基于证据深度学习的合成孔径雷达目标信任识别方法技术

本发明专利技术提供了一种基于证据深度学习的合成孔径雷达目标信任识别方法，通过获取多张SAR图像作为训练样本；构建依次连接的特征表示模块、置信分配模块以及期望效用模块的证据深度学习信任识别模型；在训练阶段仅考虑可能识别行为与实际类别相同的精确行为，使用训练样本对其通过反向传播调整权重以及偏差的方式进行迭代训练，直至可能行为与实际类别相同；在后续应用阶段，由于期望效用模块中可能识别行为是实际类别的所有非空子集，选取期望效用值最大的行为作为目标图像的预测标签输出。本发明专利技术通过在识别准确率和不精确度间进行折衷实现信任识别，从而提高SAR图像目标的识别准确率和识别结果的可靠性。别准确率和识别结果的可靠性。别准确率和识别结果的可靠性。

【技术实现步骤摘要】
基于证据深度学习的合成孔径雷达目标信任识别方法


[0001]本专利技术属于目标识别
，具体涉及一种基于证据深度学习的合成孔径雷达目标信任识别方法。

技术介绍

[0002]合成孔径雷达具有穿透力强和天候适应性强的特点，目前已经在军用和民用的多个领域得到了广泛应用。随着SAR传感器性能的提升，SAR数据处理的要求逐渐增多，SAR自动识别技术也越来越多的投入使用或是进入准备阶段。近些年深度学习发展迅猛，大量新的网络模型架构被提出，可以将其应用于SAR自动识别技术中。
[0003]传统上，对于识别分类问题，在学习深度学习模型时，输入空间被划分为与类一样多的决策区域，模型能够预测得到输入样本的各类别可能概率值，并根据预测概率选取概率值最大的类别作为最终识别结果，实现精确识别。然而，在高不确定性的情况下，这种输入空间的硬划分通常会导致错误识别。例如，位于决策区域边界附近的观测值会出现歧义，其中多个类别具有相似的概率，此时模型预测结果具有较大的不可靠性。拒判是解决这个问题的经典方法，通过量化预测的不确定性并在不确定性太高时避免做出决策，从而减少错误识别的发生。然而，拒判虽然能有效提高识别准确率，但这种完全拒绝方式通常不能为决策提供足够多的有效信息。

技术实现思路

[0004]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证据深度学习的合成孔径雷达目标信任识别方法。本专利技术要解决的技术问题通过以下技术方案实现：
[0005]本专利技术提供的一种基于证据深度学习的合成孔径雷达目标信任识别方法，包括：
[0006]步骤1：获取多张SAR图像作为训练样本；
[0007]步骤2：构建证据深度学习信任识别模型；
[0008]其中，构建的证据深度学习信任识别模型包括依次连接的特征表示模块、置信分配模块以及期望效用模块；
[0009]步骤3：将训练样本依次输入预先构建的证据深度学习信任识别模型中，以使特征表示模块提取对训练样本的特征，所述置信分配模块根据提取的特征进行置信分配，以及所述期望效用模块，计算可能识别行为的期望效用值，并通过反向传播调整证据深度学习信任识别模型中的权重和偏差，以最小化证据深度学习信任识别模型的误差直至训练截止；
[0010]步骤4：将待识别的目标图像输入训练截止时的证据深度学习信任识别模型中，以使该证据深度学习信任识别模型对测试样本进行特征提取、置信分配以及计算可能识别行为的期望效用值，选用期望效用最大的行为作为目标图像的预测识别行为输出。
[0011]可选的，所述构建证据深度学习信任识别模型包括：
[0012]步骤2
‑
1：获取由卷积层、池化层、以及全连接层构成的基础卷积神经网络模型；
[0013]步骤2
‑
2：设置卷积层的卷积核、池化层的池化尺寸以及全连接层的类别个数，得到特征表示模块；
[0014]步骤2
‑
3：根据证据理论，构建置信分配模块，用于针对类别集合，计算每个类别的多组关于类中心的基本信任分配，并将同一类别的基本信任分配进行聚合，得到多个类别的组合mass函数以及将不同类别的基本信任分配进行聚合，得到类别幂集中所有非空元素的mass值，组成mass向量；
[0015]步骤2
‑
4：构建期望效用模块，用于
[0016]针对类别集合，定义该类别集合的行为集合以及原始效用矩阵；
[0017]其中，行为集合中的每个行为表示将样本归类为某一类别的具体行为，原始效用矩阵中的每个通用项表示将真实类别的样本归属为其他类别的效用值；
[0018]将行为集合推广至将每个样本分配至类别集合任意非空子集；
[0019]利用推广后的行为集合进行决策，以使原始效用矩阵扩展为扩展效用矩阵；
[0020]其中，扩展效用矩阵中的通用项任意非空子集中每一项精确分类的效用值通过有序加权平均聚合得到；
[0021]定义扩展效用矩阵中通用项的不精确容忍度；
[0022]以不精确容忍度为约束条件，通过最大化交叉熵计算有序加权平均聚合操作的效用值；
[0023]基于扩展效用矩阵以及mass向量，利用广义赫维兹准则计算将样本归为任意非空子集时的期望效用；
[0024]将任意非空子集期望效用值最大的识别行为，确定为样本的真实类别。
[0025]可选的，在步骤2
‑
3中基本信任分配为：
[0026][0027]输入x与类别j第i(i＝1,...,n)个类中心的欧氏距离为：
[0028][0029]j＝1,...,M，i＝2,...,n，则第j类通过类中心得到的mass函数为
[0030][0031]类别幂集中所有非空元素的mass为：
[0032][0033]其中，和是与相关的参数，类别集合Ω＝{ω1,...,ω
M
}，其幂集为2
Ω
，输入x由P维特征向量表示，对于每个类别j(j＝1,...,M)，卷积神经网络通过学习能够得到n个类中心，表示为m
1,s
(
·
)是m1(
·
),...,m
s
(
·
)的组合结果，且m
1,1
(
·
)＝m1(
·
)，便得到类别幂集中所有非空元素的mass值，组成mass向量m。
[0034]可选的，步骤2
‑
4中行为集合表示为fωi表示将样本归类为类别ω
i
，原始效用矩阵为U
M
×
M
，通项u
ij
∈[0,1]表示将真实类别为ω
j
的样本归为ω
i
时的效用值，推广后的行为集合为f
A
表示归类为任意非空子集A，扩展效用矩阵为其通项表示将真实类别为ω
j
的样本归为任意非空子集A时的效用；
[0035]拓展效用矩阵的通项值由任意非空子集A中每一项精确分类的效用值通过有序加权平均OWA聚合得到，聚合方式为
[0036][0037]其中，是由原始效用矩阵U
M
×
M
中的元素组成的集合中第k个最大元素，权重g＝(g1,...,g|A|)表示当分类器需要在一组可能选择中做出精确决策时对于选择的倾向，权重向量g中的元素表示决策对不精确性的容忍度；
[0038]扩展效用矩阵中通用项的不精确容忍度为：
[0039][0040]交叉熵表示为
[0041][0042]其中，TDI(g)＝γ为约束条件，Σgk＝1且gk≥0；
[0043]利用广义赫维兹准则计算将样本归为任意非空子集A时的期望效用为：
[0044][0045]其中，悲观指数v为模型超参数，表示决策对于模糊的态度，E
m
(f
A
)和分别表示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于证据深度学习的合成孔径雷达目标信任识别方法，其特征在于，包括：步骤1：获取多张SAR图像作为训练样本；步骤2：构建证据深度学习信任识别模型；其中，构建的证据深度学习信任识别模型包括依次连接的特征表示模块、置信分配模块以及期望效用模块；步骤3：将训练样本依次输入预先构建的证据深度学习信任识别模型中，以使特征表示模块提取对训练样本的特征，所述置信分配模块根据提取的特征进行置信分配，以及所述期望效用模块，计算可能识别行为的期望效用值，并通过反向传播调整证据深度学习信任识别模型中的权重和偏差，以最小化证据深度学习信任识别模型的误差直至训练截止；步骤4：将待识别的目标图像输入训练截止时的证据深度学习信任识别模型中，以使该证据深度学习信任识别模型对测试样本进行特征提取、置信分配以及计算可能识别行为的期望效用值，选用期望效用最大的行为作为目标图像的预测识别行为输出。2.根据权利要求1所述的一种基于证据深度学习的合成孔径雷达目标信任识别方法，其特征在于，所述构建证据深度学习信任识别模型包括：步骤2
‑
1：获取由卷积层、池化层、以及全连接层构成的基础卷积神经网络模型；步骤2
‑
2：设置卷积层的卷积核、池化层的池化尺寸以及全连接层的类别个数，得到特征表示模块；步骤2
‑
3：根据证据理论，构建置信分配模块，用于针对类别集合，计算每个类别的多组关于类中心的基本信任分配，并将同一类别的基本信任分配进行聚合，得到多个类别的组合mass函数以及将不同类别的基本信任分配进行聚合，得到类别幂集中所有非空元素的mass值，组成mass向量；步骤2
‑
4：构建期望效用模块，用于针对类别集合，定义该类别集合的行为集合以及原始效用矩阵；其中，行为集合中的每个行为表示将样本归类为某一类别的具体行为，原始效用矩阵中的每个通用项表示将真实类别的样本归属为其他类别的效用值；将行为集合推广至将每个样本分配至类别集合任意非空子集；利用推广后的行为集合进行决策，以使原始效用矩阵扩展为扩展效用矩阵；其中，扩展效用矩阵中的通用项任意非空子集中每一项精确分类的效用值通过有序加权平均聚合得到；定义扩展效用矩阵中通用项的不精确容忍度；以不精确容忍度为约束条件，通过最大化交叉熵计算有序加权平均聚合操作的效用值；基于扩展效用矩阵以及mass向量，利用广义赫维兹准则计算将样本归为任意非空子集时的期望效用；将任意非空子集期望效用值最大的识别行为，确定为样本的真实类别。3.根据权利要求2所述的一种基于证据深度学习的合成孔径雷达目标信任识别方法，其特征在于，在步骤2
‑
3中基本信任分配为：
输入x与类别j第i(i＝1,...,n)个类中心的欧氏距离为：j＝1,...,M，i＝2,...,n，则第j类通过类中心得到的mass函数为类别幂集中所有非空元素的mass为：其中，和是与相关的参数，类别集合Ω＝{ω1,...,ω
M
}，其幂集为2
Ω
，输入x由P维特征向量表示，对于每个类别j(j＝1,...,M)，卷积神经网络通过学习能够得到n个类中心，表示为m
1,s
(
·
)是m1(
·
),...,m
s
(
·
)的组合结果，且m
1,1
(
·
)＝m1(
·
)，便得到类别幂集中所有非空元素的mass值，组成mass向量m。4.根据权利要求3所述的一种基于证据深度学习的合成孔径雷达目标信任识别方法，其特征在于，步骤2
‑
4中行为集合表示为fωi表示将样本归类为类别ω
i
，原始效用矩阵为U
M
×
M
，通项u
ij
∈[0,1]表示将真实类别为ω
j
的样本归为ω
i

【专利技术属性】
技术研发人员：焦连猛，缑圣杰，刘准钆，梁彦，潘泉，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：