买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉电子科技大学申请的专利一种基于子带综合和多特征融合机制的雷达目标识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117289231B 。

龙图腾网通过国家知识产权局官网在2026-03-24发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311166553.X，技术领域涉及：G01S7/41；该发明授权一种基于子带综合和多特征融合机制的雷达目标识别方法是由张瑛;王一朋;雷猛;和牧辰;秦欣鑫;张睿智设计研发完成，并于2023-09-11向国家知识产权局提交的专利申请。

本一种基于子带综合和多特征融合机制的雷达目标识别方法在说明书摘要公布了：本发明属于雷达目标识别技术领域，具体涉及一种基于子带综合和多特征融合机制的雷达目标识别方法。本发明首先，通过将子带数据相参融合以生成超宽带数据，进而基于超宽带信号提取目标的时域HRRP特征和频域GTD特征。相较于子带信号，基于超宽带信号可提取目标精细化识别所需的高精度特征。其次，通过一种多特征融合机制计算出识别贡献度最大的GTD特征，将该参数特征用以辅助特征融合网络模型的训练，以提升目标识别方法的性能。因此，该方法可以充分利用目标样本集提供的识别信息，提取更稳健的目标特征，实现相似目标的高精度识别。

本发明授权一种基于子带综合和多特征融合机制的雷达目标识别方法在权利要求书中公布了：1.一种基于子带综合和多特征融合机制的雷达目标识别方法，其特征在于，包括以下步骤： S1、基于GTD模型对两个子带雷达回波进行建模，得到离散化的频率响应，利用相关补偿使相参，具体为： 定义第个子带雷达将线性调频信号发送到目标，第个雷达目标回波的频率响应为： ， 其中，是的傅里叶变换，为目标散射中心的数量，和分别表示第个散射中心的幅度和频率依赖因子，表示第个子带的初始频率，表示第个散射点与第个雷达之间的相对距离，为光速； 建立一个过完备字典，第个子带的第位的元素表示为： ， 其中，表示第个子带雷达的离散化频率，是散射点的频率依赖因子，，表示散射点相对于第个雷达参考点的相对距离，，根据雷达的距离分辨率设置，； 第个子带雷达的离散频率响应的矩阵形式为： ， 其中，，是第个子带的频率点个数，表示散射中心相对于第个子带的未知复振幅，为噪声向量，字典中含有和的取值信息； 以子带1为参考，补偿和的相位差：假设频带1的范围为，频带2的范围为，则全频带范围为；子带1、子带2的频域表达式分别为、，两子带的相位差表示为，则构造代价函数为： ， 其中，、分别表示子带1和子带2扩展到全频段范围内的目标回波；最小化代价函数得到，此时通过排列子带向量得到模拟的全频带回波为 ， 求出后，采用压缩感知类方法解： ， 式中，和分别代表频率范围为时的字典和向量；的非零元素代表散射点的数量，其在中对应的列即为目标散射点的幅度、位置和频率依赖因子；参数集描述了目标径向分布的散射中心特征，体现了目标的物理特性； S2、对散射中心特征进行筛选，通过基于双阈值判别的散射中心特征提取方法得到目标稳健的电磁散射特征，具体为： 定义目标相对于全频带有个散射点，为散射中心的复振幅，对其做归一化处理： ， 根据目标尺寸大小在目标中心附近设定距离窗，将位于此距离窗以外的散射中心剔除，定义窗函数为： ， 其中，为散射中心的相对位置，和分别代表距离窗区间的下边界和上边界，和对应的位置值由待识别的目标尺寸而决定； 设定幅度阈值，对距离窗内散射中心进行幅度筛选： ， 其中，表示幅度筛选后的散射中心阶数，代表单位阶跃函数，为判别门限；经过幅度维筛选后，散射中心的特征参数集为； 根据得到的阶散射中心，为散射中心的相对位置，对其做一阶前向差分运算： ， 在距离窗内，设定距离门限，以剔除目标强散射中心附近出现的虚假散射中心： ， 其中，代表经距离维筛选后的散射中心阶数，表示距离门限；经过二维阈值筛选后，得到目标精确的电磁散射特征作为GTD参数特征； S3、使用筛选后的GTD参数合成超宽带频域回波，具体为： 构造频率范围为的全频带字典，字典的列对应散射点的相对距离和频率依赖因子的估计值； 利用字典和振幅向量重构超宽带频域回波为： ， S4、对获取的回波信号进行逆傅里叶变换得到其HRRP作为训练集和测试集； S5、构造多特征融合识别网络，由CNNBlock和TransformerBlock两个处理分支构成，其中CNNBlock由3个卷积池化块和全连接块组成，卷积池化块是在两个卷积层后设置一个池化层构成，全连接块由相互连接的神经元组成；3个卷积池化块中卷积层的卷积核大小都为1×3，步长为1，卷积核个数依次分别为32、64、128，最后的卷积池化块输出的特征图经过批归一化层后与GTD参数特征连接后输入到全连接块；全连接块包含两个全连接层，第一个全连接层后加入Dropout操作，随机丢弃部分神经元；第二个全连接层的激活函数设置为softmax，得到CNNBlock分支最终的目标分类结果；TransformerBlock由2个多编码器块和1个全连接块组成，每个多编码器块由6个编码器层堆叠在一起，并在第一个编码器层前设置一个嵌入层，对输入数据进行embedding操作，输入的数据经过第一个多编码器块进行特征编码后，输出的特征图与GTD参数特征拼接，随后将拼接后的特征图输入第二个多编码器块再次进行特征编码后输入到全连接块；全连接块用于连接第二个多编码器块和softmax分类器；CNNBlock和TransformerBlock两个并行分支的分类结果通过一个线性层进行加权，得到多特征融合识别网络最终的分类结果； 将获得的各个频带的HRRP训练数据输入多特征融合识别网络，并基于后向传播算法对模型预训练20个轮次，保存其网络权重； 根据由各个频带数据得到的GTD参数特征集中选择一种特征，将其拼接到多特征融合识别网络中两路并行处理分支特定位置的输出特征图上，加载保存的网络权重，输入HRRP测试集和选定的模型特征参数集，继续训练模型参数20个轮次； 根据得到的训练样本集和测试样本集上的平均分类结果，计算所选择某类参数特征的识别贡献度 其中分别是GTD参数特征拼接前后多特征融合识别网络的损失值，分别表示GTD参数特征拼接前后的平均特征图误差矩阵，表示特征融合前后输出特征图的平均误差变化；由下式计算得到： ， ， 其中，表示层的误差矩阵，表示当前神经元的值，表示卷积，表示对激活函数求微分，表示哈达玛积； 依次计算所有类参数特征的值，选择值最高的参数特征与通道的特征图相连接，从而辅助网络训练； S6、利用反向传播算法训练多特征融合识别网络的模型参数，模型更新50个轮次，得到训练好的多特征融合识别网络； S7、利用训练好的多特征融合识别网络进行目标识别，得到分类结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人电子科技大学，其通讯地址为：611731 四川省成都市高新西区西源大道2006号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。