一种基于ResNet的数据域和图像域联合SAR目标识别方法技术

本发明专利技术公开了一种基于ResNet的数据域和图像域联合SAR目标识别方法，涉及雷达信号处理技术领域，提出一种基于合成孔径雷达回波数据和图像数据的联合目标识别方法。成像雷达目标识别技术的研究思路普遍是借助成像算法获得目标的雷达图像，然后再进行基于图像的目标识别。事实上，成像雷达回波中包含完整的目标信息，而成像算法可能会受限于算法性能丢失目标信息。因此，本发明专利技术在残差神经网络的基础上，分别对以回波数据为输入和以图像数据为输入独立进行识别，获得识别结果，进而利用Dempster

【技术实现步骤摘要】
一种基于ResNet的数据域和图像域联合SAR目标识别方法


[0001]本专利技术属于雷达信号处理领域，具体涉及一种基于ResNet的数据域和图像域联合SAR目标识别方法。

技术介绍

[0002]随着现代信息技术的飞速发展，目标识别技术已经成为雷达智能化、信息化的重要技术支撑手段，其在预警探测、精确制导等领域都有广泛的应用前景。合成孔径雷达(Synthetic Aperture Radar，SAR)和逆合成孔径雷达(Inverse Synthetic Aperture Radar，ISAR)可以获得静止和移动目标的高分辨率图像，已经成为识别各种目标的非常有效的工具。近年来，伴随着大数据技术、高性能计算资源的发展，智能目标识别采用人工智能技术进行特征提取和样本积累，实现对未知目标的认知与辨识。区别于其他自动目标识别方法，智能目标识别具有自主学习、智能推理等特点，其中，以深度学习为核心的智能目标识别成为解决自动目标识别问题的一种有效途径，大量研究者们也针对一些基于深度学习的SAR/ISAR图像的智能雷达目标识别方法进行了研究。
[0003]然而，现有的SAR/ISAR目标识别方法基本都是基于二维图像进行，即采用先成像后识别的工作模式。事实上，成像雷达回波中包含完整的目标信息，而成像算法可能会受限于算法性能丢失目标信息。

技术实现思路

[0004]为了解决上述
技术介绍
提到的技术问题，本专利技术提出了一种基于ResNet的数据域和图像域联合SAR目标识别方法。
[0005]为了实现上述技术目的，本专利技术的技术方案为：
[0006]一种基于ResNet的数据域和图像域联合SAR目标识别方法，包括以下步骤：
[0007]S1、构建联合SAR目标识别模型的整体框架；
[0008]S2、基于步骤S1构建的整体框架，建立目标识别模块；
[0009]S3、分别对以回波数据为输入和以图像数据为输入独立进行识别；对于每个待识别的目标，分别得到两个不同的目标类别隶属度，从而获取两个基本概率分配函数；
[0010]S4、根据DS组合规则对基本概率赋值进行融合，得到融合后的基本赋值概率；
[0011]S5、利用步骤S4中融合后的基本赋值概率得到信任函数，以信任函数最大的类别作为既定的判断逻辑，获得与待识别目标的最佳匹配类别。
[0012]优选的，步骤S1中联合SAR目标识别模型的整体框架包括回波数据、图像数据、第一残差神经网络、第二残差神经网络、基本概率赋值规则、证据组合规则和判别逻辑规则，其中，基本概率赋值规则通过每个待识别目标的类别隶属度获取基本概率分配函数；证据组合规则通过DS组合规则对基本概率赋值进行融合；判别逻辑规以信任函数最大的类别作为融合识别结果。
[0013]优选的，步骤S2中，残差神经网络的架构包括第一至第三通道、卷积核、Relu层、池
化层、第一至第四卷积层、全连接层、Dropout层和Softmax层，第一至第三通道分别与卷积核连接，卷积核、Relu层、池化层、第一至第四卷积层、全连接层、Dropout层和Softmax层依次顺序连接，其中，第一至第四卷积层的结构均相同，第一卷积层包括第一卷积核、第一Relu单元、第二卷积核、Shortcut连接单元、求和单元、第二Relu单元和池化单元，第一卷积核、第一Relu单元、第二卷积核、求和单元、第二Relu单元和池化单元依次顺序连接，Shortcut连接单元的输入端与第一卷积核的输入端连接，Shortcut连接单元的输出端与求和单元的输入端连接。
[0014]优选的，步骤S1中，基本概率赋值函数m(.)是一个从2
Ω
→
[0，1]的函数，且满足和m(φ)＝0，则m(.)称为识别框架Ω上的基本概率分配函数，此时识别框架Ω上基于基本概率赋值函数的置信度函数Bel公式表达如下：
[0015][0016]在识别框架Ω上基于基本概率赋值函数的似然函数P1公式表达如下：
[0017][0018]用信度区间[Bel，P1]来表示对于识别框架Ω中的子集A的确认程度。
[0019]优选的，步骤S3指：
[0020]设Ω是一个识别框架，分别表示为Ω
A
＝{A1，A2，...，A
N
}和Ω
B
＝{B1，B2，...，B
N
}，其中，N为类别个数。对于每个待识别的目标，分别得到两个不同的目标类别隶属度，表示为P
image
(A)＝{P
image
(A1)，P
image
(A2)，...，P
image
(A
N
)}和P
echo
(B)＝{P
echo
(B1)，P
echo
(B2)，...，P
echo
(B
N
)}，它们包含与N个类别有关的信息。基本概率分配函数表示为m
image
(A)和m
echo
(B)，以图像识别为例，其基本概率赋值m
image
(A)由下式获得：
[0021][0022][0023]其中，μ为不确定限度因子，表示先验知识得到的对所用识别方法的置信度。
[0024]优选的，步骤S4中基于DS融合得到的基本概率赋值m
DS
(F)公式表达如下：
[0025][0026]式中，1
‑
K为归一化因子。
[0027]优选的，步骤S5中信任函数Bel(A)与决策规则公式表示如下：
[0028][0029][0030]本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：
[0031](1)本专利技术利用了以SAR回波数据为输入的ResNet残差神经网络架构，突破现有雷达图像识别技术受限于成像质量的瓶颈，提升识别效率；相较于以往的卷积神经网络，残差神经网络凭借层次更深，但复杂度更低这一优势，网络训练更易优化，且识别分类性能更好。
[0032](2)此外，本专利技术方法利用了决策级融合的思想，目标识别的整体架构在基于DS证据理论下进行，突破单一模态数据的目标识别技术，对回波识别结果和图像识别结果进行有效融合，从而整体上有效提升目标识别精准率。
附图说明
[0033]图1是基于证据理论的联合SAR目标识别模型的整体框架；
[0034]图2a是基于ResNet的SAR目标识别的框架图，图2b是第一至第四卷积层的展开结构；
[0035]图3为联合识别方法得到的仿真ISAR数据集的混淆矩阵；
[0036]图4为联合识别方法得到的实测SAR数据集的混淆矩阵。
具体实施方式
[0037]以下将结合附图，对本专利技术的技术方案进行详细说明。
[0038]本专利技术提出的一种基于ResNet的数据域和图像域联合SAR目标识别方法，包括以下步骤：
...

【技术保护点】

【技术特征摘要】
1.一种基于ResNet的数据域和图像域联合SAR目标识别方法，其特征在于，包括以下步骤：S1、构建联合SAR目标识别模型的整体框架；S2、基于步骤S1构建的整体框架，建立目标识别模块；S3、分别对以回波数据为输入和以图像数据为输入独立进行识别；对于每个待识别的目标，分别得到两个不同的目标类别隶属度，从而获取两个基本概率分配函数；S4、根据DS组合规则对基本概率赋值进行融合，得到融合后的基本赋值概率；S5、利用步骤S4中融合后的基本赋值概率得到信任函数，以信任函数最大的类别作为既定的判断逻辑，获得与待识别目标的最佳匹配类别。2.根据权利要求1所述一种基于ResNet的数据域和图像域联合SAR目标识别方法，其特征在于，步骤S1中联合SAR目标识别模型的整体框架包括回波数据、图像数据、第一残差神经网络、第二残差神经网络、基本概率赋值规则、证据组合规则和判别逻辑规则，其中，基本概率赋值规则通过每个待识别目标的类别隶属度获取基本概率分配函数；证据组合规则通过DS组合规则对基本概率赋值进行融合；判别逻辑规以信任函数最大的类别作为融合识别结果。3.根据权利要求1所述一种基于ResNet的数据域和图像域联合SAR目标识别方法，其特征在于，步骤S2中，残差神经网络的架构包括第一至第三通道、卷积核、Relu层、池化层、第一至第四卷积层、全连接层、Dropout层和Softmax层，第一至第三通道分别与卷积核连接，卷积核、Relu层、池化层、第一至第四卷积层、全连接层、Dropout层和Softmax层依次顺序连接，其中，第一至第四卷积层的结构均相同，第一卷积层包括第一卷积核、第一Relu单元、第二卷积核、Shortcut连接单元、求和单元、第二Relu单元和池化单元，第一卷积核、第一Relu单元、第二卷积核、求和单元、第二Relu单元和池化单元依次顺序连接，Shortcut连接单元的输入端与第一卷积核的输入端连接，Shortcut连接单元的输出端与求和单元的输入端连接。4.根据权利要求3所述一种基于ResNet的数据域和图像域联合SAR目标识别方法，其特征在于，步骤S1中，基本概率赋值函数m(.)是一个从2
Ω
→
[0，1]的函数，当满足∑
A∈2
Ω m(A)＝1以及m(φ)＝0时，则m(.)称为识别框架Ω上的基本概率分配函数，此时识别框架Ω上基于基本概率赋值函数的置信度函数Bel公式表达如下：式中，m(.)表示基本概率赋值函数，A，B分别表示识别框架Ω中...

【专利技术属性】
技术研发人员：汪玲，阮西玥，朱岱寅，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：