CN114076924A - 一种基于多频回波数据实现大型复杂目标分类识别的方法 - Google Patents
一种基于多频回波数据实现大型复杂目标分类识别的方法 Download PDFInfo
- Publication number
- CN114076924A CN114076924A CN202010845657.3A CN202010845657A CN114076924A CN 114076924 A CN114076924 A CN 114076924A CN 202010845657 A CN202010845657 A CN 202010845657A CN 114076924 A CN114076924 A CN 114076924A
- Authority
- CN
- China
- Prior art keywords
- target
- model
- echo data
- classification
- radar
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000013145 classification model Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims description 25
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 18
- 239000000463 material Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 230000001413 cellular effect Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 10
- 230000005526 G1 to G0 transition Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 5
- 239000010410 layer Substances 0.000 description 40
- 238000004891 communication Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 235000006506 Brasenia schreberi Nutrition 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 238000005452 bending Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 229910001092 metal group alloy Inorganic materials 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于多频回波数据实现大型复杂目标分类识别的方法，包括：接收雷达回波数据；将雷达回波数据输入至预先训练完成的目标分类模型，得到目标分类识别结果；其中，目标分类模型为一神经网络模型，且目标分类模型是基于一多频回波数据库以及多频回波数据库中的每一回波数据对应的目标分类标签所训练获得的，每一回波数据对应多频中的一种频率。本发明可以提高雷达目标识别的识别效率，并降低虚警率。
Description
技术领域
本发明属于计算电磁学技术领域，具体涉及一种基于多频回波数据实现大型复杂目标分类识别的方法。
背景技术
雷达目标识别作为现代雷达的一个重要发展方向，技术难度高，在航天技术和战略预警中具有广阔的应用前景，是雷达领域的重点和热点研究方向。
现有技术中，雷达目标识别的方法多基于雷达图像分析来实现，在形成雷达图像的过程中，需要利用实测的回波数据进行一系列的处理，如脉冲压缩和匹配滤波等，耗费计算资源，识别效率低下；并且，形成雷达图像的过程中会损失原始回波数据中的一部分回波信息，使得目标识别的虚警率较高。
发明内容
为了解决现有技术中所存在的上述问题，本发明提供了一种基于多频回波数据实现大型复杂目标分类识别的方法。
本发明要解决的技术问题通过以下技术方案实现：
第一方面，本发明提供了一种基于多频回波数据实现大型复杂目标分类识别的方法，包括：
接收雷达回波数据；
将所述雷达回波数据输入至预先训练完成的目标分类模型，得到目标分类识别结果；
其中，所述目标分类模型为一神经网络模型，且所述目标分类模型是基于一多频回波数据库以及所述多频回波数据库中的每一回波数据对应的目标分类标签所训练获得的，每一回波数据对应所述多频中的一种频率。
可选地，所述多频回波数据库的构建方式包括：
构建各种目标的几何模型；
针对每种目标，基于该种目标外壳的材质和结构，为该种目标的几何模型包括的各个面元分别构建对应的介电参数模型，得到该种目标的初始建模模型；
基于每种目标的初始建模模型，分别构建每种目标的第一散射场模型；
针对每种目标，利用正交分析方法，分析并确定该种目标的第一散射场模型的多个敏感参数组合，并分别将每个敏感参数组合代入到该种目标的第一散射场模型中，得到该种目标的多个第二散射场模型；其中，所述敏感参数组合为对目标的回波幅度的影响超过阈值的目标参数和/或雷达参数的组合，所述目标参数为目标的参数；
将各种不同的雷达工作频率分别代入到每个第二散射场模型中，得到所述多频回波数据库。
可选地，所述构建各种目标的几何模型，包括：
获取每种目标初始的插值面节点信息和初始的插值网格单元；
针对属于飞行目标的每种目标，基于所获取的该种目标的插值面节点信息和的插值网格单元，利用双二次曲面插值方法构建该种目标的几何模型；
针对属于水体目标的每种目标，基于所获取的该种目标的插值面节点信息和的插值网格单元，利用非均匀三角网格剖分方法构建该种目标外壳上的平面结构与棱边结构，并利用元胞网格剖分方法构建该种目标外壳上的预设精细结构，得到该种目标的几何模型。
可选地，所述基于每种目标的初始建模模型，分别构建每种目标的第一散射场模型，包括：
针对属于飞行目标的每种目标，基于该种目标的初始建模模型，利用驻相法的插值面积分方法构建该种目标外壳上的平面结构和曲面结构的散射场，并利用插值面绕射积分方法构建该种目标外壳上的棱边结构的散射场，得到该种目标的第一散射场模型；
针对属于水体目标的每种目标，基于该种目标的初始建模模型，利用三角面片光学追踪方法构建该种目标外壳上的面类结构的散射场、利用元胞网格微分方法构建该种目标外壳上的预设精细结构的散射场、并利用三角面的绕射积分方法构建该种目标外壳上的棱边结构的散射场，得到该种目标的第一散射场模型；其中，所述面类结构至少包括：多角面结构、平面结构、曲面结构以及腔体结构。
可选地，所述目标分类模型的网络结构包括：特征提取层、全连接层以及Softmax输出层；
所述特征提取层包括多个级联的特征提取单元，每个特征提取单元包括一个卷积层和一个池化层；所述特征提取层中，相邻的卷积层和池化层之间均通过激活函数连接；
所述全连接层包括一个或多个。
可选地，所述多频回波数据库中的回波数据均为归一化的回波数据；
所述将所述雷达回波数据输入至预先训练完成的目标分类模型，得到目标分类识别结果，包括：
对所述雷达回波数据进行归一化处理；
将归一化处理后的雷达回波数据输入至预先训练完成的目标分类模型，得到目标分类识别结果。
第二方面，本发明提供了一种基于多频回波数据实现大型复杂目标分类识别的装置，包括：
接收模块，用于接收雷达回波数据；
模型应用模块，用于将所述雷达回波数据输入至预先训练完成的目标分类模型，得到目标分类识别结果；
其中，所述目标分类模型为一神经网络模型，且所述目标分类模型是基于一多频回波数据库以及所述多频回波数据库中的每一回波数据对应的目标分类标签所训练获得的，每一回波数据对应所述多频中的一种频率。
可选地，所述多频回波数据库的构建方式包括：
构建各种目标的几何模型；
针对每种目标，基于该种目标外壳的材质和结构，为该种目标的几何模型包括的各个面元分别构建对应的介电参数模型，得到该种目标的初始建模模型；
基于每种目标的初始建模模型，分别构建每种目标的第一散射场模型；
针对每种目标，利用正交分析方法，分析并确定该种目标的第一散射场模型的多个敏感参数组合，并分别将每个敏感参数组合代入到该种目标的第一散射场模型中，得到该种目标的多个第二散射场模型；其中，所述敏感参数组合为对目标的回波幅度的影响超过阈值的目标参数和/或雷达参数的组合，所述目标参数为目标的参数；
将各种不同的雷达工作频率分别代入到每个第二散射场模型中，得到所述多频回波数据库。
可选地，所述构建各种目标的几何模型，包括：
获取每种目标初始的插值面节点信息和初始的插值网格单元；
针对属于飞行目标的每种目标，基于所获取的该种目标的插值面节点信息和的插值网格单元，利用双二次曲面插值方法构建该种目标的几何模型；
针对属于水体目标的每种目标，基于所获取的该种目标的插值面节点信息和的插值网格单元，利用非均匀三角网格剖分方法构建该种目标外壳上的平面结构与棱边结构，并利用元胞网格剖分方法构建该种目标外壳上的预设精细结构，得到该种目标的几何模型。
可选地，所述基于每种目标的初始建模模型，分别构建每种目标的第一散射场模型，包括：
针对属于飞行目标的每种目标，基于该种目标的初始建模模型，利用驻相法的插值面积分方法构建该种目标外壳上的平面结构和曲面结构的散射场，并利用插值面绕射积分方法构建该种目标外壳上的棱边结构的散射场，得到该种目标的第一散射场模型；
针对属于水体目标的每种目标，基于该种目标的初始建模模型，利用三角面片光学追踪方法构建该种目标外壳上的面类结构的散射场、利用元胞网格微分方法构建该种目标外壳上的预设精细结构的散射场、并利用三角面的绕射积分方法构建该种目标外壳上的棱边结构的散射场，得到该种目标的第一散射场模型；其中，所述面类结构至少包括：多角面结构、平面结构、曲面结构以及腔体结构。
可选地，所述目标分类模型的网络结构包括：特征提取层、全连接层以及Softmax输出层；
所述特征提取层包括多个级联的特征提取单元，每个特征提取单元包括一个卷积层和一个池化层；所述特征提取层中，相邻的卷积层和池化层之间均通过激活函数连接；
所述全连接层包括一个或多个。
可选地，所述多频回波数据库中的回波数据均为归一化的回波数据；
所述模型应用模块，具体用于：
对所述雷达回波数据进行归一化处理；
将归一化处理后的雷达回波数据输入至预先训练完成的目标分类模型，得到目标分类识别结果。
第三方面，本发明提供一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述的基于多频回波数据实现大型复杂目标分类识别的方法所述的方法步骤。
第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于多频回波数据实现大型复杂目标分类识别的方法所述的方法步骤。
在本发明的又一方面中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述的基于多频回波数据实现大型复杂目标分类识别的方法所述的方法步骤。
本发明提供的一种基于多频回波数据实现大型复杂目标分类识别的方法中，无需形成雷达图像，直接基于原始的雷达回波数据即可得到目标分类识别结果，节省了计算资源，识别效率较高；并且，由于原始的雷达回波数据未损失回波信息，故而本发明得到的目标分类识别结果准确，与现有技术相比，可以降低虚警率。
另外，本发明中，构建各种目标在不同频率、不同参数组合下的第二散射场模型后，可以直接获得数据量庞大的多频回波数据库，无需实测获得，节省了实测所需的人力和物力。
以下将结合附图及对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种基于多频回波数据实现大型复杂目标分类识别的方法的流程示意图；
图2是本发明实施例提供的多频回波数据库的构建方式的流程示意图；
图3(a)是示例性示出的一个大型复杂水体目标的几何模型示意图；
图3(b)是示例性示出的一个大型复杂飞行目标的几何模型示意图；
图4(a)为利用图2所示流程为图3(a)中的大型复杂水体目标构建第二散射场模型后，得到的一组多频回波数据的仿真示意图；
图4(b)为利用图2所示流程为图3(b)中的大型复杂飞行目标构建第二散射场模型后，得到的一组多频回波数据的仿真示意图；
图5是本发明实施例提供的目标分类模型的网络结构示意图；
图6是本发明实施例提供的一种基于多频回波数据实现大型复杂目标分类识别的装置的结构示意图；
图7是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
为了提高雷达目标识别的识别效率，并降低虚警率，本发明实施例提供了一种基于多频回波数据实现大型复杂目标分类识别的方法、装置及电子设备。其中，本发明实施例提供的该装置为本发明实施例提供的该方法的执行主体，该装置可以应用于本发明实施例提供的该电子设备中。在实际应用中，该电子设备可以是台式计算机、便携式计算机或雷达等，在此不作限定，任何可以实现本发明的电子设备，均属于本发明的保护范围。
首先，对本发明实施例提供的一种基于多频回波数据实现大型复杂目标分类识别的方法进行详细说明。如图1所示，该方法可以包括以下步骤：
S101：接收雷达回波数据。
可以理解的是，该雷达回波数据是雷达的接收机所接收的。
S102：将雷达回波数据输入至预先训练完成的目标分类模型，得到目标分类识别结果。
其中，目标分类模型为一神经网络模型，且该目标分类模型是基于一多频回波数据库以及该多频回波数据库中的每一回波数据对应的目标分类标签所训练获得的，每一回波数据对应多频中的一种频率。
可以理解的是，本发明实施例中，提出了一种新型的雷达目标识别方法，该方法无需形成雷达图像，直接基于原始的雷达回波数据即可得到目标分类识别结果，节省了计算资源，识别效率较高；并且，由于原始的雷达回波数据未损失回波信息，故而本发明实施例得到的目标分类识别结果准确，与现有技术相比，可以降低虚警率。
其中，为了获得数据量庞大的多频回波数据库，从而提高目标分类识别结果的准确率，本发明实施例提供了一种优选的多频回波数据库的构建方法，如图2所示，包括以下步骤：
S201：构建各种目标的几何模型。
在实际应用中，可以参考实际的雷达目标识别场景中所涉及的各种目标，分别构建他们的几何模型。这里说的各种目标可以包括各种大型复杂目标，如各种飞行目标以及各种水体目标等等。当然，对于小型目标而言，本发明实施例提供的多频回波数据库的构建方法同样可用。
图3(a)示例性的示出了一个大型复杂水体目标的几何结构示意图，图3(b)示例性的示出了一个大型复杂飞行目标的几何结构示意图。可以理解的是，对于大型复杂目标而言，其外壳不同的部位可以采用不同的几何建模方式来构建。为了方案布局清晰，后续对构建各种目标的几何模型的具体实现方式进行示例性的说明。
S202：针对每种目标，基于该种目标外壳的材质和结构，为该种目标的几何模型包括的各个面元分别构建对应的介电参数模型，得到该种目标的初始建模模型。
可以理解的是，大型复杂目标不仅几何结构复杂，其材质也因不同部位所实现功能的不同而相应变化。例如，水体目标的外壳多采用金属合金，且为了最大限度地延长水体目标的使用寿命，外壳表面通常还覆有油漆涂层材料等；同时，为了提高航速和灵活性，水体目标的甲板和舱体等部位多采用复合材料。因此，本发明实施例中，根据目标外壳的实际材质和结构建立相应的介电参数模型。其中，目标外壳的结构可以是单层的，也可以是多层的，故而在构建介电参数模型时，除了考虑目标外壳的材质外，还需要考虑目标外壳的各部位的实际结构，构建对应的介电参数模型，从而得到目标的初始建模模型。可以理解的是，该初始建模模型可以表达目标的几何构造和关于导电性能的电磁特性。
S203：基于每种目标的初始建模模型，分别构建每种目标的第一散射场模型。
可以理解的是，大型飞行目标的结构相对简单，主要包含类柱面、平面及部分棱边等结构，而大型水体目标则包括类平面结构、多面角结构以及边缘、尖顶、弯折不连续等结构，这两类目标的结构特点不同，相应的第一散射场模型的构建方式也可以区别开来。后续将对飞行目标和水体目标的第一散射场模型的构建方式进行示例性的说明。
S204：针对每种目标，利用正交分析方法，分析并确定该种目标的第一散射场模型的多个敏感参数组合，并分别将每个敏感参数组合代入到该种目标的第一散射场模型中，得到该种目标的多个第二散射场模型。
其中，敏感参数组合为对目标回波幅度的影响超过阈值的目标参数和/或雷达参数的组合，该目标参数指的是目标的参数，可以包括目标的类型、尺寸、姿态以及位置等多种参数，并不限于这里所示出的；雷达参数可以包括雷达的工作频率、带宽、角度以及极化方式等多种参数，同样并不限于这里所示出的。
可以理解的是，不同参数对目标的回波幅度的影响程度不一致，为了更好的利用多频回波数据库训练更为准确的目标分类模型，本发明实施例在目标的第一散射场模型的基础上进一步进行了参数敏感性分析，从而确定了多组对回波幅度特性具有重要影响的典型参数，作为多个敏感参数组合。然后，分别将每个敏感参数组合代入到目标的第一散射场模型中，从而得到了多个第二散射场模型；由此，这些第二散射场模型囊括了目标在实际工作中的各种不同的情况下的散射场。
S205：将各种不同的雷达工作频率分别代入到每个第二散射场模型中，得到多频回波数据库。
具体的，将每个第二散射场模型中代表雷达工作频率的参数分别设置为各种不同的频率，由此便可以模拟出目标在各种不同频率下的真实的散射场，从而得到海量的多频回波数据，形成多频回波数据库。由此可见，本发明实施例在构建各种目标在不同频率、不同参数组合下的第二散射场模型后，可以直接获得数据量庞大的多频回波数据库，无需实测获得，节省了实测所需的人力和物力。这样，利用该多频回波数据库来训练搭建好的神经网络模型，便可以得到训练完成的目标分类模型。
下面，对步骤S201中构建每种目标的几何模型的具体实现方式进行示例性的说明。
示例性的，构建各种目标的几何模型，可以包括：
获取每种目标初始的插值面节点信息和初始的插值网格单元；
针对属于飞行目标的每种目标，基于所获取的该种目标的插值面节点信息和的插值网格单元，利用双二次曲面插值方法构建该种目标的几何模型；
针对属于水体目标的每种目标，基于所获取的该种目标的插值面节点信息和的插值网格单元，利用非均匀三角网格剖分方法构建该种目标外壳上的平面结构与棱边结构、并利用元胞网格剖分方法构建该种目标外壳上的精细结构，得到该种目标的几何模型；其中，预设精细结构可以由人工经验选定，包括但不限于上述步骤S203中提到的边缘、尖顶、弯折不连续等结构。
在实际应用中，可以利用几何建模类的相关软件生成每种目标初始的插值面节点信息和初始的插值网格单元。然后，对于不同的目标，按照本发明实施例示出的相应方法对插值网格单元进行进一步的开发，得到目标的点云模型，即目标的几何模型。
可以理解的是，对于外壳结构区别于同类常规目标的水体目标或飞行目标而言，其几何模型的具体构建方式并不限于这里所示出的，可以根据其自身外壳各部位的结构特点，参照上述示出的各种结构所适宜的建模方法来进行构建。
相应的，步骤S203中，基于每种目标的初始建模模型，分别构建每种目标的第一散射场模型，可以包括：
针对属于飞行目标的每种目标，基于该种目标的初始建模模型，利用驻相法的插值面积分方法构建该种目标外壳上的平面结构和曲面结构的散射场，并利用插值面绕射积分方法构建该种目标外壳上的棱边结构的散射场，得到该种目标的第一散射场模型；
针对属于水体目标的每种目标，基于该种目标的初始建模模型，利用三角面片光学追踪方法构建该种目标外壳上的面类结构的散射场、利用元胞网格微分方法构建该种目标外壳上的预设精细结构的散射场、并利用三角面的绕射积分方法构建该种目标外壳上的棱边结构的散射场，得到该种目标的第一散射场模型；其中，水体目标的面类结构至少包括：多角面结构、平面结构、曲面结构以及腔体结构。
同理的，对于外壳结构区别于同类常规目标的水体目标或飞行目标而言，其第一散射场模型的具体构建方式并不限于这里所示出的，可以根据其自身外壳各部位的结构特点，参照上述示出的各种结构所适宜的散射场构建方法来进行构建。
示例性的，按照上述过程，为图3(a)中的大型复杂水体目标构建第二散射场模型后，得到的一组多频回波数据的仿真示意图参见图4(a)，为图3(b)中的大型复杂飞行目标构建第二散射场模型后，得到的一组多频回波数据的仿真示意图参见图4(b)。图4(a)和图4(b)中，φ和θ分别代表电磁波的入射角和散射角；RCS(Radar Cross section)代表雷达散射截面。
下面，对本发明实施例中所使用的目标分类模型进行举例说明。如图5所示，该目标分类模型的网络结构可以包括：特征提取层501、全连接层502以及Softmax输出层503；其中，特征提取层包括多个级联的特征提取单元5011，每个特征提取单元5011包括一个卷积层和一个池化层；在该特征提取层501中，相邻的卷积层和池化层之间均通过激活函数连接，该激活函数可以是线性修正单元(ReLu，Rectified Linear Unit)。
在实际应用中，在训练目标分类模型时，基于多频回波数据库中的每个回波数据及其对应的目标分类标签可以构建训练样本，利用这些训练样本训练目标分类模型，并计算模型的损失值；当损失值小于预设的损失值阈值时，结束训练，得到训练完成的目标分类模型。
另外，为了便于训练和使用目标分类模型，多频回波数据库中的回波数据均可以处理为归一化的回波数据；相应的，图1的步骤S101中，将雷达回波数据输入至预先训练完成的目标分类模型，得到目标分类识别结果的步骤，可以包括：
对雷达回波数据进行归一化处理；
将归一化处理后的雷达回波数据输入至预先训练完成的目标分类模型，得到目标分类识别结果。
相应于上述的一种基于多频回波数据实现大型复杂目标分类识别的方法，本发明实施例还提供了一种基于多频回波数据实现大型复杂目标分类识别的装置，如图6所示，该装置可以包括：
接收模块601，用于接收雷达回波数据.
模型应用模块602，用于将雷达回波数据输入至预先训练完成的目标分类模型，得到目标分类识别结果；
其中，目标分类模型为一神经网络模型，且目标分类模型是基于一多频回波数据库以及多频回波数据库中的每一回波数据对应的目标分类标签所训练获得的，每一回波数据对应多频中的一种频率。
可选地，多频回波数据库的构建方式包括：
构建各种目标的几何模型；
针对每种目标，基于该种目标外壳的材质和结构，为该种目标的几何模型包括的各个面元分别构建对应的介电参数模型，得到该种目标的初始建模模型；
基于每种目标的初始建模模型，分别构建每种目标的第一散射场模型；
针对每种目标，利用正交分析方法，分析并确定该种目标的第一散射场模型的多个敏感参数组合，并分别将每个敏感参数组合代入到该种目标的第一散射场模型中，得到该种目标的多个第二散射场模型；其中，敏感参数组合为对目标回波幅度的影响超过阈值的目标参数和/或雷达参数的组合，目标参数为目标的参数；
将各种不同的雷达工作频率分别代入到每个第二散射场模型中，得到所述多频回波数据库。
可选地，构建各种目标的几何模型，包括：
获取每种目标初始的插值面节点信息和初始的插值网格单元；
针对属于飞行目标的每种目标，基于所获取的该种目标的插值面节点信息和的插值网格单元，利用双二次曲面插值方法构建该种目标的几何模型；
针对属于水体目标的每种目标，基于所获取的该种目标的插值面节点信息和的插值网格单元，利用非均匀三角网格剖分方法构建该种目标外壳上的平面结构与棱边结构、并利用元胞网格剖分方法构建该种目标外壳上的预设精细结构，得到该种目标的几何模型。
可选地，基于每种目标的初始建模模型以及该种目标属于飞行目标或水体目标的归属信息，分别构建每种目标的第一散射场模型，包括：
针对属于飞行目标的每种目标，基于该种目标的初始建模模型，利用驻相法的插值面积分方法构建该种目标外壳上的平面结构和曲面结构的散射场、并利用插值面绕射积分方法构建该种目标外壳上的棱边结构的散射场，得到该种目标的第一散射场模型；
针对属于水体目标的每种目标，基于该种目标的初始建模模型，利用三角面片光学追踪方法构建该种目标外壳上的面类结构的散射场、利用元胞网格微分方法构建该种目标外壳上的预设精细结构的散射场、并利用三角面的绕射积分方法构建该种目标外壳上的棱边结构的散射场，得到该种目标的第一散射场模型；其中，面类结构至少包括：多角面结构、平面结构、曲面结构以及腔体结构。
可选地，目标分类模型的网络结构包括：特征提取层、全连接层以及Softmax输出层；
特征提取层包括多个级联的特征提取单元，每个特征提取单元包括一个卷积层和一个池化层；特征提取层中，相邻的卷积层和池化层之间均通过激活函数连接；
全连接层包括一个或多个。
可选地，多频回波数据库中的回波数据均为归一化的回波数据；
模型应用模块602，具体用于，包括：
对雷达回波数据进行归一化处理；
将归一化处理后的雷达回波数据输入至预先训练完成的目标分类模型，得到目标分类识别结果。
本发明实施例提供的基于多频回波数据实现大型复杂目标分类识别的装置中，无需形成雷达图像，直接基于原始的雷达回波数据即可得到目标分类识别结果，节省了计算资源，识别效率较高；并且，由于原始的雷达回波数据未损失回波信息，故而本发明实施例得到的目标分类识别结果准确，与现有技术相比，可以降低虚警率。
另外，本发明实施例中，构建各种目标在不同频率、不同参数组合下的第二散射场模型后，可以直接获得数据量庞大的多频回波数据库，无需实测获得，节省了实测所需的人力和物力。
本发明实施例还提供了一种电子设备，如图7所示，包括处理器701、通信接口702、存储器703和通信总线704，其中，处理器701，通信接口702，存储器703通过通信总线704完成相互间的通信，
存储器703，用于存放计算机程序；
处理器701，用于执行存储器703上所存放的程序时，实现上述的基于多频回波数据实现大型复杂目标分类识别的方法所述的方法步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表征，图中仅用一条粗线表征，但并不表征仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明还提供了一种计算机可读存储介质。在该计算机可读存储介质中存储有计算机程序，计算机程序被处理器执行时，实现上述的任基于多频回波数据实现大型复杂目标分类识别的方法所述的方法步骤。
可选地，该计算机可读存储介质可以为非易失性存储器(Non-Volatile Memory，NVM)，例如为至少一个磁盘存储器。
可选的，所述计算机可读存储器还可以是至少一个位于远离前述处理器的存储装置。
在本发明的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述的基于多频回波数据实现大型复杂目标分类识别的方法所述的方法步骤。
需要说明的是，对于装置/电子设备/存储介质/计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
需要说明的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
尽管在此结合各实施例对本申请进行了描述，然而，在实施所要求保护的本申请过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (6)
1.一种基于多频回波数据实现大型复杂目标分类识别的方法，其特征在于，包括：
接收雷达回波数据；
将所述雷达回波数据输入至预先训练完成的目标分类模型，得到目标分类识别结果；
其中，所述目标分类模型为一神经网络模型，且所述目标分类模型是基于一多频回波数据库以及所述多频回波数据库中的每一回波数据对应的目标分类标签所训练获得的，每一回波数据对应所述多频中的一种频率。
2.根据权利要求1所述的方法，其特征在于，所述多频回波数据库的构建方式包括：
构建各种目标的几何模型；
针对每种目标，基于该种目标外壳的材质和结构，为该种目标的几何模型包括的各个面元分别构建对应的介电参数模型，得到该种目标的初始建模模型；
基于每种目标的初始建模模型，分别构建每种目标的第一散射场模型；
针对每种目标，利用正交分析方法，分析并确定该种目标的第一散射场模型的多个敏感参数组合，并分别将每个敏感参数组合代入到该种目标的第一散射场模型中，得到该种目标的多个第二散射场模型；其中，所述敏感参数组合为对目标回波幅度的影响超过阈值的目标参数和/或雷达参数的组合，所述目标参数为目标的参数；
将各种不同的雷达工作频率分别代入到每个第二散射场模型中，得到所述多频回波数据库。
3.根据权利要求2所述的方法，其特征在于，所述构建各种目标的几何模型，包括：
获取每种目标初始的插值面节点信息和初始的插值网格单元；
针对属于飞行目标的每种目标，基于所获取的该种目标的插值面节点信息和的插值网格单元，利用双二次曲面插值方法构建该种目标的几何模型；
针对属于水体目标的每种目标，基于所获取的该种目标的插值面节点信息和的插值网格单元，利用非均匀三角网格剖分方法构建该种目标外壳上的平面结构与棱边结构，并利用元胞网格剖分方法构建该种目标外壳上的预设精细结构，得到该种目标的几何模型。
4.根据权利要求3所述的方法，其特征在于，所述基于每种目标的初始建模模型，分别构建每种目标的第一散射场模型，包括：
针对属于飞行目标的每种目标，基于该种目标的初始建模模型，利用驻相法的插值面积分方法构建该种目标外壳上的平面结构和曲面结构的散射场，并利用插值面绕射积分方法构建该种目标外壳上的棱边结构的散射场，得到该种目标的第一散射场模型；
针对属于水体目标的每种目标，基于该种目标的初始建模模型，利用三角面片光学追踪方法构建该种目标外壳上的面类结构的散射场、利用元胞网格微分方法构建该种目标外壳上的预设精细结构的散射场、并利用三角面的绕射积分方法构建该种目标外壳上的棱边结构的散射场，得到该种目标的第一散射场模型；其中，所述面类结构至少包括：多角面结构、平面结构、曲面结构以及腔体结构。
5.根据权利要求1所述的方法，其特征在于，所述目标分类模型的网络结构包括：特征提取层、全连接层以及Softmax输出层；
所述特征提取层包括多个级联的特征提取单元，每个特征提取单元包括一个卷积层和一个池化层；所述特征提取层中，相邻的卷积层和池化层之间均通过激活函数连接；
所述全连接层包括一个或多个。
6.根据权利要求5所述的方法，其特征在于，所述多频回波数据库中的回波数据均为归一化的回波数据；
所述将所述雷达回波数据输入至预先训练完成的目标分类模型，得到目标分类识别结果，包括：
对所述雷达回波数据进行归一化处理；
将归一化处理后的雷达回波数据输入至预先训练完成的目标分类模型，得到目标分类识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010845657.3A CN114076924B (zh) | 2020-08-20 | 2020-08-20 | 一种基于多频回波数据实现大型复杂目标分类识别的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010845657.3A CN114076924B (zh) | 2020-08-20 | 2020-08-20 | 一种基于多频回波数据实现大型复杂目标分类识别的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114076924A true CN114076924A (zh) | 2022-02-22 |
| CN114076924B CN114076924B (zh) | 2024-07-16 |
Family
ID=80282345
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010845657.3A Active CN114076924B (zh) | 2020-08-20 | 2020-08-20 | 一种基于多频回波数据实现大型复杂目标分类识别的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114076924B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101738603A (zh) * | 2009-07-02 | 2010-06-16 | 北京理工大学 | 逼真目标回波模拟方法 |
| CN103018729A (zh) * | 2012-11-23 | 2013-04-03 | 北京航空航天大学 | 金属圆柱定标体雷达散射截面的计算方法 |
| CN107632291A (zh) * | 2017-08-18 | 2018-01-26 | 上海无线电设备研究所 | 一种基于极化雷达抗角反射器干扰的方法 |
| CN107886121A (zh) * | 2017-11-03 | 2018-04-06 | 北京清瑞维航技术发展有限公司 | 基于多波段雷达的目标识别方法、装置及系统 |
| CN109239684A (zh) * | 2018-10-15 | 2019-01-18 | 中国航天科工集团八五研究所 | 基于电磁散射模型的雷达目标回波模拟系统及其模拟方法 |
| CN109901159A (zh) * | 2019-04-04 | 2019-06-18 | 哈尔滨理工大学 | 一种基于深度学习的米波雷达目标识别方法 |
| CN110967678A (zh) * | 2019-12-20 | 2020-04-07 | 安徽博微长安电子有限公司 | 一种多波段雷达目标识别的数据融合算法及系统 |
-
2020
- 2020-08-20 CN CN202010845657.3A patent/CN114076924B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101738603A (zh) * | 2009-07-02 | 2010-06-16 | 北京理工大学 | 逼真目标回波模拟方法 |
| CN103018729A (zh) * | 2012-11-23 | 2013-04-03 | 北京航空航天大学 | 金属圆柱定标体雷达散射截面的计算方法 |
| CN107632291A (zh) * | 2017-08-18 | 2018-01-26 | 上海无线电设备研究所 | 一种基于极化雷达抗角反射器干扰的方法 |
| CN107886121A (zh) * | 2017-11-03 | 2018-04-06 | 北京清瑞维航技术发展有限公司 | 基于多波段雷达的目标识别方法、装置及系统 |
| CN109239684A (zh) * | 2018-10-15 | 2019-01-18 | 中国航天科工集团八五研究所 | 基于电磁散射模型的雷达目标回波模拟系统及其模拟方法 |
| CN109901159A (zh) * | 2019-04-04 | 2019-06-18 | 哈尔滨理工大学 | 一种基于深度学习的米波雷达目标识别方法 |
| CN110967678A (zh) * | 2019-12-20 | 2020-04-07 | 安徽博微长安电子有限公司 | 一种多波段雷达目标识别的数据融合算法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| DU W W, ET AL.: "Modeling and simulation of radar echo signal of aircraft targets with GRECO", 《2008 8TH INTERNATIONAL SYMPOSIUM ON ANTENNAS, PROPAGATION AND EM THEORY》, 31 December 2008 (2008-12-31), pages 859 - 862 * |
| XI LUO, ET AL: "A Novel 2-D Geometry Reconstruction Approach for Space Debris via Interpolation-Free Operation under Low SNR Conditions", 《REMOTE SENSING》, 26 June 2020 (2020-06-26), pages 1 - 17 * |
| 赵慧波等: "支持向量机的 OTHR 多频特征目标分类识别法", 《火力与指挥控制》, 29 February 2012 (2012-02-29), pages 16 - 19 * |
| 郭立新等: "目标与复杂地海面复合电磁散射研究现状综述", 《电波科学学报》, 29 February 2020 (2020-02-29), pages 69 - 84 * |
| 陆洪: "基于多频和极点特征的高频超视距雷达目标识别", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 August 2005 (2005-08-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114076924B (zh) | 2024-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | A CNN-based shock detection method in flow visualization | |
| CN104865562B (zh) | 基于混合模型的雷达非合作目标的识别方法 | |
| Pérez et al. | Analysis of antennas on board arbitrary structures modeled by NURBS surfaces | |
| Ozgun et al. | A transformation media based approach for efficient Monte Carlo analysis of scattering from rough surfaces with objects | |
| CN110362877B (zh) | 不确定因素的环境电磁散射特性分析方法 | |
| Ran et al. | Precipitation cloud identification based on faster-RCNN for Doppler weather radar | |
| CN114076924B (zh) | 一种基于多频回波数据实现大型复杂目标分类识别的方法 | |
| Bilal et al. | Multi‐frequency analysis of Gaussian process modelling for aperiodic RCS responses of a parameterised aircraft model | |
| Mansukhani et al. | Rcs based target classification using deep learning methods | |
| CN107884754A (zh) | 雷达散射面有效面积检测装置与方法 | |
| CN111832183B (zh) | 基于八叉树结构mlfma区域分解的电磁仿真方法 | |
| CN111414801B (zh) | 不确定性外形的电大非合作目标分类识别方法 | |
| US11280899B2 (en) | Target recognition from SAR data using range profiles and a long short-term memory (LSTM) network | |
| Ahmed et al. | A Numerically Efficient Method for Predicting the Scattering Characteristics of Complex Moving Targets | |
| Wang et al. | Edge diffraction in NURBS-UTD method | |
| CN111368398A (zh) | 一种不确定结构电大目标电磁散射特性分析方法及装置 | |
| CN116092072B (zh) | 一种航天器目标检测方法、系统、存储介质和电子设备 | |
| CN106156431A (zh) | 基于nurbs曲面建模的导体目标电磁散射仿真方法 | |
| Zhang et al. | Comparison of Satellite Target Recognition Methods | |
| He et al. | Comparison of satellite target recognition methods based on ISAR images | |
| Cao et al. | A Method to Obtain Deep Neural Network for Predicting ISAR Images of Coted Targets with Defect | |
| CN115629552B (zh) | 射频探测系统主要目标识别全链路模型校验方法及装置 | |
| Hao et al. | Target Simulation of Bucket Reflector Based on Complex Structure | |
| Li et al. | Modeling and Analysis of Creeping Wave Diffraction of Complex Target Surface Based on Planar Mesh Model | |
| Li et al. | Parallelized Multilevel Characteristic Basis function Method (MLCBFM) combined with Adaptive Cross Approximation (ACA) for the analysis of the scattering from electrically large rough surfaces |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |