本发明专利技术公开了一种基于CNNKD的雷达HRRP小样本目标识别方法，包括：构建多类别的HRRP样本集；对HRRP样本集进行处理得到有效HRRP样本集；利用有效HRRP样本集构建库内目标HRRP训练样本集；将库内目标HRRP训练样本集输入卷积神经网络进行训练得到基模型；根据基模型和子模型的输出得到损失值；利用损失值进行反向传播，根据Adam优化算法对子模型进行优化得到特征提取器；通过特征提取器对多类别非合作目标小样本训练集进行特征提取得到非合作目标的特征数据；对多个类别的非合作目标的特征数据进行训练得到分类器。本发明专利技术目标识别方法有效提高了目标识别模型的准确率，并且对新的非合作目标，仅需要重新训练浅层线性分类器即可，无需重新训练特征提取器，节省了计算开支。节省了计算开支。节省了计算开支。
【技术实现步骤摘要】
一种基于CNNKD的雷达HRRP小样本目标识别方法
[0001]本专利技术属于雷达目标识别
，具体涉及一种基于CNNKD的雷 达HRRP小样本目标识别方法。
技术介绍
[0002]在军事等特定领域中，提高雷达对非合作(库外)目标的识别准确率，是 一个极其重要的问题。
[0003]雷达HRRP(High Resolution Range Profile，高分辨距离像)非合作目标识 别技术的发展主要受限于两个方面：一是由于非合作目标观测频率极低， 导致带标签样本量严重不足，使非合作目标识别成为典型的小样本识别问 题，这在学界依然是一个没有定论的开放性的热点和难点问题；另一方面， 相对于已有类别，新增类别样本数量远小于已有类别，这就导致了机器学 习中不平衡样本的模型学习问题。
[0004]传统的目标识别方法大多是通过库内已知目标样本基于统计方法构建 浅层概率模型，通过模板匹配来实现目标识别的，现有的基于深度学习技 术进行目标识别的方法是通过大量的标签数据来进行有监督训练，从而获 取目标识别模型，这种机制往往需要标记大量的标签数据，且对于新的类 别，往往需要重新训练模型，计算开支极大，并且对于小样本非合作目标 的识别准确率严重不足，这种方法存在极大的局限性，现有技术提出了一 种在对雷达HRRP进行预处理之后通过筛选进行特征提取，然后将多分类 转化为二分类问题，再进行特征选择，然后训练贝叶斯分类器，以此实现 目标识别的方法，例如申请公布号为CN 110232371 A，名称为“基于小样 本的高精度HRRP雷达多目标识别方法”的专利申请，公开了一种基于贝 叶斯的目标识别方法。该方法为包括训练阶段与识别阶段。前者包括雷达 回波信号转换为HRRP训练样本集、训练样本预处理、训练样本的特征提 取、多类分类转化为两类分类、训练样本的特征选择以及训练贝叶斯分类 器；识别阶段包括雷达回波信号转换为HRRP识别样本、识别样本预处理、 识别样本的特征提取、识别样本的特征选择、分类器识别以及求比并输出 识别结果。该方法成功的解决了LDA(Linear Discriminant Analysis，线性判 别分析算法)在处理多目标分类时精度严重下降的问题。对提高雷达HRRP 目标识别的准确度起到一定作用。但该方法存在以下不足：1.该方法仅针对 库内小样本目标识别准确率下降的问题有效，并未考虑到非合作(库外)小样 本目标识别问题；2.该方法采用传统的通过LDA多批次计算进行特征提取 的方法，该方法需要基于相关领域的深层知识经验来进行特征提取，因而 导致存在较大不确定性。
[0005]因此，提供一种能够提高识别非合作目标准确率的方法成为了亟待解 决的问题。
技术实现思路
[0006]为了解决现有技术中存在的上述问题，本专利技术提供了一种基于CNNKD 的雷达HRRP小样本目标识别方法。本专利技术要解决的技术问题通过以下技 术方案实现：
[0007]一种基于CNNKD的雷达HRRP小样本目标识别方法，包括：
[0008]步骤1、构建多类别的HRRP样本集，所述多类别的HRRP样本集中的每 个类别的HRRP样本集均包括多个一维距离像信号；
[0009]步骤2、对每个所述类别的HRRP样本集进行处理以得到每个所述类别 的有效HRRP样本集；
[0010]步骤3、利用所有类别的所述有效HRRP样本集构建库内目标HRRP训练 样本集，所述库内目标HRRP训练样本集的类别共有C类；
[0011]步骤4、基于Adam优化算法，将所述库内目标HRRP训练样本集输入至 初始的卷积神经网络进行训练，以得到基模型；
[0012]步骤5、基于改造的softmax函数，根据所述基模型和子模型的输出得到 损失值，所述子模型为初始的卷积神经网络；
[0013]步骤6、利用所述损失值进行反向传播，根据Adam优化算法对所述子 模型进行优化，使所述损失值收敛至最小，以得到特征提取器；
[0014]步骤7、通过所述特征提取器对多类别非合作目标小样本训练集进行特 征提取，得到多个类别的非合作目标的特征数据；
[0015]步骤8、采用具有闭式解的线性分类算法对所述多个类别的非合作目标 的特征数据进行训练得到分类器，以利用所述分类器进行目标识别。
[0016]在本专利技术的一个实施例中，所述步骤1包括：
[0017]步骤1.1、在同一俯仰角下对0～90度方位角进行平均划分，得到n个角域；
[0018]步骤1.2、连续采集n个所述角域中的多个类别的雷达回波信号，并对所 采集的雷达回波信号平均划分为多段子回波信号；
[0019]步骤1.3、对每个类别的所述子回波信号进行FFT处理得到所述一维距 离像信号，不同类别的所有所述一维距离像信号组成所述多类别的HRRP样 本集。
[0020]在本专利技术的一个实施例中，所述步骤2包括：
[0021]步骤2.1、利用能量归一化方法对每个所述类别的HRRP样本集进行处理 得到能量归一化后的HRRP样本集；
[0022]步骤2.2、利用重心对齐法对能量归一化后的HRRP样本集进行对齐处理， 得到每个所述类别的有效HRRP样本集。
[0023]在本专利技术的一个实施例中，所述步骤3包括：
[0024]对C个类别的所述有效HRRP样本集进行随机抽取得到所述库内目标 HRRP训练样本集。
[0025]在本专利技术的一个实施例中，所述步骤5包括：
[0026]步骤5.1、对子模型的网络参数进行高斯随机初始化，并通过改造的 softmax函数得到初始化后的所述子模型的输出；
[0027]步骤5.2、通过改造的softmax函数得到所述基模型的输出；
[0028]步骤5.3、基于损失函数模型，根据所述子模型的输出和所述基模型的 输出得到所述损失值。
[0029]在本专利技术的一个实施例中，所述卷积神经网络包括依次连接的第一层 卷积层、第一层池化层、第二层卷积层、第二层池化层、第三层卷积层、 第三层池化层和全连接层。
[0030]在本专利技术的一个实施例中，所述改造的softmax函数为：
[0031][0032]其中，p
i
为改造的softmax函数输出的类别i的概率分布，∑
j
表示对类别 进行遍历，z
i
为类别i在通过所述卷积神经网络的卷积层、池化层以及全连 接层之后的特征向量，z
j
为类别j在通过所述卷积神经网络的卷积层、池 化层以及全连接层之后的特征向量，T表示温度系数。
[0033]在本专利技术的一个实施例中，所述步骤7包括：
[0034]步骤7.1、对C
new
个类别的所述有效HRRP样本集进行随机抽取得到多类 别非合作目标小样本测试集和所述多类别非合作目标小样本训练集，其中， C和C
new
不相交；
[0035]步骤7.2、通过所述特征提取器对所述多类别非合作目标本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于CNNKD的雷达HRRP小样本目标识别方法，其特征在于，包括：步骤1、构建多类别的HRRP样本集，所述多类别的HRRP样本集中的每个类别的HRRP样本集均包括多个一维距离像信号；步骤2、对每个所述类别的HRRP样本集进行处理以得到每个所述类别的有效HRRP样本集；步骤3、利用所有类别的所述有效HRRP样本集构建库内目标HRRP训练样本集，所述库内目标HRRP训练样本集的类别共有C类；步骤4、基于Adam优化算法，将所述库内目标HRRP训练样本集输入至初始的卷积神经网络进行训练，以得到基模型；步骤5、基于改造的softmax函数，根据所述基模型和子模型的输出得到损失值，所述子模型为初始的卷积神经网络；步骤6、利用所述损失值进行反向传播，根据Adam优化算法对所述子模型进行优化，使所述损失值收敛至最小，以得到特征提取器；步骤7、通过所述特征提取器对多类别非合作目标小样本训练集进行特征提取，得到多个类别的非合作目标的特征数据；步骤8、采用具有闭式解的线性分类算法对所述多个类别的非合作目标的特征数据进行训练得到分类器，以利用所述分类器进行目标识别。2.根据权利要求1所述的雷达HRRP小样本目标识别方法，其特征在于，所述步骤1包括：步骤1.1、在同一俯仰角下对0～90度方位角进行平均划分，得到n个角域；步骤1.2、连续采集n个所述角域中的多个类别的雷达回波信号，并对所采集的雷达回波信号平均划分为多段子回波信号；步骤1.3、对每个类别的所述子回波信号进行FFT处理得到所述一维距离像信号，不同类别的所有所述一维距离像信号组成所述多类别的HRRP样本集。3.根据权利要求1所述的雷达HRRP小样本目标识别方法，其特征在于，所述步骤2包括：步骤2.1、利用能量归一化方法对每个所述类别的HRRP样本集进行处理得到能量归一化后的HRRP样本集；步骤2.2、利用重心对齐法对能量归一化后的HRRP样本集进行对齐处理，得到每个所述类别的有效HRRP样本集。4.根据权利要求1所述的雷达HRRP小样本目标识别方法，其特征在于，所述...
【专利技术属性】
技术研发人员：陈渤，田隆，郭泽坤，王鹏辉，纠博，刘宏伟，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。