基于多尺度分组融合卷积的雷达高分辨距离像识别方法技术

本发明专利技术公开了基于多尺度分组融合卷积的雷达高分辨距离像识别方法，包括以下步骤：步骤1：构建基于多尺度分组融合一维卷积层(MSGF

【技术实现步骤摘要】
基于多尺度分组融合卷积的雷达高分辨距离像识别方法


[0001]本专利技术属于雷达自动目标识别
，具体涉及基于多尺度分组融合卷积的雷达高分辨距离像识别方法。

技术介绍

[0002]雷达自动目标识别技术在军事和民用领域具有重要的应用价值，引起了国内外学者广泛的关注。高分辨距离像(High
‑
resolution Range Profile，HRRP)是宽带雷达的雷达回波沿着雷达视线在各个距离单元的叠加，相比于RCS具有更加丰富的目标结构信息，相比于SAR图像又具有容易获取、存储和处理等优势，因此国内的外学者对基于HRRP的雷达自动目标识别技术进行了大量的算法研究。
[0003]常见的基于HRRP的雷达目标方法有模板匹配、决策树、支持向量机、k最近邻算法、线性判别分析、主成分分析和随机森林等，但这些方法提取的特征都是浅层次的，在实际应用中算法的泛化性能和鲁棒性普遍比较低。近年来，随着深度学习的快速发展，基于深度神经网络的HRRP识别方法已成为雷达自动目标识别领域的研究热点。深度神经网络具有多层神经元叠加的结构，通过随机梯度下降算法可以自动学习各层神经元的参数值，每层的神经元可提取原始数据不同层次的抽象特性，实现了在无需专业人员的先验经验的条件下完成数据的特征提取和分类。
[0004]卷积神经网络(Convolutional Neural Networks,CNN)是一种使利用局部感受野将空间信息和通道信息进行融合实现有效特征提取的神经网络，相比于上述的神经网络，其局部感受野对目标的局部特征具有更强的表达能力，且交替连接的卷积层和池化层结构可以实现平移、旋转和尺度的不变性，从而有效地提取HRRP中蕴含的目标结构信息，因此CNN提取的特征具有更强的鲁棒性。
[0005]上述用于HRRP识别的CNN核心模块是标准卷积层，囿于计算机有限的运算和存储资源，这种标准卷积层在实际的网络结构设计中一般倾向于使用单一的尺度较小的卷积核，因为尺度越大的卷积核包含的可训练参数就会越多，增大卷积核的尺度必然使网络的训练更加困难。同时为了弥补单个标准卷积层使用尺度较小的卷积核而不能有效地提取输入数据更大范围的空间信息，CNN将标准卷积层和池化层进行交替连接构成深度。CNN(Deep CNN，DCNN)，以逐层减小输入数据的尺寸从而增加网络的感受野。但是，现有的研究表明，DCNN中单尺度标准卷积层无法有效提取特征图中不同空间范围的相关性，会造成实际的感受野减小和有效空间信息的损失，进而影响识别效果。

技术实现思路

[0006]针对上述存在的问题，本专利技术尝试对标准卷积进行改进，提出了多尺度分组融合一维卷积代替标准一维卷积。在多尺度分组融合一维卷积的设计过程中考虑了尺度大的卷积核会增加网络的计算量这一缺点，研究了最优通道数的确定方法使得网络的整体参数量显著降低。
[0007]本专利技术采用的技术方案是：
[0008]基于多尺度分组融合卷积的雷达高分辨距离像识别方法，包括以下步骤：
[0009]步骤1：构建基于多尺度分组融合一维卷积层(MSGF
‑
1D
‑
CNN)的HRRP识别网络
[0010]首先给定一个包含各个一维卷积层的通道数的一维数组来表示不同的模型结构，C中各个元素的值为2的整数次幂且逐渐增大，给定Ω并确定相应的和G
(l)
，从而完成网络结构的具体配置；
[0011]步骤2：初始化识别网络：对网络的可训练参数θ进行初始化；
[0012]步骤3：前向传播
[0013]构建多尺度分组融合一维卷积层(MSGF
‑
1D
‑
CNN)在HRRP训练数据集上的交叉熵损失函数，根据交叉熵损失函数计算每个批次数据的损失函数值；
[0014]步骤4：反向传播：使用随机梯度下降算法对每个批次的参数进行更新；
[0015]步骤5：重复步骤3和步骤4，逐次对T个批次的数据进行训练，完成一个周期的训练，之后使用当前周期训练的模型结合公式对测试数据集中的样本进行预测，并对预测结果进行统计；
[0016]步骤6：重复步骤5直至完成τ个周期的训练，保存测试集识别正确率最高时的模型参数。
[0017]优选的，所述的HRRP识别网络包括输入层、卷积模块、平坦层和Softmax分类器；
[0018]输入层：输入的原始数据其中D
(1)
＝E，C
(1)
＝1；
[0019]卷积模块：个卷积模块重复连接用于特征提取；
[0020]平坦层和Softmax分类器：若最后一个卷积模块的输出的特征图大小则经过平坦层的拉平操作将中所有特征图排列为一个一维的向量u作为Softmax分类器的输入，Softmax分类器进行目标分类。
[0021]优选的，所述的卷积模块包括多尺度分组融合一维卷积层、批量归一化层、非线性激活层以及池化层；其中，
[0022]多尺度分组融合一维卷积层：使用多尺度分组一维卷积和逐点卷积代替标准一维卷积层，用H
(l)
表示第l个标准一维卷积层卷积核的窗口大小，X
(l)
与该层的所有单尺度一维卷积核进行卷积运算，产生与卷积核数量相等的输出特征图其中D
(l+1)
和C
(l+1)
分别表示卷积之后的特征图大小和通道个数；
[0023]批量归一化层：使用批归一化将卷积层的每个批次输出归一化到均值为0，标准差为1的分布；
[0024]非线性激活层：使用非线性激活函数对一维卷积层的输出进行激活；非线性激活函数表达式为δ(x)＝x
·
tanh(ln(1+e
x
))；
[0025]池化层：使用最大池化方法，对于第l个一维卷积层的第k个输出特征图X
k(l)
，最大池化后输出特征图位置i处的值由以下公式给出
[0026][0027]其中H
′
(l)
和S
′
(l)
分别表示最大池化的窗口大小和步长，则最大池化后特征图的个数不变，特征图大小变为
[0028][0029]其中，表示向下取整。
[0030]优选的，卷积运算的具体过程为：
[0031]每个多尺度分组融合一维卷积层都与输入的所有特征图进行卷积运算，则该层第k(k∈{1，2，...，C
(l+1)
})个一维卷积核与X
(l)
产生的一维特征图为
[0032][0033]其中，运算符*表示卷积运算，表示第k个卷积核的偏置，δ(
·
)为非线性激活层的激活函数，考虑每层的输入的特征图首先都进行零填充，设第l层的每个输入特征图单边填充零的个数为P
(l)
，输入特征图的大小首先变成D
(l)
+2P
(l)
，再与步长为S
(l)
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多尺度分组融合卷积的雷达高分辨距离像识别方法，其特征在于，包括以下步骤：步骤1：构建基于MSGF
‑
1D
‑
CNN的HRRP识别网络首先给定一个包含各个一维卷积层的通道数的一维数组来表示不同的模型结构，C中各个元素的值为2的整数次幂且逐渐增大，给定Ω并确定相应的和G
(l)
，从而完成网络结构的具体配置；步骤2：初始化识别网络：对网络的可训练参数θ进行初始化；步骤3：前向传播构建MSGF
‑
1D
‑
CNN在HRRP训练数据集上的交叉熵损失函数，根据交叉熵损失函数计算每个批次数据的损失函数值；步骤4：反向传播：使用随机梯度下降算法对每个批次的参数进行更新；步骤5：重复步骤3和步骤4，逐次对T个批次的数据进行训练，完成一个周期的训练，之后使用当前周期训练的模型结合公式对测试数据集中的样本进行预测，并对预测结果进行统计；步骤6：重复步骤5直至完成τ个周期的训练，保存测试集识别正确率最高时的模型参数。2.根据权利要求1所述的基于多尺度分组融合卷积的雷达高分辨距离像识别方法，其特征在于，所述的HRRP识别网络包括输入层、卷积模块、平坦层和Softmax分类器；输入层：输入的原始数据其中D
(1)
＝E，C
(1)
＝1；卷积模块：个卷积模块重复连接用于特征提取；平坦层和Softmax分类器：若最后一个卷积模块的输出的特征图大小则经过平坦层的拉平操作将中所有特征图排列为一个一维的向量u作为Softmax分类器的输入，Softmax分类器进行目标分类。3.根据权利要求2所述的基于多尺度分组融合卷积的雷达高分辨距离像识别方法，其特征在于，所述的卷积模块包括多尺度分组融合一维卷积层、批量归一化层、非线性激活层以及池化层；其中，多尺度分组融合一维卷积层：使用多尺度分组一维卷积和逐点卷积代替标准一维卷积层，用H
(l)
表示第l个标准一维卷积层卷积核的窗口大小，X
(l)
与该层的所有单尺度一维卷积核进行卷积运算，产生与卷积核数量相等的输出特征图其中D
(l+1)
和C
(l+1)
分别表示卷积之后的特征图大小和通道个数；批量归一化层：使用批归一化将卷积层的每个批次输出归一化到均值为0，标准差为1的分布；非线性激活层：使用非线性激活函数对一维卷积层的输出进行激活；非线性激活函数表达式为δ(x)＝x
·
tanh(ln(1+e
x
))；池化层：使用最大池化方法，对于第l个一维卷积层的第k个输出特征图X
k(l)
，最大池化后输出特征图位置i处的值由以下公式给出
其中H
′
(l)
和S
′
(l)
分别表示最大池化的窗口大小和步长，则最大池化后特征图的个数不变，特征图大小变为其中，表示向下取整。4.根据权利要求3所述的基于多尺度分组融合卷积的雷达高分辨距离像识别方法，其特征在于，卷积运算的具体过程为：每个多尺度分组融合一维卷积层都与输入的所有特征图进行卷积运算，则该层第k(k∈{1，2，...，C
(l+1)
})个一维卷积核与X
(l)
产生的一维特征图为其中，运算符*表示卷积运算，表示第k个卷积核的...

【专利技术属性】
技术研发人员：向前，王晓丹，宋亚飞，来杰，李睿，雷蕾，
申请(专利权)人：向前，
类型：发明
国别省市：