基于深度神经网络的雷达幅度序列目标识别

来源:用户上传      作者:梁聪 尹扬帆

　　摘要：在雷达目标识别中，由于目标结构的不同，目标对雷达发射波产生不同的回波。通过从雷达回波中提取目标的特征信息，可以对目标进行分类识别。目标特征均存在计算量大、环境要求高等问题。针对上述问题，该文提出一种基于深度神经网络的雷达幅度序列目标识别的方法。该方法通过提取目标在运动过程中的幅度序列作为识别目标的特征，再利用深度神经网络进行识别。最后，利用实测数据对该方法进行验证。实验结果表明，该方法可以有效地对目标进行识别。
　　关键词：雷达目标识别;幅度序列;深度神经网络
　　中图分类号：TP393 文献标识码：A
　　文章编号：1009-3044（2020）13-0020-02
　　1引言
　　在现代雷达技术中，雷达目标识别被视作重要的技术发展方向，它是一项集传感器、目标、环境和现代信号处理技术为一体的繁杂系统工程。目标识别的过程大致可以分为回波信号获取、信号预处理、特征提取与分类判决输出。文献采用超带宽雷达获取人体的微动信息，来识别障碍物后有无生命体。文献采用低分辨雷达获取单兵、轮式车和履带车的微多普勒特征，利用SVM分类器实现对目标的识别。文献利用基于ISAR图像改良的InISAR图像进行特征提取和识别，也对在不同幅度、不同速度以及不同姿态下的目标进行对比，该方法充分利用了目标的几何特征，能够获得更好的性能。
　　现如今，在雷达目标识别中，对于雷达散射截面积、高分辨距离像等特征，都有诸多方法进行提取。然而提取过程中还是存在诸多困难的。雷达目标的幅度显然比较容易获得，而单一的利用某一时刻目标的幅度作为特征来进行目标识别则比较具有偶然性，存在较大误差。因此，本文通过提取目标在运动过程不同时刻的幅度而得到的幅度序列作为目标的特征进行识别则更加准确。针对提取的目标幅度序列特征利用深度神经网络模型进行识别，实验结果表明，基于深度神经网络的幅度序列目标识别的方法具有良好的识别分类效果，证明了该方法的有效性。
　　2目标幅度序列的提取
　　雷达目标幅度序列体现了目标在整个运动过程中幅度的变化情况。因此，需将目标的整个运动过程看作若干个运动过程，分别对这些运动过程进行处理，提取目标的幅度，再将这些幅度按时间进行排列，即可得到目标的幅度序列。
　　目标的回波信号经过二维FFT变换后，目标和杂波分布在距离一多普勒平面上，通过设置二维恒虚警的保护单元、参考单元对二维距离一多普勒平面上的目标进行检测，剔除虚假目标，得到二维距离一多普勒平面上目标的峰值位置信息。
　　通过比较决策阈值和待测单元，进而判断待测单元是否存在目标。再提取若干个运动过程中目标的幅度，即可得到目标的幅度序列。
　　4实验结果与分析
　　为了验证本文方法的有效性，采用LFMCW毫米波雷达采集的行人和车辆运动过程中的幅度序列进行识别实验。为了对比单层神经网络和深度神经网络的识别效果，本文设计单个隐层和三个隐层的神经网络结构，在实验过程中，两类目标均提取700组幅度序列以作为样本，每类目标均选取600组数据样本用来训练两种神经网络模型，再利用另外的两类的100组数据样本来检验两个模型的目标识别效果。实验结果如表1所示。
　　从表中数据可以看出，具有三个隐层的深度神经网络识别率明显高于单隐层神经网络。此外，为了验证该方法的识别效果，将本文的目标识别方法和其他文献中的方法进行比较，其结果如表2所示。
　　文献[5]采用循环神经网络的注意模型识别HRRP特征识别率达到88%，文献[6]采用最近邻法识别RCS目标，识别率可达70%，而本文通过提取行人和车辆运动目标的幅度序列，采用深度神经网络进行识别，识别率可以达到95%。由此可说明，运动目标的幅度序列可以用来进行目标识别，利用深度神经網络进行目标识别效果可观。
　　5结束语
　　针对雷达目标的识别问题，本文提出了通过提取运动目标的幅度序列，利用深度神经网络进行目标识别。实验结果表明，该方法识别率较高。本文的工作是利用幅度序列对运动目标进行识别的一种尝试，在复杂的背景噪声下，对动物、行人、不同类型车辆等多目标的分类识别有待进一步研究。
转载注明来源:https://www.xzbu.com/8/view-15266977.htm