基于机器学习和深度学习的雷达目标分类
这个例子展示了如何用机器和深度学习方法对雷达回波进行分类。机器学习方法采用小波散射特征提取与支持向量机相结合的方法。此外，还阐述了两种深度学习方法:使用SqueezeNet的迁移学习和长短期记忆(LSTM)循环神经网络。请注意，本例中使用的数据集不需要高级技术，但是描述了工作流，因为这些技术可以扩展到更复杂的问题。
简介
目标分类是现代雷达系统中的一项重要功能。本例使用机器和深度学习对来自圆柱体和锥体的雷达回波进行分类。虽然本例使用合成的I/Q样本，但工作流适用于真实的雷达回波。
RCS合成
下一节将展示如何创建合成数据来训练学习算法。
下面的代码模拟半径为1米，高度为10米的圆柱体的RCS模式。雷达的工作频率为850兆赫兹。
C = 3e8;Fc = 850e6;[cylrcs,az,el] = rccylinder (1,1,10,c,fc);helperTargetRCSPatternPlot (az, el, cylrcs);
然后将该模式应用于后向散射雷达目标，以模拟从不同角度的回波。
Cyltgt =阶段性的。BackscatterRadarTarget (“PropagationSpeed”c.．.“OperatingFrequency”足球俱乐部,“AzimuthAngles”阿兹,“ElevationAngles”埃尔,“RCSPattern”, cylrcs);
下面的图显示了如何模拟圆柱体随时间的100次返回。假定圆柱体的运动引起小孔瞄准具周围的微小振动，因此，从一个样品到下一个样品的展弦角会发生变化。
rng默认的；N = 100;az = 2*randn(1,N);el = 2*randn(1,N);cylrtn = cyltgt(ones(1,N)，[az;el]);情节(mag2db (abs (cylrtn)));包含(“时间指数”) ylabel (“目标回报率(dB)”）;标题(“气缸目标返回量”）;
锥的返回也可以用同样的方法生成。为了创建训练集，对任意选择的5个圆柱体半径重复上述过程。此外，对于每个半径，通过改变10条随机生成的沿视距的正弦曲线的入射角来模拟10个运动轮廓。每个运动剖面有701个样本，所以有701 × 50个样本。对于圆柱体目标重复此过程，其结果是一个701 × 100的训练数据矩阵，包含50个圆柱体和50个锥体轮廓。在测试集中，我们使用25个圆柱体和25个锥体剖面来创建701 × 50的训练集。由于训练数据的计算时间较长，故将训练数据预先计算并加载在下面。
负载(“RCSClassificationReturnsTraining”）;负载(“RCSClassificationReturnsTest”）;
作为一个例子，下一个图显示了从每个形状返回的一个运动配置文件。这些图显示了入射方位角和目标返回值随时间的变化。
subplot(2,2,1) plot(圆柱体aspectangle (1，:)) ylim([-90 90])网格在标题(“柱面角与时间”）;包含(“时间指数”）;ylabel (“角度(度)”）;次要情节(2,2,3)情节(RCSReturns.Cylinder_1);ylim (50 [-50]);网格在标题(“缸返回”）;包含(“时间指数”）;ylabel (“目标回报率(dB)”）;次要情节(2 2 2)情节(coneAspectAngle (1:));ylim(90年[-90]);网格在；标题(“锥面角与时间”）;包含(“时间指数”）;ylabel (“角度(度)”）;次要情节(2、2、4);情节(RCSReturns.Cone_1);ylim (50 [-50]);网格在；标题(“锥返回”）;包含(“时间指数”）;ylabel (“目标回报率(dB)”）;
小波散射
在小波散射特征提取器中，数据通过一系列小波变换、非线性和平均进行传播，以产生时间序列的低方差表示。小波时间散射产生对输入信号位移不敏感的信号表示，而不牺牲类的区别性。
在小波时间散射网络中要指定的关键参数是时不变的尺度，小波变换的数量，以及每个小波滤波器组中每个八度的小波数。在许多应用中，两个滤波器组的级联足以达到良好的性能。在这个例子中，我们用两个滤波器组构造了一个小波时间散射网络:第一个滤波器组每个八度有4个小波，第二个滤波器组每个八度有2个小波。不变性尺度设置为701个样本，即数据的长度。
sn =小波散射(“SignalLength”, 701,“InvarianceScale”, 701,“QualityFactors”(4 - 2));
然后，得到训练集和测试集的散射变换。
sTrain = sn.featureMatrix(RCSReturns{::}，“转换”，“日志”）;sTest = sn.featureMatrix(RCSReturnsTest{:，:}，“转换”，“日志”）;
对于这个例子，使用沿每条路径的散射系数的平均值。
TrainFeatures = squeeze(mean(sTrain,2))';TestFeatures =挤压(平均值(sTest,2))';
为培训和学习创建标签
TrainLabels = repelem(categorical({)“气缸”，“锥”}),[50 50])”;TestLabels = repelem(category ({)“气缸”，“锥”}),[25] 25日)';
模型训练
将二次核支持向量机模型与散射特征拟合，得到交叉验证精度。
模板= templateSVM(“KernelFunction”，多项式的，.．.“PolynomialOrder”2,.．.“KernelScale”，“汽车”，.．.“BoxConstraint”, 1.．.“标准化”,真正的);分类支持向量机=.．.TrainFeatures,.．.TrainLabels,.．.“学习者”模板,.．.“编码”，“onevsone”，.．.“类名”分类({“气缸”，“锥”}));partitionedModel = crossval(classificationSVM，“KFold”5);[validationforecasts, validationScores] = kfoldPredict(partitionedModel);validationAccuracy = (1 - kfoldLoss(partitionedModel，“LossFun”，“ClassifError”)) * 100
validationAccuracy = 100
目标分类
利用训练过的支持向量机对测试集得到的散射特征进行分类。
predLabels = predict(classificationSVM,TestFeatures);accuracy = sum(predLabels == TestLabels) /numel(TestLabels)*100
精度= 100
绘制混淆矩阵。
图(“单位”，“归一化”，“位置”，[0.2 0.2 0.5 0.5]);ccDCNN = confusichart (TestLabels,predLabels);ccDCNN。Title =“混乱图”；ccDCNN。ColumnSummary =“column-normalized”；ccDCNN。RowSummary =“row-normalized”；
对于更复杂的数据集，深度学习工作流可能会提高性能。
通过CNN转移学习
SqueezeNet是一个深度卷积神经网络(CNN)，训练1000类图像，用于ImageNet大规模视觉识别挑战(ILSVRC)。在本例中，我们重用预先训练的SqueezeNet来将雷达返回归为两类之一。
负载SqueezeNet。
Snet =挤压;
SqueezeNet由68层组成。像所有的dcnn一样，SqueezeNet级联卷积算子，然后是非线性和池化，或平均。SqueezeNet要求图像输入的大小为227 × 227 × 3，可以通过以下代码看到。
snet.Layers (1)
名称:'data' InputSize: [227 227 3] Hyperparameters DataAugmentation: 'none' Normalization: 'zerocenter' NormalizationDimension: 'auto' Mean: [1×1×3 single]
此外，SqueezeNet被配置为可以识别1000个不同的类，您可以通过以下代码看到这一点。
snet.Layers (68)
类:[1000×1 categorical] ClassWeights: 'none' OutputSize: 1000 Hyperparameters LossFunction: 'crossentropyex'
在后面的部分中，我们将修改SqueezeNet的选择层，以便将其应用到我们的分类问题中。
连续小波变换
SqueezeNet的设计目的是区分图像的差异，并对结果进行分类。因此，为了利用SqueezeNet对雷达回波进行分类，必须将一维雷达回波时间序列转化为图像。一种常用的方法是使用时频表示(TFR)。信号的时频表示有多种选择，哪一种最合适取决于信号的特性。为了确定哪个TFR可能适合这个问题，随机选择并绘制每个类的一些雷达返回图。
rng默认的；idxCylinder = randperm(50,2);idxCone = randperm(50,2)+50;
很明显，前面所显示的雷达回波的特征是缓慢变化的变化被前面所描述的大的瞬态下降所打断。小波变换非常适合稀疏地表示这种信号。小波收缩以高时间分辨率定位瞬态现象，拉伸以捕获缓慢变化的信号结构。得到并绘制其中一个圆柱返回的连续小波变换。
类(RCSReturns {: idxCylinder (1)},“VoicesPerOctave”, 8)
CWT同时捕获了慢变(低频)波动和瞬态现象。对比圆柱体返回的CWT和圆锥目标返回的CWT。
类(RCSReturns {: idxCone (2)},“VoicesPerOctave”8);
由于瞬变在确定目标返回是来自圆柱体还是圆锥目标方面具有明显的重要性，我们选择CWT作为理想的TFR来使用。在获得每个目标返回的CWT后，我们根据每个雷达返回的CWT制作图像。这些图像被调整为与SqueezeNet的输入层兼容，我们利用SqueezeNet对结果图像进行分类。
形象准备
辅助函数，helpergenWaveletTFImg，获取每个雷达回波的CWT，并将CWT重塑为与SqueezeNet兼容，并将CWT写入jpeg文件。运行helpergenWaveletTFImg，选择一个parentDir你有写权限的地方。此示例使用tempdir，但您可以使用机器上有写权限的任何文件夹。helper函数创建培训而且测试在下面设置文件夹parentDir除了创造油缸而且锥两个子文件夹下培训而且测试。这些文件夹中填充了jpeg图像，用作SqueezeNet的输入。
parentDir = tempdir;helpergenWaveletTFImg (parentDir RCSReturns RCSReturnsTest)
生成时频表示…正在创建圆柱体时频表示…创建锥时频表示完成…创建圆柱体时频表示完成…创建锥时频表示完成…完成
现在使用imageDataStore管理文件夹中的文件访问，以训练SqueezeNet。为培训和测试数据创建数据存储。
trainingData = imageDatastore (fullfile (parentDir“培训”)，“IncludeSubfolders”,真的,.．.“LabelSource”，“foldernames”）;testData = imageDatastore(fullfile(parentDir)，“测试”)，“IncludeSubfolders”,真的,.．.“LabelSource”，“foldernames”）;
为了使用SqueezeNet解决这个二进制分类问题，我们需要修改几个层。首先，我们将SqueezeNet中的最后一个可学习层(第64层)更改为具有与我们的新类数量相同的1 × 1卷积数(2)。
lgraphSqueeze = layerGraph(snet);convLayer = lgraphSqueeze.Layers(64);numClasses = numel(categories(trainingData.Labels));newLearnableLayer = convolution2dLayer(1,numClasses，.．.“名字”，“binaryconv”，.．.“WeightLearnRateFactor”10.．.“BiasLearnRateFactor”10);lgraphSqueeze = replaceLayer(lgraphSqueeze,convLayer.Name,newLearnableLayer);classLayer = lgraphSqueeze.Layers(end);newClassLayer = classificationLayer(“名字”，“二元”）;lgraphSqueeze = replaceLayer(lgraphSqueeze,classLayer.Name,newClassLayer);
最后，设置重新训练SqueezeNet的选项。将初始学习速率设置为1e-4，将最大课时数设置为15，将小批大小设置为10。使用带有动量的随机梯度下降。
Ilr = 1e-4;mxepoch = 15;mbSize = 10;opts =训练选项(“个”，“InitialLearnRate”劳工关系,.．.“MaxEpochs”mxEpochs,“MiniBatchSize”mbSize,.．.“阴谋”，“训练进步”，“ExecutionEnvironment”，“cpu”）;
训练网络。如果你有兼容的GPU，trainNetwork自动使用GPU和训练应该在1分钟内完成。如果没有兼容的GPU，trainNetwork使用中央处理器，训练大约需要5分钟。根据许多因素，培训时间确实有所不同。在这种情况下，训练通过设置在cpu上进行ExecutionEnvironment参数cpu。
CWTnet = trainNetwork(trainingData,lgraphSqueeze,opts);
初始化输入数据规范化。
|========================================================================================| | 时代| |迭代时间| Mini-batch | Mini-batch |基地学习 | | | | ( hh: mm: ss) | | |丧失准确性 | |========================================================================================|
| 1 | 1 | 00:00:06 | 60.00% | 2.6639 | 1.0000e-04 |
| 5 | 50 | 00:01:08 | 100.00% | 0.0001 | 1.0000e-04 |
| 10 | 100 | 00:02:11 | 100.00% | 0002 | 1.0000e-04 |
| 15 | 150 | 00:03:12 | 100.00% | 2.2264e-05 | 1.0000e-04 |
|========================================================================================|
使用训练过的网络来预测持有测试集中的目标收益。
预测标签=分类(CWTnet,testData，“ExecutionEnvironment”，“cpu”）;accuracy = sum(predictedLabels == testData.Labels)/50*100
精度= 100
绘制混淆图，以及精确度和回忆率。在这种情况下，100%的测试样本被正确分类。
图(“单位”，“归一化”，“位置”，[0.2 0.2 0.5 0.5]);ccDCNN = confusichart (testData.Labels,predictedLabels);ccDCNN。Title =“混乱图”；ccDCNN。ColumnSummary =“column-normalized”；ccDCNN。RowSummary =“row-normalized”；
LSTM
在本例的最后一部分中，将描述LSTM工作流。首先定义LSTM层:
LSTMlayers = [.．.sequenceInputLayer (1) bilstmLayer (100“OutputMode”，“最后一次”) fullyConnectedLayer(2) softmaxLayer classificationLayer];options = trainingOptions(“亚当”，.．.“MaxEpochs”30岁的.．.“MiniBatchSize”, 150,.．.“InitialLearnRate”, 0.01,.．.“GradientThreshold”, 1.．.“阴谋”，“训练进步”，.．.“详细”假的,“ExecutionEnvironment”，“cpu”）;trainLabels = repelem(category ({)“气缸”，“锥”}), 50 50);trainLabels = trainLabels(:);trainData = num2cell(table2array(RCSReturns)'，2);testData = num2cell(table2array(RCSReturnsTest)'，2);testLabels = repelem(category ({)“气缸”，“锥”}), [25] 25);testLabels = testLabels(:);RNNnet = trainNetwork(trainData,trainLabels,LSTMlayers,options);
并绘制了该系统的精度图。
预测标签=分类(RNNnet,testData，“ExecutionEnvironment”，“cpu”）;accuracy = sum(predictedLabels == testLabels)/50*100
精度= 100
结论
这个例子展示了一个使用机器和深度学习技术进行雷达目标分类的工作流程。尽管这个例子使用合成数据进行训练和测试，但它可以很容易地扩展以适应真实的雷达返回。由于信号的特点，小波技术被用于机器学习和CNN方法。
对于这个数据集，我们也可以通过将原始数据输入LSTM来获得类似的精度。在更复杂的数据集中，原始数据可能具有太大的固有变量，以至于模型无法从原始数据中学习到健壮的特征，在使用LSTM之前，您可能不得不求助于特征提取。
您也可以从以下列表中选择网站: