基于自相关和CAM网络的HRRP数据去冗余方法技术

本发明专利技术属于雷达信号处理领域，尤其涉及一种基于自相关和CAM网络的HRRP数据去冗余方法。包括以下步骤：S1自相关处理；S2生成训练集；S3构建CAM网络；S4计算自相关函数的权重值；S5设定门限，确定冗余区域；S6X(k)去冗余。本发明专利技术的有益效果是：(1)本发明专利技术利用深度学习方法确定数据中对识别起关键作用的区域，实现对不同类别目标样本数据精准的去冗余处理；(2)本发明专利技术对HRRP数据自相关函数每一个距离单元都赋予权重，通过权重大小量化了每个单元对识别的贡献程度，凸显数据中对分类起重要作用的关键区域，增加了网络的可解释性；(3)本发明专利技术无需对HRRP数据进行包络对齐处理，大大简化了处理过程，同时保证了分类识别效果。

The method of removing redundancy of HRRP data based on autocorrelation and cam network

【技术实现步骤摘要】
基于自相关和CAM网络的HRRP数据去冗余方法
本专利技术属于雷达信号处理领域，尤其涉及一种基于自相关和类激活映射(ClassActivationMap,CAM)网络的高精度距离像(HighResolutionRangeProfile,HRRP)数据去冗余方法。
技术介绍
随着现代电子信息技术的快速发展和智能化水平的提高，雷达目标自动识别技术也得到了飞速发展，在军事、无人驾驶、安防以及空间遥感等多个领域得到了广泛应用。HRRP是利用宽带雷达信号获得的目标散射点子回波沿雷达视线方向上投影的矢量和，它包含了目标结构信息，能够提供目标径向的相对几何关系，对目标识别与分类具有十分重要的价值。同时，HRRP具有易于获取和便于处理的优势，因此在雷达目标自动识别领域受到了广泛的关注。利用HRRP进行雷达目标识别，传统方法通常先提取HRRP的统计特征或变换域统计特征，包括提取HRRP的频谱强度，双谱特征和散射点个数等，然后采用相关技术或匹配滤波技术对提取的特征进行模式分类。但是这些特征都是基于人在回路中的方式进行设计选择，需要花费大量时间精力，同时存在很大的不确定性，对不同雷达，不同目标类型的泛化能力较弱。随着人工智能的快速发展，许多学者提出了基于人工神经网络的目标识别方法，包括卷积神经网络(ConvolutionalNeuralNetwork,CNN)，多层感知机(MultipleLayerPerceptron,MLP)、递归神经网络(RecurrentNeuralNetwork,RNN)和残差神经网络(ResidentialNetwork，ResNet)等。基于人工神经网络的识别方法取得了很好的识别效果，不仅可以大大降低特征提取的时间精力，还可提高对目标的识别精度。实际中，雷达为了保证有效进行目标观测和跟踪，获得的HRRP数据是存在冗余的，包含目标信息的关键区域只占其中一部分。这部分区域由于受到噪声影响，很难将其从HRRP数据中有效划分出来，必然存在大量冗余信息。不论是传统识别方法的特征提取还是人工神经网络的训练，这些冗余信息无疑增加计算开销，给计算平台的存储和计算性能提出了更高要求，同时还会导致识别时间的增加。
技术实现思路
本专利技术的目的在于克服上述已有技术的不足，提出一种基于自相关和CAM网络的HRRP数据去冗余方法。数据自相关处理不仅能够保留反映目标回波包络变化的信息，同时能够实现数据的对齐，化简了数据预处理过程。CAM网络则通过在网络的特征输出层后加入全局平均池化(GlobalAveragePooling,GAP)层，将输出的多维特征向量转换成一维特征向量，并利用训练得到的类别权重计算HRRP数据自相关处理结果中不同距离单元对识别贡献的权重，从而确定包含目标信息的关键区域和冗余区域。本专利技术能够实现数据的对齐，并确定数据的冗余区域，通过删除冗余区域从而实现数据的去冗余。为达到上述目的，本专利技术通过以下技术方案来具体实现，一种基于自相关和CAM网络的HRRP数据去冗余方法，包括以下步骤：S1自相关处理S1.1HRRP数据自相关。对HRRP数据进行自相关操作，其公式如下其中x(m)表示HRRP数据序列，N表示序列长度，k表示数据平移的距离单元数。自相关函数R(k)在k＝0时取得最大值，且关于零点轴对称分布。S1.2数据截取。自相关函数R(k)的长度为HRRP数据序列x(m)长度的两倍，考虑到自相关函数具有对称性，峰值两侧包含同样的数据信息，因此对S1.1中得到的自相关结果进行截取，去除冗余的一半对称数据，截取公式如下R′(k)＝R(k),k≥0(2)截取后自相关函数长度同HRRP数据序列长度一致，均为N。S1.3幅度归一化。HRRP样本数据的包络幅度受到目标环境，雷达系统参数和目标散射特性的综合影响，为消除幅度的影响，需要对S1.2数据截取后得到的R′(k)进行幅度归一化，公式如下其中，max||表示取最大值。S2生成训练集。将S1.3中经过幅度归一化的X(k)样本作为数据集，同时根据每个样本数据所属目标类别进行标记，构建标签集。将标记好的标签结构化成one-hot编码，编码大小对应训练集中的目标类别数，得到标签集。这样数据集和数据集对应的标签集构成了训练集，训练集作为输入用于CAM网络训练。S3构建CAM网络，具体实现过程如下：S3.1选取特征提取网络作为特征层，用于提取S2训练集中数据X(k)的高维不变特征，输出多个通道特征向量A(k)。通常选用当前应用较多的VGG、ResNnet、GoogLeNet以及FCN(FullyConvolutionalNetwork)等特征提取网络作为特征层。S3.2加入GAP层；在选取的特征层后加入GAP层，将输出的多通道特征向量转换成一维特征向量，向量长度对应输入的特征通道数，GAP层第l个滤波器的输出结果为其中，Al(k)表示GAP层第l个滤波器对应的输入特征向量。S3.3构造输出层；输出层为一个Softmax层，其输出单元数对应目标分类数，以各输出单元结果中概率最高者为输入数据X(k)对应的目标类别；S3.4连接GAP层和输出层；将GAP层同输出层进行全连接，GAP层同输出层之间的权重将用于计算数据X(k)中不同距离单元对应的CAM值，其中c对应输出层的输出类别，l对应GAP层第l个滤波器。S4计算数据X(k)的权重值S1中自相关处理后的X(k)包含目标回波的包络信息，但HRRP数据的冗余也给X(k)带来大量无用的噪声数据。这些噪声数据不包含目标信息，对于目标识别没有贡献，而包含目标信息的区域对目标识别贡献度大。因此为了实现数据去冗余，应保留对目标识别贡献度大的关键区域而删除贡献度低的噪声区域。数据X(k)不同距离单元对目标识别贡献度的大小可以通过CAM网络计算求得，具体实现过程如下：S4.1训练CAM网络。利用S2生成的训练集对S3中构建好的CAM网络进行训练，得到训练好的网络模型和权重S4.2计算样本数据的CAM值。利用S4.1训练好的权重可以计算出类别c对应神经元的输入为则类别c对应的第k个距离单元的CAM值为CAM本质上就是不同特征层输出的加权求和，即将每个距离单元对类别识别的贡献大小以数值的方式展现，数值大则表示对识别贡献大，反之则表示贡献小。S4.3求样本数据权重值。根据步骤S4.2，计算训练集中每个样本数据的CAM值。为了更好反映目标本质特征，减少噪声干扰，按照目标类别，对同一类目标训练集中样本数据的CAM值求平均，以平均值作为该类目标的数据权重值，权重计算公式如下其中，S表示目标样本数。S5设定门限，确定冗余区域。根据S4.3中得到的每一类目标的数据权重值，设定门限，求得门限同权重值曲线的交点，以原点至最远交点为目标识别关键区域，剩余区域即为冗余区域。S6X(k)去冗余。根据S5确定的每一类目标数据冗余区本文档来自技高网...

【技术保护点】
1.一种基于自相关和CAM网络的HRRP数据去冗余方法，其特征在于，该方法包括以下步骤：/nS1自相关处理/nS1.1 HRRP数据自相关；/n对HRRP数据进行自相关操作，其公式如下/n

【技术特征摘要】
1.一种基于自相关和CAM网络的HRRP数据去冗余方法，其特征在于，该方法包括以下步骤：
S1自相关处理
S1.1HRRP数据自相关；
对HRRP数据进行自相关操作，其公式如下



其中x(m)表示HRRP数据序列，N表示序列长度，k表示数据平移的距离单元数；自相关函数R(k)在k＝0时取得最大值，且关于零点轴对称分布；
S1.2数据截取；
自相关函数R(k)的长度为HRRP数据序列x(m)长度的两倍，考虑到自相关函数具有对称性，峰值两侧包含同样的数据信息，因此对S1.1中得到的自相关结果进行截取，去除冗余的一半对称数据，截取公式如下
R′(k)＝R(k),k≥0(2)
截取后自相关函数长度同HRRP数据序列长度一致，均为N；
S1.3幅度归一化；
HRRP样本数据的包络幅度受到目标环境，雷达系统参数和目标散射特性的综合影响，为消除幅度的影响，需要对S1.2数据截取后得到的R′(k)进行幅度归一化，公式如下



其中，max||表示取最大值；
S2生成训练集
将S1.3中经过幅度归一化的X(k)样本作为数据集，同时根据每个样本数据所属目标类别进行标记，构建标签集；将标记好的标签结构化成one-hot编码，编码大小对应训练集中的目标类别数，得到标签集；这样数据集和数据集对应的标签集构成了训练集，训练集作为输入用于CAM网络训练；
S3构建CAM网络
具体实现过程如下：
S3.1选取特征提取网络作为特征层，用于提取S2训练集中数据X(k)的高维不变特征，输出多个通道特征向量A(k)；
S3.2加入GAP层；
在选取的特征层后加入GAP层，将输出的多通道特征向量转换成一维特征向量，向量长度对应输入的特征通道数，GAP层第l个滤波器的输出结果为



其中，Al(k)表示GAP层第l个滤波器对应的输入特征向量；
S3.3构造输出层；
输出层为一个Softmax层，其输出单元数对应目标分类数，以各输出单元结果中概率最高者为输入数据X(k)对应的目标类别；
S3.4连接GAP层和输出层；
将GAP层同输出层进行全连接，GAP层同输出层之间的权重将用于计算数据X(k)中不同距离单元对应的CAM值...

【专利技术属性】
技术研发人员：林财永，方宇强，徐灿，殷智勇，周海俊，韩蕾，许洁平，李智，
申请(专利权)人：中国人民解放军战略支援部队航天工程大学，
类型：发明
国别省市：北京;11