基於不確定性和數據拒判的雷達目標分類方法

2023-05-02 03:58:04

1.本發明屬於通信技術領域，更進一步涉及雷達信號處理技術領域中的一種基於不確定性和數據拒判的雷達目標分類方法。本發明可以在存在雜波、信噪比較低、欺騙式環境中，對雷達回波進行可信的分類。


背景技術：

2.在實際應用中，雷達遠距離跟蹤到目標並不斷得到目標的脈衝回波數據，現有目標識別方法對得到的每一個脈衝回波數據進行決策而不加以拒判。然而實際工程應用中採集到的目標回波數據會受到各種因素的影響，例如：其他目標的雜波、天氣因素以及敵機對抗性幹擾等問題。這些受到幹擾的低質量數據，它們的信號支撐區部分與訓練庫內數據嚴重失配，不包含可以提取的可分類別特徵，ratr系統不能夠準確的對其進行分類識別。如果不加以篩選，這些受到汙染的雷達回波與可分的高質量雷達回波混在一起，會嚴重降低最終的分類識別率，如何合理有效的去除低質量雷達回波數據是雷達目標分類的難題之一。
3.jian chen在其發表的論文「target-attentional cnn for radar automatic target recognition with hrrp」(發表期刊：singal processing，doi：10.1016/j.sigpro.2022.108497)中提出了一種基於注意力加權的cnn卷積識別網絡的雷達目標識別方法。該方法藉助卷積層提取hrrp深層語義特徵，而後將提取後的特徵依序送入lstm模型中得到不同距離單元的加權權重，藉助加權權重對原始特徵加權後得到最終的特徵而後送入分類層進行hrrp目標判別。藉助注意力加權的方式該方法雖然可以在高質量雷達信號識別中取得了較好的識別性能，但是，該方法仍然存在不足之處是：由於該方法建立在訓練集與測試集同分布的前提條件下以此檢驗網絡性能，並不具備拒判能力，所以在存在雜波、欺騙式幹擾的真實環境中，受到幹擾的雷達回波依然會被誤判為其他目標，這造成分類方法的誤判，而使得識別率下降，嚴重影響了ratr系統的可靠性。
4.西安電子科技大學在其申請的專利文獻「基於隨機森林和數據拒判的地面目標分類方法」(專利申請號：201810874485.5，授權公告號：cn 109190673 b)中提出了一種基於隨機森林的數據拒判目標識別方法。該方法具體步驟如下：第一步，對訓練樣本集進行預處理；第二步，提取訓練樣本集中特徵矩陣；第三步，訓練隨機森林分類器；以上為訓練階段，在測試階段，第一步，使用同樣的方法對測試樣本進行預處理；第二步，提取測試樣本特徵向量；第三步，計算輸出概率向量；最後，輸出的概率向量與提前人為設置的閾值進行對比，若輸出概率向量大於預設的閾值則根據概率向量輸出測試樣本類別；反之，則拒判該雷達回波。雖然該方法可以對低質量雷達回波樣本拒判，但是該方法存在的問題在於，類別概率向量只能代表模型的判別結果，並不能代表模型對判別結果的置信程度，且模型存在過度自信的問題，導致直接以類別概率向量作為拒判準則難以有效區分低質量雷達回波樣本與高質量雷達回波樣本。除此之外，該方法預先設置的閾值並不具備魯棒性且嚴重依賴於研究人員的先驗知識，難以調試。


技術實現要素：

5.本發明的目的在於針對上述現有技術存在的不足，提出一種基於不確定性和數據拒判的雷達目標分類方法。旨在解決實測環境下目標識別率較低以及現有拒判方法採用的拒判準則難以有效辨別低質量雷達回波這兩個關鍵問題。
6.實現本發明目的的思路是，本發明在對與訓練集分布差異不大的高質量雷達回波信號正確分類的同時，對雜波、欺騙式幹擾等低質量雷達回波信號加以拒判以此解決實測環境下目標識別率較低的問題。同時本發明藉助主觀邏輯量化雷達回波的不確定性指標，在網絡訓練時即有意識的拉開高質量雷達回波樣本與低質量雷達回波樣本之間的差距，在測試時以網絡對測試樣本的不確定性指標作為拒判準則，更為準確的區分了低質量雷達回波樣本與高質量雷達回波樣本。通過解決上述兩個問題能夠在存在幹擾的真實實測環境中，有效的對不同雷達目標進行可信分類。
7.本發明的具體步驟如下：
8.步驟1，生成訓練集：
9.步驟1.1，將雷達接收到的至少有兩種不同類別的雷達回波與其對應類別標籤組成樣本集；
10.步驟1.2，依次利用重心對齊方法、二範數歸一化方法，對樣本集中的每一個hrrp雷達回波做數據預處理，將預處理處理後的樣本集作為訓練集；
11.步驟2，構建卷積神經網絡：
12.步驟2.1，搭建一個17層的卷積神經網絡，其結構依次為：第一卷積層、第一bn層、第一激活層、第一池化層、第二卷積層、第二bn層、第二激活層、第二池化層、第三卷積層、第三bn層、第三激活層、第三池化層、第四卷積層、第四bn層、第四激活層、第四池化層、全連接層；其中全連接層為分類層，其餘層為特徵提取層部分；
13.步驟2.2，將第一至第四卷積層的卷積核大小均設置為9，卷積核的個數依次設置為32，64，128，128，第一至第四激活層均採用relu的激活函數實現，第一至第四池化層均設置為最大值池化，全連接層輸出節點數設置為k，k代表飛機目標的類別總數；
14.步驟3，生成具有不確定性表示能力的損失函數如下：
[0015][0016]
其中，n代表訓練集中樣本的總數，i表示訓練集中樣本的編號，αi代表訓練集中第i個樣本對應的狄利克雷分布參數，λ與μ代表權重係數，λ與μ為在[0,1]範圍內任意選取的一個數，ui代表訓練集中第i個樣本對應的雷達回波不確定性指標，l
ace
(
·
)代表藉助狄利克雷分布產生不同的雷達回波結果，以此建模雷達回波結果的不確定性指標的損失函數，l
euc1
(
·
)代表藉助kl散度更好的建模雷達回波結果的不確定性指標的損失函數，l
euc2
(
·
)代表將ui融入平方項損失函數中，藉助對分對以及分錯的訓練雷達回波採取不同的操作以此拉開低質量雷達回波與高質量雷達回波之間的差距的損失函數；
[0017]
步驟4，利用生成的具有不確定性表示能力的損失函數訓練卷積神經網絡；
[0018]
步驟5，處理待測試雷達回波；
[0019]
步驟5.1，將高解析度雷達實時接收的一個目標hrrp回波信號作為測試雷達回波；
[0020]
步驟5.2，採用與步驟1.2相同的方法，處理實時接收到的hrrp信號，得到處理後的
測試雷達回波；
[0021]
步驟6，計算處理後的測試雷達回波不確定性指標；
[0022]
步驟6.1，將處理後的測試雷達回波輸入到訓練好的卷積神經網絡中，由該網絡的全連接層輸出證據向量；
[0023]
步驟6.2，計算測試雷達回波的不確定性指標；
[0024]
步驟7，判斷測試雷達回波的不確定性指標是否大於閾值0.5，若是，則執行步驟8，否則，執行步驟9；
[0025]
步驟8，將測試雷達回波作為受到汙染的低質量雷達回波信號，拒判該測試雷達回波；
[0026]
步驟9，將處理後的測試雷達回波證據向量中最大值對應的類別作為該測試雷達回波的目標分類結果。
[0027]
與現有技術相比，本發明具有以下優點：
[0028]
第一，由於本發明利用生成的具有不確定性表示能力的損失函數量化測試雷達回波的不確定性指標，克服了現有技術直接使用網絡輸出的概率向量難以有效區分低質量與高質量雷達回波樣本的缺陷，使得本發明能夠更為準確的描述模型對判別結果的置信度，同時更為精確的挖掘了與訓練庫失配的低質量雷達回波樣本。
[0029]
第二，由於本發明判斷雷達目標輸出的不確定性指標是否小於閾值，若是，則將測試樣本作為受到汙染的低質量雷達回波信號，拒判該測試樣本對下一幀雷達回波測試樣本進行判別；否則，將測試雷達回波證據向量中最大值對應類別作為該測試樣本的目標分類結果。由此克服了現有技術中在存在雜波、欺騙式幹擾的真實戰場環境中，由於低質量雷達回波與訓練庫樣本分布不一致，而導致識別率較低的缺陷，使得本發明具有能減少誤判和提高分類識別率的優點。
附圖說明
[0030]
圖1是本發明的流程圖。
具體實施方式
[0031]
下面結合圖1，對本發明實施例的實現步驟作進一步的描述。
[0032]
步驟1，生成訓練集。
[0033]
步驟1.1，從三種不同型號飛機(cessna、an-26、yark-42)的一維高分辨距離像(high-resolution range profile，hrrp)回波信號中，通過目標姿態計算，選取yark-42第2、5航段的35840個hrrp回波，選取cessna飛機第6、7航段的42512個hrrp回波，選取an-26的5、6航段的51200個hrrp回波，將由此得到的共計129552個hrrp雷達回波與其對應類別標籤組成樣本集。
[0034]
步驟1.2，依次利用重心對齊方法、二範數歸一化方法，對樣本集中的每一個hrrp雷達回波做數據預處理，以此消除樣本集中雷達回波姿態敏感性與幅值敏感性。將預處理處理好後的樣本集作為訓練集。
[0035]
步驟2，構建卷積神經網絡。
[0036]
步驟2.1，搭建一個17層的卷積神經網絡，其結構依次為：第一卷積層、第一bn層、
第一激活層、第一池化層、第二卷積層、第二bn層、第二激活層、第二池化層、第三卷積層、第三bn層、第三激活層、第三池化層、第四卷積層、第四bn層、第四激活層、第四池化層、全連接層；其中全連接層為分類層，其餘層為特徵提取層部分。
[0037]
設置卷積神經網絡的參數如下。將第一至第四卷積層的卷積核大小均設置為9，卷積核的個數依次設置為32，64，128，128。第一至第四激活層均採用relu的激活函數實現，第一至第四池化層均設置為最大值池化，全連接層輸出節點數設置為k，k代表飛機目標的類別總數，本發明實施例中k＝3。
[0038]
步驟3，生成具有不確定性表示能力的損失函數如下：
[0039][0040]
其中，n代表訓練集中樣本的總數，下標i表示訓練集中樣本的編號，αi代表訓練集中第i個樣本對應的狄利克雷分布參數；λ與μ代表權重係數，一般為小於等於1大於等於0的一個常數，在本實施例中均為1；l
ace
(
·
)代表基於狄利克雷分布的交叉熵損失函數，通過融入狄利克雷分布，完成不確定性分布建模，使得網絡的輸出具有不確定性表示能力，其作用在於幫助網絡提取類別可分離特徵，達到正確分類的效果；l
euc1
(
·
)損失函數與l
euc2
(
·
)損失函數均為正則化損失函數，用於輔助l
ace
(
·
)學習到更好的特徵以及避免過擬合。l
euc1
(
·
)損失函數通過對當前迭代中分對的訓練樣本和分錯的訓練樣本做不同的處理來更好的建模雷達回波不確定性，促使網絡學習強可分離特徵，而忽略一些容易造成誤判的若可分離特徵，解決了傳統神經網絡過度自信的問題。l
euc2
(
·
)損失函數同樣對分對的訓練hrrp樣本與分錯的訓練hrrp樣本分別處理，其中對於分對的訓練hrrp樣本，使其不確定性指標低於0.5，而對於分錯的訓練hrrp樣本使其不確定性指標高於0.5。藉助這種方式避免了部分樣本儘管分對了，但是網絡優化不夠徹底導致其不確定性指標較大，同樣避免部分分錯的難分樣本不確定性指標較低。這樣做在訓練時即有意識引入了不確定性指標，拉大了易分樣本與難分樣本之間的不確定性指標差異，使得測試時直接以u＝0.5作為閾值有理可循，解決了不同數據集閾值選取難以確定的問題。
[0041]
所述αi與ui具體計算公式如下。設訓練集中第i個編號的訓練hrrp樣本通過神經網絡全連接層輸出的值為ei＝(e
i1
,e
i2
,...,e
ik
)，定義αi＝(α
i1
,α
i2
,...,α
ik
)＝(e1+1,e2+1,...,ek+1)，令則該訓練雷達回波的不確定性指標為k為雷達回波類別數目，本實施例中k＝3。
[0042]
所述l
ace
(
·
)損失函數具體形式如下所示：
[0043][0044]
其中，其中，代表雙伽馬函數，yi代表第i個編號的訓練hrrp樣本對應的類別標籤獨熱向量，y
ij
代表yi中第j個元素對應的值。
[0045]
所述l
euc1
(
·
)函數具體形式如下所示：
[0046][0047]
其中，代表第i個編號的訓練hrrp樣本對應的雷達回波網絡預測的類別標籤獨熱向量，kl[
·
]代表kullback-leibler散度函數，代表訓練集中第i個編號的訓練hrrp樣本對應的掩膜狄利克雷分布參數，
⊙
代表向量點乘操作，d(pi|αi)以及d(pi|1)分別代表以αi與k維全1向量為參數的狄利克雷分布。
[0048]
所述l
euc2
(
·
)函數具體形式如下所示：
[0049][0050]
其中，ui代表第i個編號的訓練hrrp樣本對應的不確定性指標。
[0051]
步驟4，利用生成的具有不確定性表示能力的損失函數訓練卷積神經網絡。
[0052]
將訓練集輸入到卷積神經網絡中，利用步驟3生成的具有不確定性表示能力的損失函數計算卷積神經網絡中全連接層的輸出與類別標籤之間的誤差，從卷積神經網絡的頂層向下傳播該誤差，更新卷積神經網絡的參數，不斷迭代上述過程直至損失函數收斂，得到訓練好的卷積神經網絡。
[0053]
步驟5，處理待測試雷達回波。
[0054]
步驟5.1，將高解析度雷達實時接收的一個目標hrrp回波信號作為測試雷達回波。
[0055]
步驟5.2，採用與步驟1.2相同的流程，處理實時接收到的hrrp信號，得到處理後的測試雷達回波。
[0056]
步驟6，計算處理後的測試雷達回波不確定性指標。
[0057]
步驟6.1，將處理後的測試雷達回波輸入到訓練好的卷積神經網絡中，由該卷積神經網絡的全連接層輸出證據向量e＝(e1,e2,...,ek)，將該證據向量中元素最大值的下標索引對應的雷達回波類別索引作為處理後的測試雷達回波類別。本發明實施例中k＝3，假設輸出的證據向量e＝(1,1,10)，第三個元素值最大，則處理後的測試雷達回波屬於第三個元素對應的第三類雷達回波目標。
[0058]
步驟6.2，按照下式，計算測試雷達回波的不確定性指標。
[0059][0060]
其中，u代表測試雷達回波的不確定性指標，k代表雷達回波類別的總數，在本實施例中k＝3，ej代表證據向量中第j個元素對應的值。
[0061]
步驟7，判斷測試雷達回波的不確定性指標是否大於閾值0.5，若是，則執行步驟8，否則，執行步驟9。
[0062]
步驟8，將測試雷達回波作為受到汙染的低質量雷達回波信號，拒判該測試雷達回波。
[0063]
步驟9，將處理後的測試雷達回波證據向量e＝(e1,e2,...,ek)中最大值對應的類別作為該測試雷達回波的目標分類結果。
[0064]
下面結合仿真實驗對本發明的效果做進一步的說明。
[0065]
1.仿真實驗條件：
[0066]
本發明軟體平臺為windows 10作業系統和pytorch框架。
[0067]
2.仿真實驗內容：
[0068]
本發明仿真實驗選用雷達採用地面逆合成孔徑(isar)c波段雷達，發射線性調頻脈衝信號，雷達中心頻率為5520mhz，脈衝重複頻率為400hz，信號帶寬為400mhz，距離解析度為0.375米。使用該雷達獲取三類不同型號飛機(yark-42、cessna、an-26)的hrrp回波數據。其中訓練集選取yark-42第2段、第5段、cessna第6段、第7段、an-26第5段、第6段雷達回波數據作為訓練數據，其餘雷達回波作為測試數據。在測試樣本中存在少部分雜波、未跟蹤到目標以及信噪比較低的低質量目標雷達回波。在實驗時，分別採用本發明方法和常規分類方法，對測試樣本進行分類。常規分類識別方法指的是不具備不確定性輸出能力的傳統機器學習算法以及深度學習算法，對分類結果不進行拒判。
[0069]
現有常規識別方法taran分類方法是指，bo chen等人在「target-aware recurrent attentional network for radar hrrp target recognition[j].signal processing,2019,155:268-280.」中提出的hrrp分類方法，簡稱taran方法。
[0070]
現有常規識別方法tacnn分類方法是指，jian chen等人在「target-attentional cnn for radar automatic target recognition with hrrp[j].signal processing,2022,196:108497.」中提出的hrrp分類方法，簡稱tacnn方法。
[0071]
3.仿真結果分析：
[0072]
為了評價本發明方法與常規分類方法，按照下式，分別計算本發明仿真實驗的每類地面目標的測試識別率，下面給出類平均識別率指標計算方法：
[0073][0074]
其中tri表示第i類中正確識別的測試樣本的數量，qi表示第i類中測試樣本的總數，nc表示共有幾類測試雷達目標。對於常規方法而言,其qi為第i類所有測試樣本總數。對於本方法來說，qi代表測試樣本中不確定性指標低於設定閾值0.5的樣本總數。上述指標越高，說明目標識別方法的性能越好。
[0075]
表1為不同方法在存在雜波、未跟蹤到目標以及信噪比較低的測試雷達回波數據集中識別率表現,如下所示：
[0076]
表1常規分類方法結果和本發明的測試識別率比較一覽表
[0077]
模型方法平均識別率taran90.04％tacnn93.14％ours(未拒判)90.12％ours(拒判)99.17％
[0078]
從表1中的平均識別率可以看出，本發明方法相比常規分類方法具有明顯優勢。具體而言，相對基於rnn模型taran方法，利用本發明對雷達目標進行分類時，雷達目標的測試識別率提升約10％，使得總體識別性能大幅提升。即便與最新的基於cnn模型的tacnn方法相比，其識別率依舊提升了約6％，體現了所提算法的有效性。由於本發明方法和常規方法
採用相同數據預處理手段，且未做拒判時識別性能為90.12％，所以性能的提升主要是由數據拒判帶來的，即數據拒判可以有效去除雜波、欺騙式幹擾等低質量雷達回波測試樣本，而常規方法會接受雜波、欺騙式幹擾等低質量雷達回波測試樣本，並進行隨機分類，這會導致每類雷達目標的識別率和平均識別率下降。