1.一种基于微多普勒特征和深度学习的旋翼飞行器目标识别方法,其特征在于:该方法包括以下顺序的步骤:(1)分别仿真出单旋翼四叶片无人机、单旋翼三叶片无人机、四旋翼无人机的回波信号;
(2)通过理论计算分别得到单旋翼四叶片无人机、单旋翼三叶片无人机和四旋翼无人机的回波信号;
(3)通过短时傅里叶变换对步骤(1)、(2)中所述的回波信号进行时频变换,得到表示包括单旋翼四叶片无人机、单旋翼三叶片无人机和四旋翼无人机的微多普勒特征的时频图数据集;
(4)将时频图数据集按照8:2的比例划分为训练集和测试集;
(5)构建基于注意力机制的ResNet18-SVM神经网络;
(6)通过训练集训练基于注意力机制的ResNet18-SVM神经网络,得到训练好的基于注意力机制的ResNet18-SVM神经网络,并通过测试集对基于注意力机制的ResNet18-SVM神经网络进行测试;
(7)用训练好的基于注意力机制的ResNet18-SVM神经网络对三种类型旋翼飞行器的时频图进行分类,实现对三种类型旋翼飞行器的目标识别;
所述步骤(2)具体是指:单旋翼无人机的雷达回波信号其中,
对于四旋翼无人机,在雷达坐标系
由OQ和
其中,
因此
式中,
设
对于四旋翼无人机,第一个旋翼的雷达回波信号
其中,
第二个旋翼的雷达回波信号
式中,
第三个旋翼的雷达回波信号
式中,
第四个旋翼的雷达回波信号
式中,
将四个旋翼的雷达回波信号
所述步骤(5)具体是指:基于注意力机制的ResNet18-SVM神经网络由输入层、ResNet18网络、卷积注意力模块、SVM分类器和输出层组成,其中,ResNet18网络包括一个卷积层、四个残差子网络和一个全连接层,所述卷积层的卷积核大小为3×3,步长为1,填充为1;所述残差子网络包括两个卷积层、批归一化层以及ReLU激活函数层,所述卷积层的卷积核大小为3×3,步长为1;所述卷积注意力模块包括空间注意力机制和通道注意力机制模块,将卷积注意力模块加在ResNet18网络的最后一个残差子网络之后,有助于帮助网络集中注意力于最具信息量的特征上,更好地理解时频图的特征,提高分类性能;将ResNet18网络的全连接层更换为SVM分类器,提高模型泛化能力,改善边界决策。
2.根据权利要求1所述的基于微多普勒特征和深度学习的旋翼飞行器目标识别方法,其特征在于:所述步骤(1)具体是指:建立单旋翼四叶片无人机模型、单旋翼三叶片无人机模型并导入FEKO软件中,将旋翼中心放置在坐标系原点,设置入射波频率,设置俯仰角为任意固定值,将远场设置为单站,设置平面波方位角从某一初始角度开始,均匀采样至该初始角度加360°的范围内,以平面波方位角的变化模拟旋翼的旋转,利用网格搜索功能改变平面波方位角初始角度和俯仰角,运行FEKO软件得到.ffe文件序列,对每个.ffe文件进行处理,提取回波数据;
对于四旋翼无人机,建立四旋翼无人机模型并导入FEKO软件中,设置入射波频率,设置平面波入射角为任意固定值,设置俯仰角为任意固定值,将远场设置为单站,对于每个旋翼单独设置参考坐标系,添加表示旋翼旋转角度的变量,设置旋翼部件旋转参数,将设置好的表示旋翼部件旋转角度的变量直接作为旋翼部件旋转参数中的角度参数,设置网格搜索参数,实现四旋翼部件的旋转和平面波入射角、俯仰角的改变,运行FEKO软件得到.ffe文件序列,对每个.ffe文件进行处理,提取回波数据。
3.根据权利要求1所述的基于微多普勒特征和深度学习的旋翼飞行器目标识别方法,其特征在于:所述步骤(3)具体是指:给定原始信号式中,