雷达目标自适应反向截断智能识别方法技术

本发明专利技术公开了一种雷达目标自适应反向截断智能识别方法，属于雷达信号处理领域。针对小样本条件下一维距离像多类别识别精度差的问题，构建了模糊截断余弦损失基础学习器结合归一化指数损失约束元学习器的识别框架，基于元训练任务源域数据与元测试任务目标域数据间的潜在差异性，分阶段进行卷积神经网络损失函数差异设计，提取源域数据通用特征的同时，充分挖掘了目标域小样本的个性特征；另外，通过兼顾同一元测试任务集内不同任务损失的相互影响，实现了元学习器参数的规则化约束稳定更新，计算过程规则性强，能适用于不同来源元训练任务学习经验的有效迁移融合，提升了元训练任务经验的整体借鉴效率，具有推广应用价值。值。值。

【技术实现步骤摘要】
雷达目标自适应反向截断智能识别方法
一、

[0001]本专利技术隶属于雷达信号处理领域，具体涉及一种雷达目标自适应反向截断智能识别方法。
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，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。
[0005]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，由于源域数据与目标域数据往往存在较大差异，预训练模型需具备较好的泛化性能，应能有效提取源域目标数据的通用特征；而对于基础学习器和元学习器相结合的元学习方法，其基础学习器的损失函数容易收敛至局部最小值，常用的交叉熵损失函数会导致模型得到过分自信的分类结果，进而使得预训练阶段的基础学习器模型缺乏必要的泛化性能。除此之外，现有基础学习器和元学习器相结合的元学习方法设计中，为简化模型设计难度，往往在元训练任务识别训练模型与元测试任务识别训练模型中采用相同的损失函数，而忽略了元训练任务对应的源域数据与元测试任务对应的目标域数据的潜在差异
性，未能针对元训练任务和元测试任务的不同识别任务进行差异化损失函数设计，降低了模型迁移效率和目标域识别正确率。事实上，元训练任务对应的预训练阶段，识别模型中损失函数的设计应注重模型的泛化性能，侧重于提取源域目标数据的通用特征；在小样本条件下，多个待识别目标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，因此在元测试任务对应的微调阶段，识别模型中损失函数的设计应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问题，注重减少易分类别在损失函数中的权重来平衡不同类别在损失函数中的占比，侧重于提取小样本目标数据的个性特征，增强元测试任务识别模型对待识别任务的匹配度。
[0006]针对小样本条件下雷达目标HRRP多类别识别精度差的问题，如何在预训练阶段和微调阶段进行针对性模型设计，是一个重要问题。在元训练任务的预训练阶段，如何设计泛化能力较强的基础学习器损失函数，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，在引入不同元训练任务差异性学习经验的同时，充分考虑同一元测试任务集内不同任务的相互影响，充分利用不同任务学习经验的差异性特征，指导新识别任务进行有效的小样本识别；在元测试任务的微调阶段，如何设计能有效提取小样本目标数据个性特征的识别模型损失函数；两阶段间相互协同，借助元训练任务经验指导待识别任务进行有效的小样本识别，提高待识别目标的识别精度，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

[0007]1.要解决的技术问题
[0008]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，在预训练阶段和微调阶段分别进行有针对性的识别模型损失函数设计，实现雷达目标的有效小样本识别；针对基础学习器构建，如何设计泛化能力强的损失函数，避免常用交叉熵损失函数易导致模型得到过分自信的分类结果且易收敛至局部最小值的缺陷，进而有效提取源域目标数据的通用特征，为后续元测试任务储备必要的通用性强的待迁移经验；针对元学习器构建，如何设计规则化的参数更新方式，在引入不同元训练任务差异性学习经验的同时，充分兼顾同一元测试任务集内不同任务损失的相互影响，保证参数更新过程对不同任务经验的有效融合，充分利用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规则化约束迁移借鉴，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；针对元测试任务的识别模型构建，如何设计合适的损失函数，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问题，有效提取小样本目标数据的个性特征，增强元测试任务识别模型对待识别任务的匹配度。
[0009]2.技术方案
[0010]本专利技术所述雷达目标自适应反向截断智能识别方法包括以下步骤：
[0011]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；
[0012]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，均需包含大量样本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.雷达目标自适应反向截断智能识别方法，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模糊截断余弦损失基础学习器和归一化指数损失约束元学习器的组合；模糊截断余弦损失基础学习器采用模糊截断余弦元训练损失函数作为元训练任务的卷积神经网络损失函数；归一化指数损失约束元学习器基于平滑平均绝对误差损失函数，通过对元训练任务损失值进行指数归一化，实现元学习器参数的规则化约束更新；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，在模糊截断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归一化指数损失约束元学习器，转入步骤4；步骤4归一化指数损失约束元学习器基于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指数归一化处理对元学习器参数θ
M
进行规则化约束更新，并将更新后的参数反馈给模糊截断余弦损失基础学习器；以为模糊截断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，保存最后的归一化指数损失约束元学习器参数构建与模糊截断余弦损失基础学习器相同结构的卷积神经网络识别模型，采用多类平衡余弦夹角约束损失函数作为元测试任务的卷积神经网络损失函数；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务小样本训练数据集进行识别模型的训练更新，当卷积神经网络的多类...

【专利技术属性】
技术研发人员：简涛，刘瑜，赵凌业，刘克，李刚，张健，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：