本发明涉及雷达目标自动识别，尤其涉及一种基于小波散射变换的小样本hrrp识别方法和系统。
背景技术：
1、高分辨一维距离像(high resolution range profile,hrrp)中包含了丰富的目标特征信息，但样本数据可能存在特征冗余和噪声干扰。特征选择和提取技术可以帮助选择对目标识别有用的特征并去除冗余特征和噪声干扰，从而提高模型的泛化能力和鲁棒性。常见的特征选择与提取技术主要包括提取目标物理特征和统计学特征的方法。通过应用线性分类器分析(linear discriminant analysis，lda)来把hrrp映射至较低维度的特征空间，并以该低维特征执行识别操作；同样地，也有从超分辨视角入手，利用hrrp的散点特性进行识别处理；此外，研究者们提出了一种小波熵、各阶中心距等特征为基础的hrrp识别方法。这些技术的目的是减少输入给识别模型的特征数量，以此缓解由于不完备样本所带来的问题。然而，特征提取过程中可能会丢失部分对识别性能影响较大的信息。
2、小波变换具有局部性、自适应性和多尺度分析的特点，能够更好地捕捉信号的局部信息和特征。对一个信号进行分析时，常见的方法是对信号进行不断地分解，以获取信号中的不同频率成分或时域特征。这样的分解有助于理解信号的组成和结构，从而揭示信号中的有用信息。使用小波方法对一个一维信号进行分析，信号可展开为：
3、
4、式中，表示尺度函数，ψ代表母小波，j为小波尺度，ck和dj,k分别指小波分解中第k阶的低频系数及高频系数。通常情况下，信号的低频系数涵盖了其主要特性，而高频系数则涵盖了信号的具体细节。这意味着低频系数能够呈现出信号的整体特征，而高频系数则能够揭示信号的细微变化。
5、根据图1中展示的一维信号的小波分解情况来看，可以把信号拆分成高频率部分与低频率部分。接着，对于获得的低频率部分，可再次将其细分为更低频率的部分及其对应的高频率部分。这一过程可以通过递归的方式来完成。利用一维mallat算法，可较快获取上述分解结果。最终获得信号的多个尺度的频率成分ck和dj,k。虽然，小波变换具备局部形变稳定性和多尺度特性，可以有效获得信号的局部信息。然而，由于其对时间偏移的敏感性，可能会导致信号信息的损失，从而影响小样本目标识别的精度。
技术实现思路
1、针对hrrp小样本识别问题，本发明提供一种基于小波散射变换的小样本hrrp识别方法和系统。
2、一方面，本发明提供的一种基于小波散射变换的小样本hrrp识别方法，包括：
3、步骤1：对目标hrrp进行预处理；
4、步骤2：对预处理后的所述目标hrrp进行小波散射变换，得到所述目标hrrp的散射特征矩阵；
5、步骤3：将所述散射特征矩阵输入至训练好的神经网络模型，得到目标识别结果。
6、进一步地，步骤1中，所述预处理包括归一化操作和重心对齐操作。
7、进一步地，步骤2中，按照预设的小波散射变换参数对预处理后的所述目标hrrp进行小波散射变换；其中，所述预设的小波散射变换参数包括：时间不变尺度、小波变换次数、级联滤波器组数以及每个滤波器组中每倍频程数。
8、进一步地，所述神经网络模型采用lstm网络或一维卷积神经网络。
9、进一步地，所述lstm网络包括依次连接的输入层、lstm层、丢弃层、全连接层和输出层；其中所述lstm层包括128层隐含层。
10、另一方面，本发明提供一种基于小波散射变换的小样本hrrp识别系统，包括：
11、预处理模块，用于对目标hrrp进行预处理；
12、小波散射变换模块，用于对预处理后的所述目标hrrp进行小波散射变换，得到所述目标hrrp的散射特征矩阵；
13、目标识别模块，用于将所述散射特征矩阵输入至训练好的神经网络模型，得到目标识别结果。
14、本发明的有益效果：
15、小波散射变换是基于递归的小波分解、取模操作和低通滤波器取平均来构造信号特征的一种方法，具有不变性、稳定性和信息丰富性，恰好迎合了特征提取器在小样本识别中的需求，基于此，本发明提出的基于小波散射变换的hrrp识别方法和系统，与直接输入原始hrrp数据相比，通过小波散射变换提取hrrp的小波散射特征矩阵，将特征矩阵作为神经网络模型的输入，能够有效地缓解目标识别中的小样本问题，提高了小样本情况下目标识别精度。
1.基于小波散射变换的小样本hrrp识别方法，其特征在于，包括：
2.根据权利要求1所述的基于小波散射变换的小样本hrrp识别方法，其特征在于，步骤1中，所述预处理包括归一化操作和重心对齐操作。
3.根据权利要求1所述的基于小波散射变换的小样本hrrp识别方法，其特征在于，步骤2中，按照预设的小波散射变换参数对预处理后的所述目标hrrp进行小波散射变换；其中，所述预设的小波散射变换参数包括：时间不变尺度、小波变换次数、级联滤波器组数以及每个滤波器组中每倍频程数。
4.根据权利要求1所述的基于小波散射变换的小样本hrrp识别方法，其特征在于，所述神经网络模型采用lstm网络或一维卷积神经网络。
5.根据权利要求4所述的基于小波散射变换的小样本hrrp识别方法，其特征在于，所述lstm网络包括依次连接的输入层、lstm层、丢弃层、全连接层和输出层；其中所述lstm层包括128层隐含层。
6.基于小波散射变换的小样本hrrp识别系统，其特征在于，包括：
