本发明属于信号处理
技术领域：
，特别是一种基于双层双通道卷积神经网络的多类型进动弹头参数估计方法。
背景技术：
：弹道导弹在空中高速飞行时，自旋运动保持了其姿态的稳定性，横向的干扰会使自旋运动转化为进动的形式，其中自旋是指弹道导弹绕自身对称轴的旋转运动，进动是指弹道导弹在自旋的同时绕锥旋轴的旋转。空间目标识别是弹道导弹防御系统中至关重要的环节。中段飞行是弹道导弹飞行过程中历时最长的，且所处的空间环境相对简单，此时的目标表现为目标在平动的同时还绕质心小幅转动。进动可以反映出更多的目标特征，如目标尺寸大小和质量分布等，这些特征对于真假目标识别是十分重要的，因此利用进动进行的目标参数估计得到了越来越多的研究。当目标进动时，被其反射的雷达回波会受到调制，这种调制体现在两个方面：微距调制与微多普勒频率调制。微距调制主要是针对宽带雷达提出的，表现为目标散射中心位置在回波一维距离像序列上周期性变化。微距调制是目标散射中心相对雷达距离发生变化引起的，可以用来对目标尺寸和进动参数进行估计，现有方法也大多是利用一维距离像序列进行参数估计的。而微多普勒频率调制主要是针对窄带雷达提出的，表现为目标散射中心速度相对雷达的变化。相对于微距变化，微多普勒频率的优势在于其对雷达带宽要求低，且由于电磁波波长短，因此频率变化幅度更大，更容易被提取利用。传统的方法是在目标时频图中提取微多普勒曲线与理论的微多普勒曲线公式进行最小二乘从而在参数空间搜索最优解，这个方法每次只能对一个弹头进行参数估计，参数空间过大会导致搜索缓慢，且目标曲线提取的精度受人为影响，提取不准会导致估计结果不准。本方法不受人为影响，卷积神经网络一旦训练完成，测试时就可以立即给出目标的参数估计结果，且可以同时测试多组数据。传统方法给出的都是只能估计一种弹头的方法，普适性不强,技术实现要素：本发明的目的在于提供一种基于双层双通道卷积神经网络的多类型进动弹头参数估计方法。实现本发明目的的技术解决方案为：一种基于双层双通道卷积神经网络的多类型进动弹头参数估计方法，包括以下步骤：步骤1、在一个视角下对一种类型的不同大小的弹头发射单一频率脉冲，得到该视角下同一类型不同大小弹头的主极化回波数据；步骤2、从另一视角下发射单一频率脉冲，得到该视角下同一类型不同大小弹头的主极化回波数据；步骤3、换另一种类型的弹头重复步骤1和步骤2，直至所有类型的弹头都有两种视角下的主极化回波；步骤4、对得到的回波数据进行时频变换，得到大量的时频图；步骤5、将同一弹头两种视角两种主极化下的四张时频图作为一组数据，将得到的数据划分为训练集和测试集；步骤6、搭建双通道双层卷积神经网络回归模型；步骤7、将步骤5得到的训练集行进训练；步骤8、将步骤5的测试集进行测试，并得到各类型弹头各参数的相对均方根误差。本发明与现有技术相比，其显著优点在于：(1)传统的方法是在目标时频图中提取微多普勒曲线与理论的微多普勒曲线公式进行最小二乘从而在参数空间搜索最优解，这个方法每次只能对一个弹头进行参数估计，参数空间过大会导致搜索缓慢，且目标曲线提取的精度受人为影响，提取不准会导致估计结果不准。本方法不受人为影响，卷积神经网络一旦训练完成，测试时就可以立即给出目标的参数估计结果，且可以同时测试多组数据；(2)传统方法给出的都是只能估计一种弹头的方法，普适性不强，本方法可以对多种类型的弹头进行参数估计。附图说明图1是本发明基于双层双通道卷积神经网络的多类型进动弹头参数估计方法的流程示意图。图2是本发明多类型弹头模型的示意图。图3是本发明双通道双层卷积神经网络的示意图。具体实施方式下面结合附图对本发明作进一步详细描述。结合图1，本发明基于质心高度参量消除的弹道导弹结构参数估计方法，包括以下步骤：步骤1、在一个视角下对一种类型的不同大小的弹头发射单一频率脉冲，得到该视角下同一类型不同大小弹头的主极化回波数据；步骤2、从另一视角下发射单一频率脉冲，得到该视角下同一类型不同大小弹头的主极化回波数据；步骤3、换另一种类型的弹头重复步骤1和步骤2，直至所有类型的弹头都有两种视角下的主极化回波；步骤4、对得到的回波数据进行时频变换，得到大量的时频图；步骤5、将同一弹头两种视角两种主极化下的四张时频图作为一组数据，将得到的数据划分为训练集和测试集；步骤6、搭建双通道双层卷积神经网络回归模型；该卷积神经网络回归模型的输入有两个通道，每个通道有两层，第一通道的两层输入是同一弹头在一个视角下的两个主极化的时频图，另一个通道的两层是该弹头另一视角下的两个主极化的时频图，输出是待估参数；待估参数包含目标的进动角、锥体高度、锥体上半径、锥体下半径和锥体下半部高度五个参数；步骤7、将步骤5得到的训练集行进训练；步骤8、将步骤5的测试集进行测试，并得到各类型弹头各参数的相对均方根误差。结合图2，建立的弹头几何模型，具体如下：图中为三类弹道导弹模型，左边是平底锥模型，中间为柱体锥模型，右边是裙锥模型。对于平底锥，h为锥体高度，r为锥体半径。对于柱体锥，h为锥体高度，r为柱体半径。对于裙锥，h为锥体高度，h为圆台高度，r1为圆台上半径，r2为圆台下半径。结合图3，步骤6所述的双通道双层卷积神经网络的前向传播和反向传递的公式推导，具体如下：其中表示第l层的第j个神经元的输出；σ就是激活函数，可以是sigmoid函数、tanh函数、relu函数等；表示第l层的第j个神经元的中间输出，就是还未经过激活函数，它是第l-1层神经元的线性叠加；表示第l-1层的第k个神经元到第l层的第j个神经元的线性系数；第l-1层的第k个神经元的数值；表示第l层的第j个神经元的偏置；表示第l-1层m个神经元的线性组合。为了便于书写，将上式改写为向量表现形式：al＝σ(zl)＝σ(wlal-1 bl)反向传播是神经网络的核心，是能够快速计算梯度，及时更新权值和偏置的保障。对于神经网络来说损失函数的选择至关重要，最常使用的就是均方误差准则：其中al表示的是最后一层即输出层的结果，y表示的是实际希望给出的结果即真实值，前面的系数1/2是为了后面求导方便加上的。神经网络希望的是已知输入和输出x,y，通过优化w,b的参数值，来使得网络输出al和实际值y的均方误差的损失函数j达到最小。所以神经网络优化的是w,b的参数值，下面给出w,b优化公式的推导。上式对w,b求偏导可得：其中⊙表示两个维度相同的向量按元素相乘。从上式可以看出它们有公共部分，因此先将公共部分求出，为简化表达式，将公共部分记为：上面只是计算了输出层的梯度，对于神经网络而言，每一次的权重和偏置都要进行更新，所以对于第l层的未激活输出zl，可以利用链式法则求得：第l层的待更新参数wl,bl的梯度和第l层的未激活输出zl有如下关系式：zl＝wlal bl所以可以求出第l层的参数wl,bl的梯度：从上式可以看出要想求出第l层的参数wl,bl的梯度，首先要求出δl。第l层的δl和第l 1层的δl 1有如下关系式：所以首先要求出而zl 1和zl有如下关系：zl 1＝wl 1al 1 bl 1＝wl 1σ(zl) bl 1从而可以得到：此时可得：由它们可以算出任意一层的待更新参数wl,bl的梯度。步骤6所述的双通道双层卷积神经网络框架，具体如下：步骤8所述的相对均方根误差，具体如下为了验证本发明方法的正确性与有效性，下面给出了估计三类弹道导弹目标的参数设置范围和各参数的相对均方根误差。本方法三类弹头各参数设置范围如表1。本方法估计得到的结果如表2所示。表1表2平底锥柱体锥裙锥进动角相对均方根误差1.48％2.88％2.7％锥体上半径相对均方根误差/3.32％2.91％锥体下半径相对均方根误差1.82％2.43％2.51％锥体下半部高度相对均方根误差/3.4％3.52％锥体高度相对均方根误差1.53％2.92％2.51％从表2中可以看出，各参数的估计结果的相对均方根误差均在4％以下，这表明估计结果都非常接近实际尺寸。综上所述，本发明充分利用卷积神经网络对图片的敏感性，同时考虑三类弹头目标在两种视角下的两种主极化信息的多样性，采用双通道双层卷积神经网络回归模型来进行参数估计，提高了多类型弹头目标参数估计结果的准确性。当前第1页1 2 3
技术特征：1.一种基于双层双通道卷积神经网络的多类型进动弹头参数估计方法，其特征在于，包括以下步骤：
步骤1、在一个视角下对一种类型的不同大小的弹头发射单一频率脉冲，得到该视角下同一类型不同大小弹头的主极化回波数据；
步骤2、从另一视角下发射单一频率脉冲，得到该视角下同一类型不同大小弹头的主极化回波数据；
步骤3、换另一种类型的弹头重复步骤1和步骤2，直至所有类型的弹头都有两种视角下的主极化回波；
步骤4、对得到的回波数据进行时频变换，得到大量的时频图；
步骤5、将同一弹头两种视角两种主极化下的四张时频图作为一组数据，将得到的数据划分为训练集和测试集；
步骤6、搭建双通道双层卷积神经网络回归模型；
步骤7、将步骤5得到的训练集行进训练；
步骤8、将步骤5的测试集进行测试，并得到各类型弹头各参数的相对均方根误差。
2.根据权利要求1所述的基于双层双通道卷积神经网络的多类型进动弹头参数估计方法，其特征在于，建立弹头的几何模型，具体如下：
对于平底锥模型，h为锥体高度，r为锥体半径；对于柱体锥模型，h为锥体高度，r为柱体半径；对于裙锥模型，h为锥体高度，h为圆台高度，r1为圆台上半径，r2为圆台下半径。
3.根据权利要求1所述的基于双层双通道卷积神经网络的多类型进动弹头参数估计方法，其特征在于，步骤6所述的双通道双层卷积神经网络的前向传播和反向传递的公式推导，具体如下：
其中，表示第l层的第j个神经元的输出；σ是激活函数，可以选择sigmoid函数、tanh函数或relu函数；表示第l层的第j个神经元的中间输出，就是还未经过激活函数，它是第l-1层神经元的线性叠加；表示第l-1层的第k个神经元到第l层的第j个神经元的线性系数；是第l-1层的第k个神经元的数值；表示第l层的第j个神经元的偏置；表示第l-1层m个神经元的线性组合；将上式改写为向量表现形式：
al＝σ(zl)＝σ(wlal-1 bl)
对于第l层的未激活输出zl，可以利用链式法则求得：
第l层的待更新参数wl,bl的梯度和第l层的未激活输出zl有如下关系式：
zl＝wlal bl
可求出第l层的参数wl,bl的梯度：
从上式可得出要要求出第l层的参数wl,bl的梯度，首先要求出δl；第l层的δl和第l 1层的δl 1有如下关系式：
所以首先要求出而zl 1和zl有如下关系：
zl 1＝wl 1al 1 bl 1＝wl 1σ(zl) bl 1
从而得到：
此时可得：
由它们可算出任意一层的待更新参数wl,bl的梯度。
4.根据权利要求1所述的基于双层双通道卷积神经网络的多类型进动弹头参数估计方法，其特征在于，步骤6所述的双通道双层卷积神经网络的框架，具体如下：
5.根据权利要求1所述的基于双层双通道卷积神经网络的多类型进动弹头参数估计方法，其特征在于，步骤8所述的相对均方根误差，具体如下
技术总结发明公开了一种基于双层双通道卷积神经网络的多类型进动弹头参数估计方法。首先在一个视角下对一种类型的不同大小的弹头发射单一频率脉冲，得到该视角下同一类型不同大小弹头的主极化回波数据，接着从另一视角下发射单一频率脉冲，得到该视角下同一类型不同大小弹头的主极化回波数据，然后换另一种类型的弹头重复上述操作，直至所有类型的弹头都有两种视角下的主极化回波。然后对得到的回波数据进行时频变换，得到大量的时频图。将同一弹头两种视角两种主极化下的四张时频图作为一组数据，将得到的数据划分为训练集和测试集。搭建双通道双层卷积神经网络回归模型，将得到的训练集行进训练，将测试集进行测试，并得到各类型弹头各参数的相对均方根误差。本发明能够用来对多类型弹头进行参数估计。
技术研发人员：陈如山;丁大志;樊振宏;何姿;李猛猛;张晓杰;张杰
受保护的技术使用者：南京理工大学
技术研发日：2020.11.12
技术公布日：2021.03.12
