基于负指数更新的雷达目标智能识别方法技术

本发明专利技术公开了一种基于负指数更新的雷达目标智能识别方法，属于雷达信号处理领域。通过多类平衡中心余弦损失基础学习器和任务损失负指数修正元学习器相结合，构建了小样本雷达目标高分辨距离像元学习识别框架；设计了元学习器参数的任务损失负指数函数加权更新方式，利用元训练任务损失值与任务训练效果的负相关性，基于负指数函数变化的平缓性，将任务学习经验的借鉴与任务相关度紧密关联，降低了不同元训练任务的损失值剧烈变化带来的参数更新过程不稳定影响，避免了元训练任务损失值过小或过大而导致的参数更新过程发散问题，计算过程简单便捷。本发明专利技术方法提高了小样本条件下雷达目标高分辨距离像多类别识别正确率，具有推广应用价值。有推广应用价值。有推广应用价值。

【技术实现步骤摘要】
基于负指数更新的雷达目标智能识别方法
一、

[0001]本专利技术隶属于雷达信号处理领域，具体涉及一种基于负指数更新的雷达目标智能识别方法。
二、
技术介绍

[0002]高分辨距离像(High Resolution Range Profile，HRRP)是目标主散射点在雷达照射方向上的投影，反映了目标散射点的相对位置信息，一定程度上体现了目标部分结构信息，具有易存储、易处理以及方便获取等优点，因此在目标识别领域具有广阔的应用前景。对于合作目标，可以获取大量的目标HRRP样本，但在实际应用中，雷达所针对的目标往往是非合作目标，难以获取数量足够的非合作目标HRRP数据。因此，数据量较小的小样本条件下雷达目标HRRP识别已成为雷达目标识别领域的研究热点之一。
[0003]早期小样本条件下的目标分类识别技术主要以HRRP的统计建模方法为主，如线性动态模型、因子分析模型以及自适应高斯分类器模型等，随后学者们利用多任务学习理念和类别标签信息，在上述模型的基础上进行改进，相继提出了多任务因子分析模型、标签辅助因子分析模型以及多任务标签约束卷积因子分析模型等。统计建模方法需要对模型的变量进行先验假设，当实际环境与先验假设条件失配时，该类方法的识别性能将急剧下降。
[0004]近年来，深度学习方法在雷达目标识别领域得到了越来越多的重视。深度学习模型可以自主学习数据的内在规律和表示层次，但其往往需要依赖大量的样本数据以及较深的网络结构来获得预期的识别效果。在实际对抗环境中，能获取的非合作目标数据量较少且角度往往较为单一，针对上述小样本数据，深度学习过深的网络结构会导致模型过拟合。针对这一问题，相关学者一方面从增加数据量的角度出发，通过生成对抗网络等方法进行数据增强，以期满足深度学习模型对数据集的要求；另一方面则研究基于模型迁移的学习方法，将源域学习到的模型参数迁移至目标域中，从而利用迁移的知识进行小样本识别。需要指出的是，在模型迁移方法中，当源域与目标域差异较大时，所建立的迁移模型难以适用于不同的识别问题。作为迁移学习方法的拓展，元学习是一种针对不同任务设计具有不同特性学习器的机制，可利用以往不同任务上的经验，来指导新任务的学习，适用于分类、回归以及强化学习等多种应用场合。需要指出的是，现有元学习方法往往对所有任务的学习经验进行无差别借鉴，忽视了不同任务经验对新任务的差异性影响，易造成对低相关度经验的过度借鉴，进而导致识别率下降。另外，在小样本条件下，多个类别之间往往存在样本个数不均衡的情况，在反向传播过程中，样本较多的类别占损失函数的比重较高，易引导模型向利于输出该类别分类结果的方向优化，进而降低样本数较少类别目标的识别率。
[0005]针对小样本条件下雷达目标HRRP多类别识别精度差的问题，如何设计合适的基础学习器损失函数，避免不同类别样本数不均衡所导致的样本数较少类别目标的识别率下降的问题；进而在元学习器中对不同任务学习经验进行针对性迁移借鉴，通过较平滑方式引入不同元训练任务的差异性学习经验，指导新识别任务进行有效的小样本识别，提高后续目标识别精度，是雷达目标多类别小样本智能识别领域的难点之一。
三、
技术实现思路

[0006]1.要解决的技术问题
[0007]针对小样本条件下雷达目标HRRP多类别识别精度差的问题，如何构建合适的元学习识别框架，将单个任务特性与任务间共性进行解耦，设计合适的基础学习器和元学习器对单个任务特性和任务间共性进行经验迁移，实现雷达目标的有效小样本识别；针对基础学习器构建，如何设计合适的损失函数，避免多类别样本数不均衡所导致的样本数较少类别目标的识别率下降问题；针对元学习器构建，如何设计较为平滑的参数更新方式，挖掘不同任务学习经验的差异性特征，实现对不同任务学习经验的针对性平滑迁移借鉴，用于指导新识别任务进行有效的小样本识别，提高新任务的小样本目标识别精度。
[0008]2.技术方案
[0009]本专利技术所述基于负指数更新的雷达目标智能识别方法包括以下步骤：
[0010]步骤1深度元学习的数据集构建；依据待识别的N类目标的雷达高分辨距离像数据，构建元测试任务小样本训练数据集和元测试任务测试数据集，将待识别任务归为元测试任务集；依据与待识别目标数据不同类别或不同数据来源的M类非待识别目标积累数据，通过随机抽取N类目标数据构建元训练任务集，并将N类非待识别目标数据全部作为元训练任务训练数据集；
[0011]元学习的方法具体包含神经网络适应法、度量学习适应法、基础学习器和元学习器适应法以及贝叶斯元学习适应法等。其中，基础学习器和元学习器相结合可将任务特性建模与任务间共性建模进行解耦，通过二者间的互相交流，使得模型在任务特性和共性两方面均可达到最优，从而在保持模型精度的基础上，提升模型的泛化能力。传统机器学习的数据结构一般分为训练集和测试集，无论是训练集还是测试集，均需包含大量样本数据。而深度元学习与传统机器学习相类似，同样分为元训练集和元测试集，不同之处在于元训练集和元测试集中不是样本数据，而是各个任务的集合，在各个任务中又包含相应的训练数据集和测试数据集。与传统机器学习和经典元学习不同，本专利技术元学习模型的数据结构分为元训练任务集和元测试任务集，元测试任务集中包含相应的训练数据集和测试数据集，而为了提高数据利用率，元训练任务集只包含相应的训练数据集。
[0012]对于N类雷达目标的识别任务，依据待识别的N类目标的雷达高分辨距离像数据，构建元测试任务小样本训练数据集和元测试任务测试数据集，即元测试任务训练数据集为小样本数据集，将待识别任务归为元测试任务集；依据与待识别目标数据不同目标类别或不同数据来源的M类非待识别目标积累数据，其中M≥N，通过从M类中随机抽取N类目标数据构建元训练任务集，每个元训练任务包含N类非待识别目标，每个元训练任务只包含元训练任务训练数据集。
[0013]与经典元学习方法将元训练任务数据划分为训练数据集和测试数据集不同，本专利技术将元训练任务中的所有数据均作为元训练任务训练数据集，提高了元训练任务数据的训练利用率，改善了单个元训练任务的特性参数和损失值的计算精度和稳定性，有利于为后续元学习器提供更可靠的任务学习经验，用于指导待识别目标小样本分类器精准设计。
[0014]需要强调的是，鉴于待识别目标数据的小样本特性，与待识别的N类目标的雷达高分辨距离像数据相比，本专利技术的非待识别目标的积累数据，其不同之处可体现在两个方面：或体现为目标类型不同(例如，待识别目标为舰船目标，非待识别目标的积累数据涉及的是
飞机目标)；或体现为数据的类型不同(例如，同样为舰船目标，待识别目标的雷达高分辨距离像数据为实测数据，而非待识别目标的积累数据为仿真数据)；或者以上两个方面均不相同(例如，待识别目标的雷达高分辨距离像数据为实测数据，而非待识别目标为地面车辆目标，其积累数据为红外图像的一维径向采样数据或雷达高分辨距离像仿真数据)。
[0015]步骤2元学习模型设计；将元学习模型设计为多类平衡中心余弦损失基础学习器和任务损失负指数修正元学习器的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于负指数更新的雷达目标智能识别方法，其特征在于，包括以下步骤：步骤1深度元学习的数据集构建；依据待识别的N类目标的雷达高分辨距离像数据，构建元测试任务小样本训练数据集和元测试任务测试数据集，将待识别任务归为元测试任务集；依据与待识别目标数据不同类别或不同数据来源的M类非待识别目标积累数据，通过随机抽取N类目标数据构建元训练任务集，并将N类非待识别目标数据全部作为元训练任务训练数据集；步骤2元学习模型设计；将元学习模型设计为多类平衡中心余弦损失基础学习器和任务损失负指数修正元学习器的组合；多类平衡中心余弦损失基础学习器采用多类平衡余弦中心损失函数作为元训练任务的卷积神经网络损失函数；任务损失负指数修正元学习器基于平滑平均绝对误差损失函数，采用元训练任务损失值的负指数函数值对元学习器参数更新进行修正；元学习模型的输入为元训练任务集，元学习模型的输出为更新后的模型参数；步骤3从元训练任务集中随机抽取K个元训练任务进行基础学习器训练；对第k个元训练任务，在多类平衡中心余弦损失基础学习器上利用元训练任务训练数据集进行分批次训练，通过卷积神经网络迭代更新优化，得到第k个元训练任务的特性参数θ
Bk
和损失值L
k
；将K个元训练任务的特性参数和损失值正向传递给任务损失负指数修正元学习器，转入步骤4；步骤4任务损失负指数修正元学习器基于K个元训练任务的特性参数，利用相应的元训练任务损失值的负指数函数值对元学习器参数θ
M
进行加权修正更新，并将更新后的参数反馈给多类平衡中心余弦损失基础学习器；以为多类平衡中心余弦损失基础学习器的新初始化模型参数，重新执行步骤3进行新一轮的优化训练；步骤5循环执行步骤3和步骤4，直至达到N
c
次循环结束，保存最后的任务损失负指数修正元学习器参数构建与多类平衡中心余弦损失基础学习器相同模型结构的卷积神经网络识别模型，将作为卷积神经网络识别模型的初始化参数，分批次导入元测试任...

【专利技术属性】
技术研发人员：简涛，王海鹏，张韫，徐从安，何友，张建，谢梓铿，
申请(专利权)人：中国人民解放军海军航空大学，
类型：发明
国别省市：