【最新成果】一种基于多模态OAM波束的目标特征智能识别方法

点击蓝色“雷达学报”关注

前言

西安交通大学张安学团队提出一种基于多模态OAM波束的目标特征智能识别方法，该方法采用同心圆环阵列产生相同主瓣指向的多模态OAM波束作为探测信号，设置了3种典型反射场景并对各模态OAM波束经3种反射场景的反射回波进行分析，在此基础上通过卷积神经网络建立目标反射信息与目标特征识别的关联，从而实现对场景类型的判断及场景内目标位置的智能识别。该工作对OAM波束在高效目标探测、识别及高分辨率成像等方面的应用研究具有重要意义。

图1 获取实验数据的近场测试系统

背景介绍

作为信息的载体，电磁波可由多个维度调制信息，如幅度、相位、频率和极化等。根据经典电动力学理论，Maxwell方程所描述的电磁波包含线动量和角动量，而角动量又包括自旋角动量（SpinAngular Momentum, SAM）和轨道角动量（Orbital Angular Momentum,OAM）。理论上，携带轨道角动量的电磁波束具有无穷多种模态且各模态间相互正交，因此可实现模分复用从而提高频谱效率及信道容量以解决探测系统探测效率低的问题。各模态的OAM波束的相位呈差异性分布，如图2所示，基于OAM波束的探测成像系统可从回波信号中获取更多的目标信息以实现高分辨率成像，因此，OAM波束在雷达探测领域也有着巨大的应用前景。

(a) l=2                                 (b) l=3

图2 不同模态OAM波束的相位分布

目标识别的主要流程包括：（1）从目标散射回波中提取目标特征；（2）由（1）获得的目标特征建立特征数据库；（3）获取待识别目标的特征数据；（4）将待识别目标的特征数据与数据库对比并输出判决。可知目标识别的关键是目标特征的提取，而卷积神经网络(ConvolutionalNeural Network, CNN)作为一种经典的深度学习算法是深度学习技术中特征提取的有效方法之一。使用者无需关心输入数据的具体特征，通过神经卷积网络即可完成输入数据特征与目标特征的映射，从而实现图像检索、物体检索、目标识别与分类等功能。卷积神经网络结构示意图如图3所示。

图3 卷积神经网络结构示意图

团队工作

西安交通大学张安学团队开展了基于多模态OAM波束的目标特征智能识别方法的研究，采用相同主瓣指向的多模态OAM波束作为探测信号，借助不同模态OAM波束之间相互正交的特性实现高效探测所需的低相关性空间调制；并通过卷积神经网络建立目标反射信息与目标特征识别的关联，从而实现目标特征的智能识别。该方法可从回波信号中获取更多的目标信息以实现高精度探测，为后续建立实用的基于多模态OAM波束的超分辨率成像系统奠定了基础。对于我国实现自主创新，为雷达目标探测、成像、识别等积累核心技术，具有重大的应用价值和科学意义。

该工作拟发表在《雷达学报》2021年5期“涡旋雷达理论及应用系统”专题论文“一种基于多模态OAM波束的目标特征智能识别方法”（周宁宁，朱士涛，年毅恒，田春明，张安学），现已网络优先出版。

论文介绍

该文首先对OAM波束的传播特性进行推导，给出了符合探测需求的多模态OAM波束源特征；在此基础上，设置了三种不同反射场景，如图4所示。其中，场景1内的反射面初始位置与xoy面的夹角为  ，即垂直于OAM波束的主瓣指向，待分析数据为反射平面与xoy面的夹角为  时观测点处收集到的反射回波的幅相信息；场景2的反射面初始位置位于发射阵列的正上方，待分析数据为反射面沿轴每平移10 m观测点处采集的回波信息；场景3内反射面初始位置位于发射阵列上方且偏离z轴100 m处，待分析数据为反射面绕轴等夹角旋转时观测点处采集的回波信息。

    (a) 反射场景1    (b) 反射场景2   (c) 反射场景3             

图4 3种反射场景示意图

然后，研究了不同模态的OAM波束在3种不同应用场景下目标反射回波信号特性，分别如图5、图6及图7所示。由3种反射场景的回波信号可以看出，3组回波数据的幅度信息和相位信息各异，且同一场景内的不同位置的反射回波也存在或幅度或相位的信息差异，因此，通过提取场景间与场景内不同位置的回波信息的差异实现反射场景判断及目标位置识别。最后，采用如图3所示的卷积神经网络对3种典型反射场景下的数据特征进行提取，实现了对场景类型的判断及场景内目标位置的智能识别，并对本文所提出的探测系统进行了抗噪性能分析。

    (a)幅度           (b)相位    

图5 反射场景1中观测点处反射信息

    (a)幅度           (b)相位

图6 反射场景2中观测点处反射信息  

    (a)幅度           (b)相位  

图7 反射场景3中观测点处反射信息

通过仿真对该文提出的基于多模态OAM波束的目标特征智能识别方法进行验证。实验结果表明，理想状态下，网络对目标场景判断及场景内目标位置的识别均具有较高的准确率，可大幅度提高目标探测及识别的效率和精度。

图8 基于多模态OAM波束的目标特征智能识别系统结构框图

作者介绍

周宁宁（1996-），女，河南周口人，西安交通大学信息与通信工程学院在读硕士研究生。主要研究方向为基于OAM的关联成像算法、传输超表面产生OAM。

朱士涛（1980-），男，河北沧州人，博士，西安交通大学信息与通信工程学院副研究员，硕士生导师。主要研究方向为新型雷达信号处理方法、人工智能成像算法、微波关联成像，超材料孔径天线及微波量子雷达。

张安学（1972-），男，河南安阳人，博士，西安交通大学电磁与信息技术研究所教授，博士生导师。主要研究方向涉及新型天线与分集技术、移动通信微波射频技术、智能雷达信号处理、多天线通信系统与阵列信号处理、微波测试理论与系统设计等。

网站论文全文请点击“阅读原文”。

↓↓↓

相关阅读

编辑：黎明 于青

审核：贾守新 

声明

欢迎转发本号原创内容，转载和摘编需经本号授权并标注原作者和信息来源为《雷达学报》。

本号发布信息旨在传播交流，其内容由作者负责，不代表本号观点。如涉及文字、图片、版权等问题，请在20日内与本号联系，我们将第一时间处理。《雷达学报》拥有最终解释权。

中国科学院空天信息创新研究院
期刊新媒体传播矩阵