消失,具体实施如下:

使用多头注意力机制multihead,使用多个单头注意力机制和输出连接起来,在单头注意力机制的基础上为网络设置更多的权重参数,以保证深度信息多样性;

在多头注意力机制的基础上引入残差连接,残差连接的结果为将输入x与其多头注意力机制的映射进行求和;

在残差连接的基础上添加两次线性变换,获得最终的编码输出;

(2)双向lstms

将多层transformer编码器与两个双向长短记忆神经网络lstm模型进行串联构成微动特征提取模型;每个双向长短记忆神经网络lstm模型是由多模块链接组成,每个模块由输入到输出共经历输入门、遗忘门和输出门三个结构;

通过训练微动特征提取模型,调整网络权重参数,分别得到应用于雷达散射截面积时间序列和高分辨率距离像时间序列的微动特征提取模型。

本发明针对雷达信号时间序列的时序特性,首先使用些经典的序列模型分别对不同的雷达信号时间序列数据进行特征提取,结合深度神经网络的特性和序列数据的结构性设计了一种序列模型结构,这种结构可有效实现端到端的微动特征提取。在端到端的实验中,将预处理后的雷达散射截面积时间序列和高分辨率距离像时间序列分别输入深度学习神经网络模型,得到训练良好的微动特征模型。

附图说明

图1数据集生成结果图

图2多层transformer编码器和双向lstms串联的深度学习模型结构图

图3多层transformer编码器结构图

图4实验结果

具体实施方式

为使本发明的技术方案更加清楚,下面结合附图对本发明做进一步阐述。本发明按以下步骤具体实现:

本发明提供了一种能够有效实现端到端的雷达目标微动特征提取的序列模型结构,可按以下步骤具体实施:

第一步,准备数据集

本文所用实验数据为物体的雷达散射截面积时间序列和高分辨率距离像时间序列,具体步骤可按照以下3步仿真生成。第一步分别建立角度和雷达散射截面积、角度和高分辨率距离像之间的映射;第二部建立时间与角度之间的映射;第三步以角度值为媒介,分别得到时间和雷达散射截面积、时间和高分辨率距离像之间的映射。可具体实施如下:

(1)生成雷达散射截面积角度序列和高分辨率距离像角度序列

物体雷达散射截面积角度序列和高分辨率距离像角度序列由cst(computersimulationtechnology)仿真而得,本发明以如下4类目标为例,分别为:球、锥、锥柱、柱。附图1(a)为雷达散射截面积角度序列范例,附图1(b)为高分辨率距离像角度序列范例。

(2)生成目标姿态角时间序列

动态时间序列由matlab计算得出,本文利用19条轨迹信息和3种雷达位置,来模拟真实环境中物体运动轨迹与雷达之间的位置关系,进而生成57(19*3)种目标姿态角时间序列。微动特征也在生成目标姿态角时间序列这一步骤中添加,微动特征被抽象为进动周期和章动角,选取进动周期的的范围为3~8秒,步进为1秒,选取章动角的范围为3~10°,步进为1°,皆以均匀分布的形式生成数据集。附图1(c)为某雷达某弹道,不同章动角和进动周期的姿态角时间序列。

(3)生成雷达散射截面积时间序列和高分辨率距离像时间序列

采用插值的方式生成雷达散射截面积时间序列和高分辨率距离像时间序列,即以时间值为序,将某时刻的目标姿态角所对应的雷达散射截面积值或高分辨率距离像值插入到该时刻对应的位置,进而分别组成雷达散射截面积时间序列和高分辨率距离像时间序列。以锥类目标为例,附图1(d)为不同微动下雷达散射截面积时间序列范例,附图1(e)为不同微动下高分辨率距离像时间序列范例。

在存放数据时对其进动周期和章动角信息进行标注,即添加数据集的标签。同时将数据集按8:2的比例随机分割为训练集和测试集。

第二步,搭建微动特征提取模型

将数据集中的训练集数据输入到微动特征提取模型,用于训练模型及调参。用x∈r[c×t]的形式表征每一条序列数据,c表示序列每帧数据的维度,t为时间序列长度,用xt∈r[c]表示序列中每帧的输入向量。对于我们的数据来说,雷达散射截面积时间序列维度为1,高分辨率距离像时间序列维度为512。不同轨迹信息和雷达位置组合生成的时间序列长度有一定差异,但由于微动特性在雷达散射截面积时间序列和高分辨率距离像时间序列中广泛存在,我们截取训练集中每个样本前500长度的时间序列作为训练数据。

本发明采用的微动特征提取模型,由多层transformer编码器和双向lstms串联组成,模型结构如附图2所示,该模型具体结构如下:

(1)多层transformer编码器

该编码器是一种基于注意力机制的深度学习序列模型,附图3给出了多层transformer编码器的具体结构。从字面意思来看注意力机制和人类的注意力机制类似,人类通过快速扫描全局文本,获得需要重点关注的区域,也就是一般所说的注意力焦点,而后对这一区域投入更多注意力资源,以获取更多所需要关注目标的细节信息,而抑制其他无用信息。

多层transformer编码器,可具体实施如下:

第一,使用多头注意力机制(multihead)。单头注意力机制从编码的角度可以理解为动态的将不同时序位置的数值乘以不同的权重最后求和。多头注意力机制可以理解为,使用多个单头注意力机制和输出连接起来,是在单头注意力机制基础上为网络设置更多的权重参数,以保证深度信息多样性。

第二,在多头注意力机制的基础上引入残差连接。残差连接可保证模型不会因深度的增加导致梯度消失,残差连接的结果为将输入x与其映射(多头注意力机制)进行求和,残差连接的公式表述如下:

shortcut(f(·),x)=f(x)+x

第三,在残差连接的基础上添加两次线性变换。w1、w2和b1、b2分别为两次线性变换的权重参数与偏置参数,max()为取0和xw1+b1之间的较大值,两次线性变换的公式表述如下:

ffnn(x)=max(0,xw1+b1)w2+b2

添加两次线性变换的残差连接可保证模型不会因深度的增加导致梯度消失,

编码的最终输出可以表示为:

encoder(x)=shortcut(ffnn(·),shortcut(multihead(·),x))

(2)双向lstms

基于rnn(循环神经网络)的深度学习模型由于参数量的限制导致模型难以得到拟合,不如cnn(卷积神经网络)模型更能有效的提取深度特征,但rnn模型在时间维度的表现还是很可观的。

所以本发明通过增加隐含层节点数、增加网络层数、增加网络模块的方法进行网络模型的尝试,并设计出一种双向lstms串联的深度学习模型,即将两个lstm(长短记忆神经网络)模型进行串联连接。lstm是由众多模块链接组成,每个模块中由输入到输出共经历输入门gi(inputgate)、遗忘门gf(forgetgate)和输出门go(outputgate)三个结构。

在lstm模块内,对于时间点t的运算过程可由以下公式表述。其中t时刻单元的输入语义向量是xt,隐层输出是ht,wf、wi、wo、wc是模块内部的遗忘门单元、输入门单元、输出门单元、细胞状态的权重参数,if、ii、io、ic是输入信息的投影矩阵权重,其中σ(·)是sigmoid函数。

gf=σ(wf·ht-1+if·xt)

gi=σ(wi·ht-1+ii·xt)

go=σ(wo·ht-1+io·xt)

经过运算激活,分别得到遗忘门、输入门和输出门的门值gf、gi和go。再经过矩阵乘法和tanh函数激活,可以逐步得到每一步的细胞状态以及最终的细胞状态ct,进而求得时间点t隐层输出ht。是矩阵的哈达玛积。

上述步骤可简单理解为,输入门用于控制是否将当前输入加入到记忆存储单元中,遗忘门用于控制是否将记忆存储单元置零,输出门控制是否将记忆存储单元中的数字进行输出。

通过训练集数据对此微动特征提取模型进行训练,可分别得到应用于雷达散射截面积时间序列和高分辨率距离像时间序列的微动特征提取模型。

第三步,测试微动特征提取模型提取效果

测试时,将测试集中的雷达散射截面积时间序列和高分辨率距离像时间序列数据分别输入对应微动特征提取模型,得出对应的进动周期和章动角预测结果,分别和测试集标签中的真实进动周期和章动角做对比,计算出模型的预测准确率。雷达散射截面积时间序列进动周期提取准确率为99.4%,章动角提取准确率为93.27%;高分辨率距离像时间序列进动周期提取准确率为99.07%,章动角提取准确率为99.58%。

将本发明搭建的微动特征提取模型和另外3种模型,进行微动特征提取结果对比,附图4为实验结果。从进动周期和章动角特征提取准确率来看,本发明提出的模型,与单纯使用双向lstms串联模型以及atlstm(attention-basedlstm)相比,在雷达散射截面积时间序列和高分辨率距离像时间序列上均有一定的提升;与resnet(residualneuralnetwork)相比,在雷达散射截面积时间序列应用中有所下降,在高分辨率距离像时间序列应用中有所提升。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1