本發(fā)明屬于目標(biāo)特性建模與仿真領(lǐng)域，涉及一種可支持目標(biāo)射頻場景仿真方法，具體地，涉及基于結(jié)構(gòu)解析的等效散射中心參數(shù)提取方法及系統(tǒng)，尤其是涉及基于結(jié)構(gòu)解析和卷積神經(jīng)網(wǎng)絡(luò)的等效散射中心提取方法及系統(tǒng)。

背景技術(shù)：

1、目標(biāo)散射特性是測量目標(biāo)在不同頻率、角度及極化方式下對(duì)雷達(dá)入射波的散射形式。在雷達(dá)系統(tǒng)的設(shè)計(jì)、優(yōu)化、仿真過程等，需要應(yīng)用大量目標(biāo)特性數(shù)據(jù)構(gòu)造復(fù)雜電磁環(huán)境。為了能夠高效利用海量的目標(biāo)特性數(shù)據(jù)，需要對(duì)其進(jìn)行參數(shù)化數(shù)字建模，從而能夠?qū)Χ嗑S度目標(biāo)特性進(jìn)行快速準(zhǔn)確重構(gòu)。

2、大部分雷達(dá)目標(biāo)的尺寸都大于探測波的波長，因此可以被視為電大尺寸目標(biāo)。此時(shí)，可以利用幾何光學(xué)及幾何繞射理論等高頻近似理論對(duì)目標(biāo)散射過程進(jìn)行分析。分析結(jié)果表明可以將雷達(dá)目標(biāo)視作若干等效散射點(diǎn)的集合，從而能夠?qū)ζ淠繕?biāo)特性進(jìn)行建模。通過引入一系列屬性參數(shù)，散射中心還能夠?qū)?fù)雜雷達(dá)目標(biāo)的材質(zhì)、尺寸及形狀進(jìn)行表征。散射中心可以分為局部式等效散射中心及分布式等效散射中心，局部散射中心一般對(duì)應(yīng)棱邊、不連續(xù)處、角點(diǎn)等結(jié)構(gòu)，其主要特點(diǎn)是在寬角度范圍內(nèi)可見，分布式散射中心一般對(duì)應(yīng)平面、大區(qū)率曲面等結(jié)構(gòu)，其主要特點(diǎn)是在窄角度范圍可見。

3、當(dāng)前，散射中心的提取方法主要根據(jù)已有的目標(biāo)特性數(shù)據(jù)，利用匹配正交追蹤算法及粒子濾波等啟發(fā)式算法對(duì)等效散射中心的個(gè)數(shù)及相應(yīng)屬性參數(shù)進(jìn)行估計(jì)，但是此類方法存在物理含義不明確、計(jì)算量大及散射中心個(gè)數(shù)過多等缺點(diǎn)。

4、專利文獻(xiàn)《基于卷積神經(jīng)網(wǎng)絡(luò)的sar圖像特征提取方法》(cn109934237a)就僅提出使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，并未經(jīng)過預(yù)處理。

5、專利文獻(xiàn)《基于融合卷積神經(jīng)網(wǎng)絡(luò)的sar圖像目標(biāo)檢測方法》(cn110097524a)和專利文獻(xiàn)《基于部件解析多尺度卷積神經(jīng)網(wǎng)絡(luò)的sar目標(biāo)識(shí)別方法》(cn113240047a)預(yù)處理提取的信息都是電磁散射特征，且目的是目標(biāo)檢測。

6、以艦艇目標(biāo)散射中心提取為例，傳統(tǒng)散射中心提取方法基于sar圖像等散射特性數(shù)據(jù)對(duì)散射中心參數(shù)進(jìn)行求解，屬于逆向求解，在求解的過程中只考慮擬合誤差，則可能出現(xiàn)求解散射中心位置與實(shí)際散射結(jié)構(gòu)不一致、散射中心對(duì)應(yīng)散射機(jī)理不一致的問題。專利文獻(xiàn)《一種基于散射中心特征提取的sar目標(biāo)識(shí)別方法》(cn116778349a)僅針對(duì)卷積神經(jīng)網(wǎng)絡(luò)做出改善，并未對(duì)獲得的目標(biāo)做預(yù)處理結(jié)構(gòu)解析。

7、專利文獻(xiàn)《基于部件解析多尺度卷積神經(jīng)網(wǎng)sar目標(biāo)識(shí)別方法》(cn113240047a)提出了一種基于多尺度cnn的sar目標(biāo)識(shí)別方法，該方法通過挖掘sar目標(biāo)內(nèi)在電磁信息提高sar目標(biāo)識(shí)別準(zhǔn)確率，但是該方法沒有對(duì)目標(biāo)的三維結(jié)構(gòu)信息與電磁特征的映射關(guān)系進(jìn)行準(zhǔn)確定量分析，且該方法的用途僅限于目標(biāo)識(shí)別，無法用于目標(biāo)散射中心提取。對(duì)此，本發(fā)明通過結(jié)構(gòu)解析將目標(biāo)分解為結(jié)構(gòu)單元集合，利用卷積神經(jīng)網(wǎng)絡(luò)提取曲面結(jié)構(gòu)單元的幾何特征參數(shù)，基于幾何特征參數(shù)將結(jié)構(gòu)單元映射為散射中心參數(shù)，從而實(shí)現(xiàn)目標(biāo)三維結(jié)構(gòu)信息與電磁特征的準(zhǔn)確映射定量分析，可基于目標(biāo)三維模型實(shí)現(xiàn)散射中心提取。更為具體地，本發(fā)明通過對(duì)目標(biāo)三維模型進(jìn)行結(jié)構(gòu)解析，將復(fù)雜結(jié)構(gòu)進(jìn)行分類、分區(qū)處理得到結(jié)構(gòu)單元，并對(duì)結(jié)構(gòu)單元進(jìn)行散射特性進(jìn)行分析，得到各部分對(duì)應(yīng)的獨(dú)立散射中心，主要應(yīng)用于雷達(dá)系統(tǒng)的性能測試、驗(yàn)證。利用卷積神經(jīng)網(wǎng)絡(luò)提高對(duì)結(jié)構(gòu)單元的幾何特征參數(shù)估計(jì)精度，提取曲面結(jié)構(gòu)特征參數(shù)，基于幾何特征參數(shù)將結(jié)構(gòu)單元映射為散射中心參數(shù)從而提取等效散射中心點(diǎn)，屬于正向建模方法。本發(fā)明可以大大提高散射中心參數(shù)提取的效率和精度，且散射中心對(duì)應(yīng)的物理含義清晰明確。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)中的缺陷，本發(fā)明的目的是提供一種基于結(jié)構(gòu)解析的散射中心參數(shù)提取方法及系統(tǒng)。

2、根據(jù)本發(fā)明提供的一種基于結(jié)構(gòu)解析的散射中心參數(shù)提取方法，具體包括：

3、步驟s1：基于選定的目標(biāo)的網(wǎng)格文件進(jìn)行結(jié)構(gòu)解析，得到結(jié)構(gòu)單元集合；

4、步驟s2：將結(jié)構(gòu)單元集合中的結(jié)構(gòu)單元，映射為幾何特征參數(shù)；

5、步驟s3：將結(jié)構(gòu)單元的幾何特征參數(shù)映射為散射中心參數(shù)，獲得目標(biāo)散射中心。

6、優(yōu)選地，在步驟s1中，對(duì)目標(biāo)網(wǎng)格文件進(jìn)行結(jié)構(gòu)解析，識(shí)別出棱邊，根據(jù)棱邊劃分區(qū)域，并分解為由平面結(jié)構(gòu)單元、曲面結(jié)構(gòu)單元組成的結(jié)構(gòu)單元集合，包括：

7、步驟s1.1：讀取目標(biāo)的網(wǎng)格文件，利用網(wǎng)格文件中的三角剖分信息以及點(diǎn)坐標(biāo)信息，獲得三角面元，計(jì)算所有獲得的三角面元的外法向量方向以及中心坐標(biāo)；

8、步驟s1.2：根據(jù)三角面元的外法向量方向以及中心坐標(biāo)判斷棱邊，并記錄棱邊信息；

9、步驟s1.3：根據(jù)棱邊信息，對(duì)目標(biāo)進(jìn)行區(qū)域劃分，并得到平面結(jié)構(gòu)單元、曲面結(jié)構(gòu)單元。

10、優(yōu)選地，在步驟s1.2中，計(jì)算三角面元與其相鄰的三角面元的外法向量夾角，若外法向量的夾角大于設(shè)定閾值，則兩面元在不同面上，共邊為棱邊，用該棱邊的兩個(gè)端點(diǎn)編號(hào)記錄棱邊；

11、當(dāng)外法向量的夾角小于或等于設(shè)定閾值，則兩面元在同面上；

12、所述步驟s1.3包括：

13、當(dāng)三角面元與棱邊無交集時(shí)，該面元為某一面上的一個(gè)面元，記錄該三角形的編號(hào)，并依據(jù)該面元的鄰域信息，找到與其相鄰的三角面元的編號(hào)，繼續(xù)進(jìn)行面元與棱邊的交集個(gè)數(shù)判斷；

14、當(dāng)三角面元與棱邊的交集個(gè)數(shù)為1時(shí)，該三角面元有一條邊位于散射棱邊上，停止對(duì)該邊相鄰的三角面元的進(jìn)一步判斷；

15、當(dāng)三角面元與棱邊的交集為2時(shí)，該三角面元位于兩條棱邊的交界處；

16、根據(jù)三角面元與棱邊的關(guān)系，將目標(biāo)劃分為多個(gè)區(qū)域；

17、根據(jù)每個(gè)區(qū)域中三角面元的平整程度，將區(qū)域劃分為構(gòu)成平面結(jié)構(gòu)單元的平面區(qū)域和構(gòu)成曲面結(jié)構(gòu)單元的曲面區(qū)域。

18、優(yōu)選地，在步驟s2中，估計(jì)曲面結(jié)構(gòu)單元的幾何特征，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)曲面結(jié)構(gòu)單元進(jìn)行處理，獲得幾何特征參數(shù)，包括：

19、步驟s2.1：構(gòu)建訓(xùn)練數(shù)據(jù)集，將曲面結(jié)構(gòu)單元的像素點(diǎn)賦值為歸一化后的高度值，所述高度值為按照設(shè)定的觀測角度平鋪在平面上得到的高度；

20、步驟s2.2：構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型，所述卷積神經(jīng)網(wǎng)絡(luò)包含3個(gè)級(jí)聯(lián)的卷積層和池化層以及3個(gè)級(jí)聯(lián)的全連接層，輸入層為所述結(jié)構(gòu)單元集合平鋪后的高度圖，卷積層非線性激活函數(shù)為relu函數(shù)；池化層池化方法為最大池化；全連接層非線性激活函數(shù)為relu函數(shù)；

21、步驟s2.3：生成訓(xùn)練樣本，訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型，損失函數(shù)設(shè)置為mse誤差函數(shù)，即獲得訓(xùn)練完成的卷積神經(jīng)網(wǎng)絡(luò)模型；

22、其中，j表示損失函數(shù)；

23、mse()表示均方誤差函數(shù)；

24、m表示訓(xùn)練樣本個(gè)數(shù)；

25、yi表示第i個(gè)訓(xùn)練樣本真值；

26、xi表示第i個(gè)輸入變量；

27、f()表示神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果；

28、步驟s2.4：利用訓(xùn)練完成的卷積神經(jīng)網(wǎng)絡(luò)模型提取曲面結(jié)構(gòu)單元的幾何特征參數(shù)。將結(jié)構(gòu)解析得到的曲面結(jié)構(gòu)單元的像素點(diǎn)賦值為歸一化后的高度值，所述高度值為按照設(shè)定的觀測角度平鋪在平面上得到的高度，得到二維數(shù)組。將該二維數(shù)組作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，經(jīng)過特征提取及全連接層運(yùn)算得到曲面結(jié)構(gòu)單元的結(jié)構(gòu)特征參數(shù)，如曲率、法向量等；

29、優(yōu)選地，在所述步驟s3中，依據(jù)幾何特征參數(shù)與散射中心參數(shù)的映射關(guān)系構(gòu)建參數(shù)化散射中心模型，單曲面參數(shù)計(jì)算方式為柱形單曲面參數(shù)計(jì)算方式為錐形單曲面參數(shù)計(jì)算方式為平面參數(shù)計(jì)算方式為

30、其中，eh表示單曲面的幾何特征參數(shù)；

31、r表示曲率半徑；

32、k表示波數(shù)；

33、表示單曲面重心位置向量；

34、表示雷達(dá)觀測視線角；

35、ecylinder表示柱形單曲面的幾何特征參數(shù)；

36、λ表示波長；

37、f表示頻率；

38、c表示光速；

39、表示柱面母線方向向量；

40、l表示母線長度；

41、θ表示雷達(dá)觀測角；

42、econel表示錐形單曲面的幾何特征參數(shù)；

43、下標(biāo)max、min分別表示最大值、最小值；

44、γ表示錐體法向量；

45、eplane表示平面的幾何特征參數(shù)；

46、n表示多邊形邊數(shù)；

47、表示多邊形的重心向量；

48、表示為重心向量在多邊形法向的投影向量；

49、表示為重心向量在多邊形水平面的投影向量；

50、表示第n條邊的中點(diǎn)向量；

51、將結(jié)構(gòu)單元的幾何特征參數(shù)映射為散射中心參數(shù)，將目標(biāo)散射中心的散射場疊加，得到目標(biāo)整體散射場，提取目標(biāo)散射中心。

52、根據(jù)本發(fā)明提供的一種基于結(jié)構(gòu)解析的散射中心參數(shù)提取系統(tǒng)，包括：

53、模塊m1：對(duì)選定的目標(biāo)的網(wǎng)格文件進(jìn)行結(jié)構(gòu)解析，得到結(jié)構(gòu)單元集合；

54、模塊m2：將結(jié)構(gòu)單元集合中的結(jié)構(gòu)單元，映射為幾何特征參數(shù)；

55、模塊m3：將結(jié)構(gòu)單元的幾何特征參數(shù)映射為散射中心參數(shù)，獲得目標(biāo)散射中心。

56、優(yōu)選地，在模塊m1中對(duì)目標(biāo)網(wǎng)格文件進(jìn)行結(jié)構(gòu)解析，識(shí)別出棱邊，劃分區(qū)域，并分解為由平面結(jié)構(gòu)單元、曲面結(jié)構(gòu)單元組成的結(jié)構(gòu)單元集合，包括：

57、模塊m1.1：讀取目標(biāo)的網(wǎng)格文件，利用網(wǎng)格文件中的三角剖分信息以及點(diǎn)坐標(biāo)信息，獲得三角面元，計(jì)算所有獲得的三角面元的外法向量方向以及中心坐標(biāo)；

58、模塊m1.2：根據(jù)三角面元的外法向量方向以及中心坐標(biāo)判斷棱邊，并記錄棱邊信息；

59、模塊m1.3：根據(jù)棱邊信息，對(duì)目標(biāo)進(jìn)行區(qū)域劃分，并得到平面結(jié)構(gòu)單元、曲面結(jié)構(gòu)單元。

60、優(yōu)選地，在模塊m1.2中，計(jì)算三角面元與其相鄰的三角面元的外法向量夾角，若外法向量的夾角大于設(shè)定閾值，則兩面元在不同面上，共邊為棱邊，用該棱邊的兩個(gè)端點(diǎn)編號(hào)記錄棱邊；

61、若外法向量的夾角小于或等于設(shè)定閾值，則兩面元在同面上；

62、所述模塊m1.3包括：

63、當(dāng)三角面元與棱邊無交集時(shí)，該面元為某一面上的一個(gè)面元，記錄該三角形的編號(hào)，并依據(jù)該面元的鄰域信息，找到與其相鄰的三角面元的編號(hào)，繼續(xù)進(jìn)行面元與棱邊的交集個(gè)數(shù)判斷；

64、當(dāng)三角面元與棱邊的交集個(gè)數(shù)為1時(shí)，該三角面元有一條邊位于散射棱邊上，停止對(duì)該邊相鄰的三角面元的進(jìn)一步判斷；

65、當(dāng)三角面元與棱邊的交集為2時(shí)，該三角面元位于兩條棱邊的交界處；

66、根據(jù)三角面元與棱邊的關(guān)系，將目標(biāo)劃分為多個(gè)區(qū)域；

67、根據(jù)每個(gè)區(qū)域中三角面元的平整程度，將區(qū)域劃分為構(gòu)成平面結(jié)構(gòu)單元的平面區(qū)域和構(gòu)成曲面結(jié)構(gòu)單元的曲面區(qū)域。

68、優(yōu)選地，在模塊m2中，估計(jì)曲面結(jié)構(gòu)單元的幾何特征，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)結(jié)構(gòu)單元集合進(jìn)行處理，獲得幾何特征參數(shù)，包括：

69、模塊m2.1：構(gòu)建訓(xùn)練數(shù)據(jù)集，將曲面結(jié)構(gòu)單元的像素點(diǎn)賦值為歸一化后的高度值，所述高度值為按照設(shè)定的觀測角度平鋪在平面上得到的高度；

70、模塊m2.2：構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型，所述卷積神經(jīng)網(wǎng)絡(luò)包含3個(gè)級(jí)聯(lián)的卷積層和池化層以及3個(gè)級(jí)聯(lián)的全連接層，輸入層為所述結(jié)構(gòu)單元集合平鋪后的高度圖，卷積層非線性激活函數(shù)為relu函數(shù)；池化層池化方法為最大池化；全連接層非線性激活函數(shù)為relu函數(shù)；

71、模塊m2.3：生成訓(xùn)練樣本，訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型，損失函數(shù)設(shè)置為mse誤差函數(shù)，即獲得訓(xùn)練完成的卷積神經(jīng)網(wǎng)絡(luò)模型；

72、其中，j表示損失函數(shù)；

73、mse()表示均方誤差函數(shù)；

74、m表示訓(xùn)練樣本個(gè)數(shù)；

75、yi表示第i個(gè)訓(xùn)練樣本真值；

76、xi表示第i個(gè)輸入變量；

77、f()表示神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果；

78、模塊m2.4：利用訓(xùn)練完成的卷積神經(jīng)網(wǎng)絡(luò)模型提取曲面結(jié)構(gòu)單元的幾何特征參數(shù)。將結(jié)構(gòu)解析得到的曲面結(jié)構(gòu)單元的像素點(diǎn)賦值為歸一化后的高度值，所述高度值為按照設(shè)定的觀測角度平鋪在平面上得到的高度，得到二維數(shù)組。將該二維數(shù)組作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，經(jīng)過特征提取及全連接層運(yùn)算得到曲面結(jié)構(gòu)單元的結(jié)構(gòu)特征參數(shù)，如曲率、法向量等。

79、優(yōu)選地，在所述模塊m3中，依據(jù)幾何特征參數(shù)與散射中心參數(shù)的映射關(guān)系構(gòu)建參數(shù)化散射中心模型，單曲面參數(shù)計(jì)算方式為柱形單曲面參數(shù)計(jì)算方式為錐形單曲面參數(shù)計(jì)算方式為平面參數(shù)計(jì)算方式為

80、其中，eh表示單曲面的幾何特征參數(shù)；

81、r表示曲率半徑；

82、k表示波數(shù)；

83、表示單曲面重心位置向量；

84、表示雷達(dá)觀測視線角；

85、ecylinder表示柱形單曲面的幾何特征參數(shù)；

86、λ表示波長；

87、f表示頻率；

88、c表示光速；

89、表示柱面母線方向向量；

90、l表示母線長度；

91、θ表示雷達(dá)觀測角；

92、econel表示錐形單曲面的幾何特征參數(shù)；

93、下標(biāo)max、min分別表示最大值、最小值；

94、γ表示錐體法向量；

95、eplane表示平面的幾何特征參數(shù)；

96、n表示多邊形邊數(shù)；

97、表示多邊形的重心向量；

98、表示為重心向量在多邊形法向的投影向量；

99、表示為重心向量在多邊形水平面xyp的投影向量；

100、表示第n條邊的中點(diǎn)向量；

101、將結(jié)構(gòu)單元的幾何特征參數(shù)映射為散射中心參數(shù)，根據(jù)目標(biāo)散射中心的散射場疊加，得到目標(biāo)整體散射場，提取目標(biāo)散射中心。

102、與現(xiàn)有技術(shù)相比，本發(fā)明具有如下的有益效果：

103、1、本發(fā)明能夠通過結(jié)構(gòu)解析將目標(biāo)轉(zhuǎn)化為若干結(jié)構(gòu)單元從而大大降低處理復(fù)雜度，提高散射中心建模效率。

104、2、本發(fā)明通過卷積神經(jīng)網(wǎng)絡(luò)對(duì)曲面結(jié)構(gòu)單元的曲率幾何特征參數(shù)進(jìn)行提取，并將其映射為散射中心參數(shù)，實(shí)現(xiàn)了將從結(jié)構(gòu)單元到散射中心參數(shù)端到端的映射。

105、3、本發(fā)明利用卷積神經(jīng)網(wǎng)絡(luò)，通過散射中心點(diǎn)，可以對(duì)目標(biāo)射頻場景進(jìn)行重構(gòu)，可用于對(duì)雷達(dá)系統(tǒng)的探測識(shí)別性能進(jìn)行仿真驗(yàn)證。

106、4、本發(fā)明可以大大提高散射中心參數(shù)提取的效率和精度，且散射中心對(duì)應(yīng)的物理含義清晰明確。