一种基于多层分类模型的雷达目标识别方法与流程

1.本发明涉及雷达目标识别与抗干扰技术领域，尤其涉及一种基于多层分类模型的雷达目标识别方法。


背景技术：

2.复杂环境下干扰信号与感兴趣目标的雷达特性日趋接近，雷达干扰的样式和性能在目标逼真度、复杂度和迭代速度等方面不断提高，其已成为弱化雷达系统目标检测识别能力的关键因素之一，严重影响了目标抗干扰性能的提升。同时，各类干扰手段和新型干扰层出不穷，传统固定模式下的目标检测识别技术无法根据外部环境的变化自适应动态调整，制约了复杂场景下的探测感知与目标辨识能力。
3.智能化目标检测识别技术通过逐层的方式增量获得关于目标的更加复杂的特征表达，在信息处理精细度和信息利用率等方面具备显著优势，能够大幅度提高干扰对抗环境下的雷达目标识别和对抗能力。由不同数据集和算法理论训练学习得到的智能模型，对数据的拟合泛化能力和适应性有所差异，单一分类器难以保证不同场景下的雷达目标识别效果，可能出现“此优彼劣”的情况。


技术实现要素：

4.鉴于上述的分析，本发明实施例旨在提供一种基于多层分类模型的雷达目标识别方法，用于解决单一分类器难以保证不同场景下雷达目标识别效果的问题。
5.本发明实施例公开了一种基于多层分类模型的雷达目标识别方法，所述方法包括：
6.对采集到的雷达实测回波数据进行低速特征提取；
7.将提取到的低速特征数据输入至预先构建好的多层分类模型，经由所述多层分类模型逐层处理后输出雷达目标识别结果；
8.所述多层分类模型通过以下方式预先构建得到：
9.对雷达实测回波样本数据进行特征提取和类别标签标注，形成第一层分类模型的样本集；所述样本集拆分为训练集和验证集；
10.对于每一层分类模型，基于当前层分类模型的训练集对当前层分类模型进行训练，并基于当前层分类模型的验证集对当前层分类模型进行验证，得到验证通过的当前层分类模型；
11.各层分类模型均验证通过后，顺次级联各层分类模型，完成多层分类模型的构建。
12.在上述方案的基础上，本发明还做出了如下改进：
13.进一步，将提取到的低速特征数据输入至预先构建好的多层分类模型，经由所述多层分类模型处理后输出雷达目标识别结果，包括：
14.从第一层至最后一层分类模型，依次将每一层分类模型的输入数据输入至该层分类模型，由该层分类模型进行预测识别，输出各类别标签的预测得分，依次遍历各层分类模
型，将最后一层分类模型输出的预测得分最高的类别作为所述低速特征数据对应的雷达目标识别结果并输出。
15.进一步，第一层分类模型的输入数据为提取到的低速特征数据；对于第二层至最后一层的每一层分类模型，均是将上一层分类模型输出的各类别标签的预测得分作为所述上一层输入数据的扩展特征，将所述上一层输入数据与对应的扩展特征合并形成该层分类模型的输入数据。
16.进一步，所提取的低速特征数据包括：雷达时域信息、频域信息和极化域信息。
17.进一步，所述时域信息包括：径向长度，目标检测点数，目标检测点密度；
18.所述频域信息包括：多普勒带宽，目标速度；
19.所述极化域信息包括：极化角，极化相似性特征。
20.进一步，所述类别标签包括：一种或多种雷达目标，目标干扰。
21.进一步，除第一层分类模型外，对于其余各层分类模型，获取当前层分类模型的样本集，包括：
22.将当前层的前一层分类模型的样本集中的每一样本数据分别在验证通过的该前一层分类模型下进行预测识别，将获得的各类别标签的预测得分作为对应样本数据的扩展特征，将每一样本数据与对应的扩展特征合并形成当前层分类模型的样本集。
23.进一步，基于当前层分类模型的训练集对当前层分类模型进行训练，包括：
24.设置当前层分类模型的参数初始值；
25.基于当前层分类模型的训练集对当前层分类模型进行训练，根据训练结果不断调整当前层分类模型的参数，直至满足训练结束条件，停止训练。
26.进一步，基于当前层分类模型的验证集对当前层分类模型进行验证，包括：
27.基于当前层分类模型的验证集对训练结束后的当前层分类模型进行验证，
28.若验证结果准确率满足验证结果准确率要求，则验证通过，从而得到验证通过的当前层分类模型；
29.否则，验证不通过，重新基于当前层分类模型的训练集对当前层分类模型进行训练。
30.进一步，所述训练结束条件为：
31.训练结果满足训练结果准确率要求，
32.或者，
33.训练次数超过设定的训练次数阈值要求。
34.与现有技术相比，本发明至少可实现如下有益效果之一：
35.本实施例中的基于多层分类模型的雷达目标识别方法，具备如下优势：
36.第一，能够利用特征表达能力较强的多层分类模型，实现不同场景下雷达目标的精确识别，很好地解决了单一分类器难以保证不同场景下雷达目标识别效果的问题。
37.第二，通过构建分层式的分类模型集成框架，深度挖掘不同分类器对特征的表达能力，形成综合化的目标分类决策设计，完成雷达目标数据的分类与识别。
38.第三，本发明不受限于特定的子分类器(即每层的基础模型)，具有良好的推广与算法适用能力。
39.第四，该方法能够通过集成的方式对单一分类器取长补短，提升学习算法对不同
场景下的数据拟合和泛化能力，从而增强雷达目标的精确识别效能。
40.本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
41.附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
42.图1为本发明实施例提供的基于多层分类模型的雷达目标识别方法流程图；
43.图2为本发明实施例提供的基于多层分类模型的雷达目标识别方法流程图；
44.图3为本发明实施例提供的基于两层分类模型的雷达目标识别方法流程图。
具体实施方式
45.下面结合附图来具体描述本发明的优选实施例，其中，附图构成本技术一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
46.本发明实施例公开了一种基于多层分类模型的雷达目标识别方法，流程图如图1所示，该方法包括如下步骤：
47.步骤s1：对采集到的雷达实测回波数据进行低速特征提取；
48.步骤s2：将提取到的低速特征数据输入至预先构建好的多层分类模型，经由所述多层分类模型逐层处理后输出雷达目标识别结果；
49.在本实施例中，所述多层分类模型通过以下方式预先构建得到，流程图如图2所示，包括：
50.步骤s1’：对雷达实测回波样本数据进行特征提取和类别标签标注，形成第一层分类模型的样本集；所述样本集拆分为训练集和验证集；
51.步骤s2’：对于每一层分类模型，基于当前层分类模型的训练集对当前层分类模型进行训练，并基于当前层分类模型的验证集对当前层分类模型进行验证，得到验证通过的当前层分类模型；
52.在步骤s2’中，除第一层分类模型外，对于其余各层分类模型，获取当前层分类模型的样本集，包括：
53.将当前层的前一层分类模型的样本集中的每一样本数据分别在验证通过的该前一层分类模型下进行预测识别，将获得的各类别标签的预测得分作为对应样本数据的特征扩展，将特征扩展后的样本数据作为当前层分类模型的样本集。
54.步骤s3’：各层分类模型均验证通过后，顺次级联各层分类模型，完成多层分类模型的构建；
55.与多层分类模型的构建过程相匹配，多层分类模型对低速特征数据的处理过程描述如下：
56.从第一层至最后一层分类模型，依次将每一层分类模型的输入数据输入至该层分类模型，由该层分类模型进行预测识别，输出各类别标签的预测得分，依次遍历各层分类模
型，将最后一层分类模型输出的预测得分最高的类别作为所述低速特征数据对应的雷达目标识别结果并输出。
57.其中，第一层分类模型的输入数据为提取到的低速特征数据；对于第二层至最后一层的每一层分类模型，均是将上一层分类模型输出的各类别标签的预测得分作为所述上一层输入数据的扩展特征，将所述上一层输入数据与对应的扩展特征合并形成该层分类模型的输入数据。
58.优选地，在步骤s1和步骤s1’中采用相同的低速特征提取方式，本实施例所提取的低速特征数据包括雷达时域、频域、极化域等多域信息；示例性地，所述时域信息包括：径向长度，目标检测点数，目标检测点密度；所述频域信息包括：多普勒带宽，目标速度；所述极化域信息包括：极化角，极化相似性特征。同时，在执行步骤s1’时，还需要根据雷达实测回波样本数据对应的类型，完成雷达实测回波样本数据的类别标签标注；类别标签包括：一种或多种雷达目标，目标干扰。
59.将每一帧雷达实测回波样本数据对应的特征提取和类别标签标注结果映射到预设的数据格式中，形成该帧雷达实测回波样本数据对应的样本数据；汇总所有的样本数据，形成第一层分类模型的样本集。
60.在预设的数据格式中，按照预定格式组织低速特征数据中的各项信息、以及类别标签；示例性地，若数据特征维度(即低速特征数据中的各项信息的总数)为f，则预设的数据格式中的前f列表示特征数据，最后一列表示类别标签。此时，第一层分类模型的样本集可以表示为n*(f+1)的矩阵，n为第一层分类模型的样本集中样本数量的总数。
61.将第一层分类模型的样本集按照一定比例拆分为训练集和验证集；示例性地，训练集和验证集中样本数量的比例关系为7:3。
62.优选地，在步骤s2’中，基于当前层分类模型的训练集对当前层分类模型进行训练，执行：
63.设置当前层分类模型的参数初始值；
64.基于当前层分类模型的训练集对当前层分类模型进行训练，根据训练结果不断调整当前层分类模型的参数，直至满足训练结束条件，停止训练。示例性地，所述训练结束条件为：训练结果满足训练结果准确率要求，或者，训练次数超过设定的训练次数阈值要求。
65.优选地，在步骤s2’中，基于当前层分类模型的验证集对当前层分类模型进行验证，执行：
66.基于当前层分类模型的验证集对训练结束后的当前层分类模型进行验证，
67.若验证结果准确率满足验证结果准确率要求，则验证通过，从而得到验证通过的当前层分类模型；
68.否则，验证不通过，重新基于当前层分类模型的训练集对当前层分类模型进行训练。
69.在本实施例中，所述多层分类模型的层数匹配于类别标签的数量。若类别标签的数量较多，则多层分类模型的层数也较多，以便能够对类别标签进行比较精细的分类；相反，若类别标签的数量较少，则多层分类模型的层数也较少，以降低多层分类模型的复杂度，降低处理难度。
70.常见的分类模型的类型包括机器学习回归模型、随机森林回归模型、svm分类模
型、决策树分类模型、朴素贝叶斯模型或神经网络模型等。对于每一层分类模型，可以根据当前层分类模型的特征数量、训练结果准确率要求以及验证结果准确率要求，选取当前层分类模型的类型。若当前层分类模型的特征数量较多、训练结果准确率要求以及验证结果准确率要求较高，则可以选用分类精度较高的分类模型，如神经网络模型；若当前层分类模型的特征数量较少、训练结果准确率要求以及验证结果准确率要求较低，则可以选择分类精度相对较低的分类模型，如svm分类模型，以缩短分类模型的训练及验证时间。
71.此外，为便于技术人员更好地实施本方案，本实施例以第一层分类模型选用机器学习回归模型为例，对分类模型的训练及验证过程做如下举例：
72.机器学习回归模型采用基于决策树的机器学习回归算法优化选取算法参数，以获得训练及验证通过的机器学习回归模型；具体地，包括：
73.(1)设置算法参数，计算基于基尼指数信息度量准则，并通过对第一次分类模型的训练集的训练学习，获取训练通过的机器学习回归模型；
74.(2)将第一层分类模型的验证集送入训练通过后的机器学习回归模型进行测试评估，获取机器学习回归模型对各类目标的分类识别性能；
75.在上述过程中，可以通过选取不同的算法参数，多次重复上述计算过程，选取最优分类识别性能下的机器学习回归模型及其所选用的算法参数。
76.当将第一层分类模型的样本集送入第一层分类模型中进行测试时，逐一获取第一层分类模型的样本集中每一样本数据在c种类比下的预测得分，形成n*c的预测得分矩阵；
77.将获得的各类别标签的预测得分作为对应样本数据的特征扩展，即将不同类别标签下的预测得分矩阵与第一层分类模型的样本集进行对应合并，形成第二层分类模型的样本集，其大小为n*(f+c+1)。图3为本发明实施例提供的基于两层分类模型的雷达目标识别方法流程图。
78.若还存在后续的分类模型，均通过执行上述操作实现样本集的扩展。
79.与现有技术相比，本实施例中的基于多层分类模型的雷达目标识别方法，能够利用特征表达能力较强的多层分类模型，实现不同场景下雷达目标的精确识别，很好地解决了单一分类器难以保证不同场景下雷达目标识别效果的问题。本实施例中提供的多层分类模型，通过构建分层式的分类模型集成框架，深度挖掘不同分类器对特征的表达能力，形成综合化的目标分类决策设计，完成雷达目标数据的分类与识别。本发明不受限于特定的子分类器(即每层的基础模型)，具有良好的推广与算法适用能力。该方法能够通过集成的方式对单一分类器取长补短，提升学习算法对不同场景下的数据拟合和泛化能力，从而增强雷达目标的精确识别效能。
80.本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
81.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种基于多层分类模型的雷达目标识别方法，其特征在于，所述方法包括：对采集到的雷达实测回波数据进行低速特征提取；将提取到的低速特征数据输入至预先构建好的多层分类模型，经由所述多层分类模型逐层处理后输出雷达目标识别结果；所述多层分类模型通过以下方式预先构建得到：对雷达实测回波样本数据进行特征提取和类别标签标注，形成第一层分类模型的样本集；所述样本集拆分为训练集和验证集；对于每一层分类模型，基于当前层分类模型的训练集对当前层分类模型进行训练，并基于当前层分类模型的验证集对当前层分类模型进行验证，得到验证通过的当前层分类模型；各层分类模型均验证通过后，顺次级联各层分类模型，完成多层分类模型的构建。2.根据权利要求1所述的基于多层分类模型的雷达目标识别方法，其特征在于，将提取到的低速特征数据输入至预先构建好的多层分类模型，经由所述多层分类模型处理后输出雷达目标识别结果，包括：从第一层至最后一层分类模型，依次将每一层分类模型的输入数据输入至该层分类模型，由该层分类模型进行预测识别，输出各类别标签的预测得分，依次遍历各层分类模型，将最后一层分类模型输出的预测得分最高的类别作为所述低速特征数据对应的雷达目标识别结果并输出。3.根据权利要求2所述的基于多层分类模型的雷达目标识别方法，其特征在于，第一层分类模型的输入数据为提取到的低速特征数据；对于第二层至最后一层的每一层分类模型，均是将上一层分类模型输出的各类别标签的预测得分作为所述上一层输入数据的扩展特征，将所述上一层输入数据与对应的扩展特征合并形成该层分类模型的输入数据。4.根据权利要求1所述的基于多层分类模型的雷达目标识别方法，其特征在于，所提取的低速特征数据包括：雷达时域信息、频域信息和极化域信息。5.根据权利要求4所述的基于多层分类模型的雷达目标识别方法，其特征在于，所述时域信息包括：径向长度，目标检测点数，目标检测点密度；所述频域信息包括：多普勒带宽，目标速度；所述极化域信息包括：极化角，极化相似性特征。6.根据权利要求1所述的基于多层分类模型的雷达目标识别方法，其特征在于，所述类别标签包括：一种或多种雷达目标，目标干扰。7.根据权利要求1-6中任一项所述的基于多层分类模型的雷达目标识别方法，其特征在于，除第一层分类模型外，对于其余各层分类模型，获取当前层分类模型的样本集，包括：将当前层的前一层分类模型的样本集中的每一样本数据分别在验证通过的该前一层分类模型下进行预测识别，将获得的各类别标签的预测得分作为对应样本数据的扩展特征，将每一样本数据与对应的扩展特征合并形成当前层分类模型的样本集。8.根据权利要求1所述的基于多层分类模型的雷达目标识别方法，其特征在于，基于当前层分类模型的训练集对当前层分类模型进行训练，包括：设置当前层分类模型的参数初始值；
基于当前层分类模型的训练集对当前层分类模型进行训练，根据训练结果不断调整当前层分类模型的参数，直至满足训练结束条件，停止训练。9.根据权利要求8所述的基于多层分类模型的雷达目标识别方法，其特征在于，基于当前层分类模型的验证集对当前层分类模型进行验证，包括：基于当前层分类模型的验证集对训练结束后的当前层分类模型进行验证，若验证结果准确率满足验证结果准确率要求，则验证通过，从而得到验证通过的当前层分类模型；否则，验证不通过，重新基于当前层分类模型的训练集对当前层分类模型进行训练。10.根据权利要求8所述的基于多层分类模型的雷达目标识别方法，其特征在于，所述训练结束条件为：训练结果满足训练结果准确率要求，或者，训练次数超过设定的训练次数阈值要求。

技术总结
本发明公开了一种基于多层分类模型的雷达目标识别方法，涉及雷达目标识别与抗干扰技术领域，解决了单一分类器难以保证不同场景下雷达目标识别效果的问题。所述方法包括：对采集到的雷达实测回波数据进行低速特征提取；将提取到的低速特征数据输入至预先构建好的多层分类模型，经由多层分类模型逐层处理后输出雷达目标识别结果；多层分类模型通过以下方式预先构建得到：对雷达实测回波样本数据进行特征提取和类别标签标注，形成第一层分类模型的样本集；样本集拆分为训练集和验证集；对于每一层分类模型，基于当前层分类模型的训练集对当前层分类模型进行训练，并基于当前层分类模型的验证集对其进行验证，从而完成多层分类模型的构建。型的构建。型的构建。


技术研发人员：赵英海 张品 许静 王磊 赵国 刘轩
受保护的技术使用者：北京华航无线电测量研究所
技术研发日：2022.01.24
技术公布日：2023/8/4