一种针对行进间无人机群雷达目标高效识别、分类的模型设计方法技术

本发明专利技术公开了一种针对行进间无人机群雷达目标高效识别、分类的模型设计方法，构建基于神经网络的第一分类模型；第一分类模型用于对雷达目标的回波数据进行目标识别；将第一分类模型转换为图结构编码；采用进化算法对图结构编码进行优化，得到优化后的图结构编码；根据优化后的图结构编码生成第二分类模型，采用第二分类模型对雷达目标的回波数据进行目标识别；本发明专利技术通过将构建好的第一分类模型转换成图结构编码，再采用基于进化算法的神经网络架构搜索技术对图结构编码进行优化，可以在保留第一分类模型精度的基础上大大降低分类模型的复杂度，进而减少目标识别的计算量，提升目标识别的实时性。目标识别的实时性。目标识别的实时性。

【技术实现步骤摘要】
一种针对行进间无人机群雷达目标高效识别、分类的模型设计方法


[0001]本专利技术属于雷达目标识别
，尤其涉及一种针对行进间无人机群雷达目标高效识别、分类的模型设计方法。

技术介绍

[0002]行进间无人机群目标探测与识别系统主要由车辆平台、光电转台、车载两维无人机群目标探测雷达等组成，主要针对在车辆行进间对无人机群类运动目标的探测、警戒、识别需求。由于无人机群作为典型的低慢小类目标，其飞行域易受低空鸟群、地面小型动物以及地面小型车辆、行人等典型干扰目标侵扰。而通过充分利用两维有源相控阵所具备的三坐标测量、宽窄带结合以及极化信息测量等优势，并结合待识别目标体的多维运动特征，采用深度学习等人工智能识别手段，可实现两维无人机群探测雷达在有干扰环境下，实现车辆行进间的大范围无人机群目标探测、跟踪、识别、威胁警告，有效地对群目标的威胁意图实施防范。
[0003]针对两维无人机群目标探测雷达采集的雷达回波数据，通过分析其测量的无人机群体系中运动目标的各项参数信息，并结合数据预处理的技术手段，可以构建出基于无人机群类目标雷达回波数据的规范化数据集，具体包括无人机群目标和几类干扰物目标的数据，最终完成对多类目标的精准分类任务。
[0004]目前常用的分类器模型有决策树、K
‑
均值聚类算法、支持向量机、贝叶斯分类器和神经网络等，其中，神经网络因其强大的计算能力和特征表示能力，可以达到极好的分类效果。
[0005]但神经网络最大的瓶颈在于较大的模型复杂度带来的额外计算成本，考虑到该任务实际的应用场景具有不确定性、高机动性和高实时性的特点，因此，复杂度高的神经网络虽然能够满足识别精度，却计算量大，难以满足实时性，复杂度低的神经网络虽然能够满足实时性，但是识别精度却降低。

技术实现思路

[0006]本专利技术的目的是提供一种针对行进间无人机群雷达目标高效识别、分类的模型设计方法，通过采用基于进化算法的神经网络架构搜索技术来权衡神经网络的复杂度，以在保证识别精度的基础上满足实时性要求。
[0007]本专利技术采用以下技术方案：一种针对行进间无人机群雷达目标高效识别、分类的模型设计方法，包括以下步骤：
[0008]构建基于神经网络的第一分类模型；第一分类模型用于对雷达目标的回波数据进行目标识别；
[0009]将第一分类模型转换为图结构编码；
[0010]采用进化算法对图结构编码进行优化，得到优化后的图结构编码；
[0011]根据优化后的图结构编码生成第二分类模型，采用第二分类模型对雷达目标的回波数据进行目标识别。
[0012]进一步地，将第一分类模型转换为图结构编码包括：
[0013]采用G(V,E)表示第一分类模型的图结构编码，V表示第一分类模型的网络层及其激活函数，网络层包括该网络层的类型、输入节点个数、输出节点个数，E表示第一分类模型中某一数据流的传播路径上的起点层和终点层。
[0014]进一步地，采用进化算法对图结构编码进行优化包括：
[0015]初始化种群；其中，每个种群包括若干个个体，将每个图结构编码作为一个个体；
[0016]计算每个个体的适应度值；
[0017]当种群的迭代次数达到迭代阈值时，在种群中选择适应度值最大的图结构编码作为优化后的图结构编码。
[0018]进一步地，适应度值的计算方法为：
[0019]F
i
＝(1
‑
r)2+r
·
Kappa，
[0020]其中，F
i
表示进化算法中第i个个体的适应度值，r表示当前个体对应的分类模型的网络规模表征因子，Kappa表示当前个体对应的分类模型在测试数据集上的Kappa得分。
[0021]进一步地，网络规模表征因子的计算方法为：
[0022]r＝Ω
i
/Ω0,，
[0023]其中，Ω0表示第一分类模型的规模值，Ω
i
表示当前个体对应的分类模型的规模值，L为第i个个体对应的分类网络的总层数，I
j
表示第i个个体对应的分类网络的第j层的输入节点个数，O
j
表示第i个个体对应的分类网络的第j层的输出节点个数。
[0024]进一步地，当种群的迭代次数小于迭代阈值时，对种群依次进行选择、交叉、变异，直至生成新的种群的迭代次数达到迭代阈值。
[0025]进一步地，交叉包括：
[0026]随机从种群中选择两个个体；
[0027]将其中一个个体中的各个网络层的输入节点个数替换为另一个个体中各个网络层的输入节点个数，并作为子代个体，直至子代个体的数量达到子代个体阈值；其中，子代个体阈值小于等于种群中个体的数量。
[0028]进一步地，变异包括：
[0029]对个体对应的分类模型随机添加线型隐含层结构，或，
[0030]对个体对应的分类模型的隐含层的节点数随机变化。
[0031]进一步地，对个体对应的分类模型的网络层的节点数随机变化采用以下策略：
[0032]h
mut
＝h
cur
+α
·
X，
[0033]其中，h
mut
表示执行变异之后隐含层的节点数，h
cur
表示当前隐含层的节点数，α表示变异因子，X表示一个服从均值为0方差为1的标准正态分布的随机数。
[0034]本专利技术的另一种技术方案：一种针对行进间无人机群雷达目标高效识别、分类的模型设计装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的一种针对行进间无人机群雷达目标高效识别、分
类的模型设计方法。
[0035]本专利技术的有益效果是：本专利技术通过将构建好的第一分类模型转换成图结构编码，再采用基于进化算法的神经网络架构搜索技术对图结构编码进行优化，可以在保留第一分类模型精度的基础上大大降低分类模型的复杂度，进而减少目标识别的计算量，提升目标识别的实时性。
附图说明
[0036]图1为本专利技术实施例一种针对行进间无人机群雷达目标高效识别、分类的模型设计方法的流程图；
[0037]图2本专利技术实施例中神经网络架构搜索过程中部分网络架构图；
[0038]图3为本专利技术实施例中分类模型的图结构编码示意图；
[0039]图4为本专利技术实施例中交叉过程的示意图；
[0040]图5为本专利技术实施例中网络搜索时个体适应度值随进化迭代次数变化曲线图；
[0041]图6为本专利技术实施例中网络精简前后模型性能和复杂度的综合对比图；
[0042]图7为本专利技术实施例中在测试集数据上最终的预测效果图。
具体实施方式
[0043]下面结合附图和具体实施方式对本专利技术进行详细说明。
[0044]本专利技术是一种关于行进间无人机群类目标高效识别、分类的模型设计方法，在保本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对行进间无人机群雷达目标高效识别、分类的模型设计方法，其特征在于，包括以下步骤：构建基于神经网络的第一分类模型；所述第一分类模型用于对雷达目标的回波数据进行目标识别；将所述第一分类模型转换为图结构编码；采用进化算法对所述图结构编码进行优化，得到优化后的图结构编码；根据优化后的图结构编码生成第二分类模型，采用所述第二分类模型对雷达目标的回波数据进行目标识别。2.如权利要求1所述的一种针对行进间无人机群雷达目标高效识别、分类的模型设计方法，其特征在于，将所述第一分类模型转换为图结构编码包括：采用G(V,E)表示所述第一分类模型的图结构编码，V表示所述第一分类模型的网络层及其激活函数，所述网络层包括该网络层的类型、输入节点个数、输出节点个数，E表示所述第一分类模型中某一数据流的传播路径上的起点层和终点层。3.如权利要求2所述的一种针对行进间无人机群雷达目标高效识别、分类的模型设计方法，其特征在于，采用进化算法对所述图结构编码进行优化包括：初始化种群；其中，每个所述种群包括若干个个体，将每个图结构编码作为一个个体；计算每个所述个体的适应度值；当所述种群的迭代次数达到迭代阈值时，在所述种群中选择适应度值最大的图结构编码作为优化后的图结构编码。4.如权利要求3所述的一种针对行进间无人机群雷达目标高效识别、分类的模型设计方法，其特征在于，所述适应度值的计算方法为：F
i
＝(1
‑
r)2+r
·
Kappa，其中，F
i
表示进化算法中第i个个体的适应度值，r表示当前个体对应的分类模型的网络规模表征因子，Kappa表示当前个体对应的分类模型在测试数据集上的Kappa得分。5.如权利要求4所述的一种针对行进间无人机群雷达目标高效识别、分类的模型设计方法，其特征在于，所述网络规模表征因子的计算方法为：r＝Ω
i
/Ω0,，其中，Ω0表示所述第一分类模型的规模值，Ω
i
表示当前个体对应的分类模型的规模值，L为第i个个...

【专利技术属性】
技术研发人员：李琳，陈泓桦，孙凌晨，王若霜，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：