技术摘要：
本发明公开了一种利用深度学习卷积神经网络估计复杂微动空间锥体目标参数的方法。该方法为：首先建立弹道导弹目标几何模型，然后对目标发射单一频率脉冲，接收目标的回波，通过对目标回波做时频分析得到目标的时频分布图，将时频图作为CNN的输入让网络学习时频图特征，  全部
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。 在现代军事战争中，弹道导弹的攻击距离远，打击速度快，机动性能好，具有强大 的战略威慑能力。弹道导弹的飞行过程一般分为初始段、中段和再入段这三个阶段。其中， 初始段和再入段的飞行时间比较短暂，识别和拦截的拿督较大。而中段飞行一般在大气层 外，时间比较长，也是对目标进行识别的最佳时期，因此现阶段的研究都集中在中段。 弹道导弹进入大气层后，为了保持自身飞行的稳定性，弹头目标在飞行的同时会 保持自旋，为提高突防和生存能力，弹道导弹会释放诱饵、碎片等干扰，因此也会产生横向 力矩从而产生进动和章动这些微动形式。因为导弹本身带有姿态控制系统，而诱饵、碎片通 常不包含姿态控制，因此，微动特征是一种有效识别空间锥体目标的重要特征。 我国现阶段装备的雷达主要为窄带雷达，窄带雷达的探测距离远，能够适应多种 天气环境全天候工作，是防御系统中重要的预警和探测设备，在目标识别和跟踪探测中发 挥着不可替代的作用，可以通过窄带雷达获得目标的时间-微多普勒谱。
技术实现要素：
本发明的目的在于提供一种利用深度学习卷积神经网络估计复杂微动空间锥体 目标参数的方法。 实现本发明目的的技术解决方案为：一种利用深度学习卷积神经网络估计复杂微 动空间锥体目标参数的方法，步骤如下： 步骤1、建立锥体弹道导弹弹头目标几何模型， 步骤2、对弹道导弹目标发射持续时间t的单一频率脉冲，接收该段时间t内弹道导 弹目标的回波； 步骤3、对接收到的回波进行时频变换，得到弹道导弹目标回波的时频图，构造训 练集和测试集； 4 CN 111598232 A 说　明　书 2/6 页 步骤4、将训练集时频图片放入卷积神经网络中学习，训练网络； 步骤5、用测试集对训练好的神经网络进行测试，得到待估计目标的几何参数和微 动参数。 进一步地，步骤1所述的建立弹道导弹目标几何模型，具体如下： 弹道导弹目标回波的锥顶瞬时微多普勒理论曲线为： 弹道导弹目标回波的锥顶瞬时微多普勒理论曲线为： 其中，t为时间，λ为当前频率下的波长，ω为进动频率，H为弹道导弹目标的高度，h 为弹道导弹目标的质心高度，γ为雷达视线角，θ为进动角，r为弹道导弹的半径，β为姿态 角，cosβ(t)＝cosγcosθ-sinγsinθsin(ωt)； 步骤4所描述的卷积神经网络，具体如下： CNN是一种前馈神经网络，CNN通过卷积的方式学习输入图片的特征。CNN在全连接 层前面加入了部分连接的卷积层和池化层，因此，经典的卷积神经网络一般包含：输入层、 卷积层、池化层、激活层、全连接层。 输入层到卷积层的传播是CNN前向传播算法的第一步，以二维黑白图片为例，这样 输入层x就是只有一层的二维矩阵，矩阵的值就对应着图片的像素值。这样前向传播的过程 可以表示为： a2＝σ(z2)＝σ(a1*W2 b2) 其中，上标表示层数，W表示卷积核，是一个矩阵，*表示卷积运算，b代表偏置，σ (·)表示激活函数，采用ReLU函数。 假设第l层隐藏层的输出共有M张特征图，每张特征图为一个二维矩阵，则卷积层 的卷积核也是M个二维子矩阵，该过程可以表示为： al＝σ(zl)＝σ(al-1*Wl bl) 也可以写成M个二维子矩阵卷积后对应位置相加的形式，即： 接下来是隐藏层前向传播到池化层的过程。池化层的处理较为简单，就是对上一 层输出的矩阵进行降维，比如池化层输入矩阵大小是N*N，池化区域大小为k*k，则池化之后 的矩阵大小为N/k*N/k，采用Max  Pooling的方式。 隐藏层到全连接层的前向传播也很简单即： al＝σ(zl)＝＝σ(Wlal-1 bl) 下面是神经网络的后向传播过程，通过改变参数W,b的值来最小化输入和输出的 均方差。网络输出的预测值与样本的标签值之间肯定存在误差，反向传播的过程就是把这 个误差信息回传到前面的每一层，通过这个误差来修改这些网络层的权值，使得网络在下 一次输出的预测值更加精准。有了损失函数之后我们就利用梯度下降法(Gradient  descent,GD)来求解每一层的参数W,b。梯度下降法的更新公式如下： 5 CN 111598232 A 说　明　书 3/6 页 其中，η为梯度下降法中的学习率(Learning  rate)。公式中 和 为损失 函数对权重和偏置的梯度，梯度下降法更新权值主要是利用这两个梯度。 反向传播即根据灵敏度来计算误差的层层回传： CNN的反向传播算法中，就要把权值W换成卷积核k，这样就可以得到CNN权值更新 的公式。 本发明与现有技术相比，其显著优点为：(1)通过卷积神经网络学习目标时频图特 征，估计目标几何参数和微动参数的精度更高(2)网络训练过程一旦完成，测试的过程非常 迅速，可以快速得到估计参数。(3)针对进动和章动的空间锥体目标均有良好的估计效果。 附图说明 图1是本发明中弹道导弹目标的进动示意图。 图2是本发明中弹道导弹目标二维参数示意图。 图3是卷积神经网络前向传播流程图。 图4是卷积神经网络后向传播流程图。 图5是损失函数变化曲线图。 图6是三个待估计参数误差变化图。