基于HRRP信号幅度统计特征的自然场景分类方法

基于hrrp信号幅度统计特征的自然场景分类方法
技术领域
1.本发明属于雷达回波信号解译领域，具体涉及一种基于hrrp信号幅度统计特征的自然场景分类方法。


背景技术：

2.陆地表面的电磁散射特性是一个非常复杂的过程，在雷达回波表征中，自然环境随机散射幅度统计模型概率密度函数(pdf)可以用于反映被测地表的电磁散射特性。基于不同的成像机理，所获得的自然环境的高分辨率宽带雷达信号可以分作两大类：一类是高分辨距离像(hrrp)，一类是合成孔径雷达(sar)图像；相对sar图像，hrrp信号的获取更为容易，并且其本身能够反映探测目标在雷达视线上的结构特征，可以作为有效的目标识别数据源。
3.神经网络能够自动从大数据中学习特征，通过卷积操作可以在更高维度提取复杂特征。近10年来，深度学习飞速发展，尤其是二维卷积神经网络在计算机视觉、图像与视频分析领域取得了巨大成功；与此同时一维卷积神经网络亦被用于语音识别、序列模型分析、自然语言处理领域，通过卷积自动学习隐层特征用以区分数据类别是一种更为高效的方法。
4.sar图像幅度统计建模是sar图像解译的一个基本问题，它可以用于模式识别、图像处理、信号分析、电磁散射特性的分析。同时，分析hrrp回波信号幅度统计分布可以研究其幅度起伏特性，用于综合评估不同场景、不同实测条件下的雷达回波信号。
5.但是，当前基于hrrp回波信号的场景识别研究较少，自然场景回波信号本质仍然属于杂波，仅仅依靠均值、方差等简单统计量难以实现不同自然场景的精确识别。


技术实现要素：

6.为解决上述问题，提供一种基于hrrp信号幅度统计特征的自然场景分类方法，本发明采用了如下技术方案：
7.本发明提供了一种基于hrrp信号幅度统计特征的自然场景分类方法，其特征在于，包括以下步骤：步骤s1，获取不同自然场景的hrrp实测数据；步骤s2，对步骤s1中的hrrp实测数据采用经验itm(逆转换)杂波仿真的仿真方法获取仿真数据；步骤s3，采用对数累积量参数估计法，对获取的仿真数据做幅度统计建模，获得模型参数；步骤s4，基于步骤s3的模型参数，构造训练及测试模型参数序列样本集，构建一维卷积神经网络用于训练；步骤s5，训练步骤s4的一维卷积神经网络，使得损失函数值趋于稳定并接近0；步骤s6，调取步骤s5中的训练完成的一维卷积神经网络，测试分类结果。
8.本发明提供的基于hrrp信号幅度统计特征的自然场景分类方法，还可以具有这样的特征，其中，步骤s1中不同自然场景的hrrp实测数据的获取，包括以下步骤：步骤s1-1，对机载sar正侧视扫描的回波数据做sar成像，步骤s1-2，对sar图像中的场景做位置定标后提取相对应的实测hrrp回波数据。
9.本发明提供的基于hrrp信号幅度统计特征的自然场景分类方法，还可以具有这样的特征，其中，步骤s2获取大量仿真数据采用经验itm杂波仿真的仿真方法，包括以下步骤：步骤s2-1，根据输入样本的实测hrrp数据的直方图和功率谱密度估计其累积概率分布函数fz和相关结构ρ，然后根据ρ决定需要加入到高斯随机场的相关结构τ，再根据相关结构τ确定卷积核h，具体计算方法如下：其中(k，l)表示随机变量的坐标位置：
[0010][0011]
τ(k，l)＝h(k，l)*h*(-k，-l)
[0012]
步骤s2-2，生成高斯白噪声随机场g，高斯白噪声随机场与卷积核h卷积得到相关性高斯随机场x：
[0013]
x＝g*h
[0014]
步骤s2-3，根据itm定律将相关高斯随机场转化为相关均匀分布随机场y：
[0015]
y＝f
x
(x)
[0016]
其中f
x
是x的累积分布函数。步骤s2-4，根据itm定律将相关均匀分布随机场转化为相关fz分布随机场，即生成仿真hrrp数据：
[0017][0018]
其中是估计的逆累积分布函数。
[0019]
本发明提供的基于hrrp信号幅度统计特征的自然场景分类方法，还可以具有这样的特征，其中，步骤s3中仿真数据幅度统计的模型参数为广义gamma分布的三个参数，具体为能量参数-μ、形状参数-s以及尺度参数-m，广义gamma分布的三个参数组成模型参数组，参数估计法具体为对数累积量参数估计法，通过对数累积量参数估计法对仿真数据用广义gamma分布做幅度统计建模。
[0020]
本发明提供的基于hrrp信号幅度统计特征的自然场景分类方法，还可以具有这样的特征，其中，步骤s4中的训练及测试模型参数序列样本集的构建通过将多组步骤s3中获得的模型参数组组成一个序列，将序列变形为三通道的二维序列，作为训练样本及测试样本，一维卷积神经网络的网络结构包括卷积层、池化层、全连接层以及dropout层，一维卷积神经网络的卷积核是一维的，学习过程沿二维序列中的序列方向移动。
[0021]
本发明提供的基于hrrp信号幅度统计特征的自然场景分类方法，还可以具有这样的特征，其中，步骤s5的一维卷积神经网络的训练过程包括卷积、平均池化以及全连接，用于提取隐层特征，损失函数为多分类交叉熵损失函数，损失函数值趋于稳定并接近0的具体计算方法为：
[0022][0023]
本发明提供的基于hrrp信号幅度统计特征的自然场景分类方法，还可以具有这样的特征，其中，获取实测数据作为测试数据，通过步骤s3对测试数据求解模型参数后，用步骤s4中的方法构造测试样本，用于测试分类结果。测试样本与训练样本具有相同大小的三通道二维序列。
[0024]
发明作用与效果
[0025]
根据本发明的基于hrrp信号幅度统计特征的自然场景分类方法，将深度学习与
hrrp信号幅度统计建模相结合，估计幅度统计模型参数用以表征各类场景，将各类场景的模型参数以序列模式送入一维卷积神经网络用以学习幅度统计模型参数特征，最终实现基于雷达hrrp回波信号的自然场景分类。本发明从模型层入手理解自然环境散射特性用以识别不同场景，该方法具有可扩展性，可从有限的自然场景分类扩充到多种场景。
附图说明
[0026]
图1是本发明实施例中基于hrrp信号幅度统计特征的自然场景分类方法的流程图；
[0027]
图2是本发明实施例中草地的实测hrrp信号图；
[0028]
图3是本发明实施例中草地的仿真hrrp信号图；
[0029]
图4是本发明实施例中仿真数据与实测数据的幅度分布的pdf(概率密度函数)图；
[0030]
图5是本发明实施例中仿真数据与实测数据的幅度分布的cdf(累积分布函数)图；
[0031]
图6是本发明实施例中仿真数据与实测数据的幅度分布的直方图；
[0032]
图7是本发明实施例中广义gamma分布模型用于草地hrrp回波信号幅度分布统计建模的拟合曲线；
[0033]
图8是本发明实施例中广义gamma分布模型用于森林hrrp回波信号幅度分布统计建模的拟合曲线；
[0034]
图9是本发明实施例中使用的一维卷积神经网络的网络结构图；
[0035]
图10是本发明实施例中一维卷积神经网络学习过程示意图。
具体实施方式
[0036]
以下结合附图以及实施例来说明本发明的具体实施方式。
[0037]
《实施例》
[0038]
本实施例提供一种基于hrrp信号幅度统计特征的自然场景分类方法，用于实现自然场景分类。
[0039]
图1是本发明实施例中基于hrrp信号幅度统计特征的自然场景分类方法的流程图。
[0040]
以下结合图1对本实施例的基于hrrp信号幅度统计特征的自然场景分类方法的流程进行说明。
[0041]
步骤s1，获取不同自然场景的hrrp实测数据。其中，表1为minisar飞行实验参数，如表1所示，本实施例中采集回波信号的sar飞行参数为：
[0042]
表1
[0043][0044][0045]
步骤s1包括以下子步骤：
[0046]
步骤s1-1，对rcs回波数据做sar成像，并与采集数据的整体场景图片进行区域配准；
[0047]
步骤s1-2，sar图像横纵坐标为方位向和距离向，确定二者坐标用以提取单一场景的hrrp信号，需注意每次提取场景回波数据的范围应保持在合成孔径长度内。
[0048]
步骤s2，对步骤s1中的hrrp实测数据采用经验itm杂波仿真的仿真方法获取仿真数据。
[0049]
步骤s2包括以下子步骤：
[0050]
步骤s2-1，根据输入样本s的直方图和功率谱密度估计其累积概率分布函数fz和相关结构ρ，然后根据ρ决定需要加入到高斯随机场的相关结构τ，再根据相关结构τ确定卷积核h，其中(k,l)表示随机变量的坐标位置：
[0051][0052]
τ(k，l)＝h(k，l)*h*(-k，-l)
[0053]
步骤s2-2，生成高斯白噪声随机场g，高斯白噪声随机场与卷积核h卷积得到相关性高斯随机场x：
[0054]
x＝g*h
[0055]
步骤s2-3，根据itm定律将相关高斯随机场转化为相关均匀分布随机场y：
[0056]
y＝f
x
(x)
[0057]
其中f
x
是x的累积分布函数。
[0058]
步骤s2-4，根据itm定律将相关均匀分布随机场转化为相关fz分布随机场，即生成仿真hrrp数据：
[0059][0060]
其中是估计的逆累积分布函数。
[0061]
图2是本发明实施例中草地实测hrrp信号；图3是本发明实施例中草地仿真hrrp信号；图4是本发明实施例中仿真数据与实测数据的幅度分布的pdf(概率密度函数)图；图5是
本发明实施例中仿真数据与实测数据的幅度分布的cdf(累积分布函数)图；图6是本发明实施例中仿真数据与实测数据的幅度分布的直方图；
[0062]
如图2—图6所示，步骤s2-5，对各类场景的实测数据即实测样本和仿真得到的仿真数据即母样本，基于幅度统计直方图、pdf、cdf做对比，确保仿真数据相对实测数据是可靠的。
[0063]
步骤s2-6，设定滑窗大小和滑动步长用来对母样本hrrp采样得到大量仿真样本，称为子样本，其中子样本大小与滑窗大小一致；在此基础上，采样前需对母样本再做一次随机以应对滑窗长度太小产生过多无效hrrp样本的情况。
[0064]
步骤s3，采用参数估计法估计步骤s2中仿真数据的幅度分布的模型参数进行建模。本实施例中涉及广义gamma分布(gγd)的强兼容性，特定条件下可以退化为多种sar统计建模的分布，例如瑞利分布、指数分布、对数正态分布、gamma分布、逆gamma分布、方根gamma分布、逆方根gamma分布、韦布尔分布等。
[0065]
本实施例中，获得各类场景的母样本概率数据，使用参数估计方法求解指定幅度分布(gγd)的模型参数，评估模型参数重构下的概率数据与母样本概率数据的差异，取差异最大值作为阈值ρ。
[0066]
其中，参数估计方法为对数累积量参数估计法(molc)。
[0067]
步骤s3包括以下子步骤：
[0068]
步骤s3-1，选择广义gamma分布，基于mellin变换求得其第二类统计量，其中广义gamma分布的表达式为：
[0069][0070]
其中|μ
gg
|、s
gg
、m
gg
＞0，x＞0,分别代表能量参数、形状参数、尺度参数。
[0071]
对其pdf表达式做mellin变换得到第二类统计量第一特征函数：
[0072][0073]
对上式取对数得到第二类统计量第二特征函数
[0074][0075]
步骤s3-2，对第二特征函数求前三阶导数，并令s＝1，可以得到广义gamma分布的前三阶对数累积量表达式为：
[0076][0077]
步骤s3-3，求解仿真样本hrrp数据的前三阶对数累积量概率统计数值，计算方法为：
[0078][0079]
与步骤s3-2得到的广义gamma分布前三阶对数累积量表达式联立求解三个参数μ
gg
、s
gg
、m
gg
。
[0080]
步骤s3-4，将模型参数代入(gγd)的pdf表达式得到重构的概率数据，对每个子样本，基于幅度统计直方图，计算两者概率数据的差异；若大于阈值ρ，则该子样本无效，舍弃对应的模型参数估计值，反之保留。其中，采用误差评估方法以确定阈值ρ，具体包括：
[0081]
mse-均方误差，计算公式为：
[0082][0083]
其中n是直方图数目，是重构概率数据，yi是样本概率数据。
[0084]
图7是本发明实施例中广义gamma分布模型用于草地hrrp回波信号幅度分布统计建模的拟合曲线；图8是本发明实施例中广义gamma分布模型用于森林hrrp回波信号幅度分布统计建模的拟合曲线。
[0085]
如图7和图8所示，步骤s3-4，用上述分布模型和参数求解法对实测数据做幅度统计建模，用均方误差(mse)作为评估模型拟合效果的标准，从具体实验中选择合适的阈值ρ。
[0086]
步骤s4，基于步骤s3的仿真数据幅度统计的模型参数，构造训练及测试模型参数序列样本集，构建一维卷积神经网络用于训练。
[0087]
步骤s4包括以下子步骤：
[0088]
步骤s4-1，对步骤s2中的大量仿真子样本hrrp用步骤s3中方法估计单个样本的模型参数后做统计建模，以步骤s3-4设定的阈值ρ为界，若误差小于阈值，则该仿真样本对应的模型参数有效，可以用以表征场景；若误差大于阈值则舍弃该仿真样本。
[0089]
步骤s4-2，不同场景下，每46个子样本hrrp对应138个模型参数，这138个模型参数组成新样本称为参数样本，参数样本标签对应相应的场景。
[0090]
步骤s4-3，对每个参数样本，将其重构为三通道的二维参数样本序列，每个通道只存储一类46个参数，用于训练的参数样本和用于测试的参数样本应格式相同。
[0091]
步骤s5，训练步骤s4的一维卷积神经网络，使得损失函数值趋于稳定并接近0。
[0092]
图9是本发明实施例中使用的一维卷积神经网络的网络结构图。
[0093]
如图9所示，构造一维卷积神经网络的网络结构包括3个卷积层、2个平均池化层、一个全连接层、dropout层以及网络末端的softmax分类器。
[0094]
图10是本发明实施例中一维卷积神经网络学习过程示意图。
[0095]
如图10所示，网络结构包括神经网络三种典型的学习过程，具体为步骤如下：
[0096]
步骤s5-1，卷积，卷积层使用一维卷积核沿样本序列方向卷积以提取相对位置的底层特征信息，卷积核数目决定了输出后的通道数，经过多次卷积以提取更高维的特征；第
一、第二卷积层使用大小为3的卷积核，主要学习不同概率密度函数估计下同一参数的相关特征；在第三个卷积层使用了大小为1的卷积核，可以学习同一概率密度函数估计下μ、s、m三个参数的融合特征。
[0097]
步骤s5-2，平均池化，池化也称为下采样，通常紧跟在卷积层之后，保留上层输入综合特征的同时实现特征降维，以此减小网络的参数数量，提高模型泛化能力防止过拟合；通常在目标识别中我们要保留纹理和结构特征淡化背景，选用最大池化，本实施例中，由于对杂波母样本hrrp信号滑窗采样后的子hrrp样本做参数估计，因此用平均池化代替最大池化，以保留数据的整体特征。
[0098]
步骤s5-3，全连接，全连接层通常出现在网络末端，其每个节点都与上层的所有节点相连，将卷积、池化后提取到的特征综合起来，末端连接softmax层实现分类。
[0099]
其中，训练优化多分类交叉熵损失函数使其趋于0,表达式为：
[0100][0101]
多分类交叉熵损失函数通常与softmax单标签分类器一起使用，只专注于单个样本分类正确与否,因此yi非0即1；当loss值越接近0，分类准确率越高。
[0102]
步骤s6，调取步骤s5中的训练好的一维卷积神经网络，测试分类结果。
[0103]
鉴于神经网络的结构，训练样本与测试样本应具有相同的大小即3
×
46的三通道二维序列。
[0104]
为保证测试样本未被训练，在条件允许情况下，可用实测样本测试，一般情况下可以选择依赖实测样本重新仿真得到未被训练的hrrp数据，重复步骤s3、步骤s4、进而构造测试集参数序列样本用以测试网络性能。也就是说，若有条件获取大场景下较长长度的实测数据可直接对实测数据分类，否则用基于经验的itm杂波仿真方法获取新的仿真样本作为hrrp测试样本数据；对hrrp测试样本数据求解模型参数，用步骤s4中的方法构造测试集参数序列样本。
[0105]
实施例作用与效果
[0106]
根据本发明的基于hrrp信号幅度统计特征的自然场景分类方法，将深度学习与hrrp信号幅度统计建模相结合，估计幅度统计模型参数用以表征各类场景，将各类场景的模型参数以序列模式送入一维卷积神经网络用以学习幅度统计模型参数特征，最终实现自然场景精确分类。
[0107]
由于深度学习依赖于大数据集而实测数据不易获得，因此使用经验itm杂波仿真方法，有效的获取大量可靠的仿真数据用以替代实测数据是必要且高效的。
[0108]
自然场景的一组hrrp信号在每个距离单元的回波幅值大小被看作是独立随机的，不同于特定目标的hrrp序列存在峰值点，场景的雷达回波信号本质属于杂波，对匀质地表hrrp序列做幅度统计建模估计特定分布模型下的模型参数组，可以表征具体的一类自然场景。
[0109]
由于直接训练杂波的hrrp序列提取高隐层特征是困难的，需要海量数据集以及深层次的复杂网络结构，因此本发明提出以幅度分布模型参数表征各类场景hrrp信号，从而构造模型参数序列样本集训练卷积神经网络，进而实现对自然场景精确分类。
[0110]
上述实施例仅用于举例说明本发明的具体实施方式，而本发明不限于上述实施例
的描述范围。