基于深度特征融合网络的窄带雷达空中目标分类方法技术

本发明专利技术提出了一种基于深度特征融合网络的窄带雷达空中目标分类方法，实现步骤为：获取训练样本集和测试样本集；构建深度特征融合网络；定义最大边缘正交损失函数；初始化参数：对深度特征融合网络进行训练；对深度特征融合网络的参数进行更新；获取空中目标分类结果

【技术实现步骤摘要】
基于深度特征融合网络的窄带雷达空中目标分类方法


[0001]本专利技术属于窄带雷达目标分类领域，涉及一种空中目标分类方法，具体涉及一种基于深度特征融合网络的窄带雷达空中目标分类方法
。

技术介绍

[0002]雷达空中目标分类是从雷达空中目标回波数据提取特征并对目标的类别进行自动判别
。
低分辨窄带雷达一般是指距离分辨力大于一般雷达探测目标大小的雷达，目标被近似表示为“点”目标，无法提取目标精细结构，但是可以提取许多特有属性层次下的特征，此类特征是窄带雷达目标分类的重要支撑
。
[0003]现有窄带雷达空中目标分类方法多采用统计分析方法构建概率模型，然后基于概率模型对目标时域
、
频域
、
多普勒域等浅层特征直接进行融合，最后基于所融合特征实现目标分类
。
对于不同的空中类别，窄带雷达所获取的浅层特征对目标分类的贡献度不同，有的特征并不具备可分性，必须对其进行抑制
。
现有的窄带雷达目标分类方法通常直接对浅层特征进行组合，没有自适应的突出高可分性特征和抑制模糊特征
。
并且与深度神经网络相比，简单的统计分析方法并不能提取对目标更具表征性的深层特征，而浅层特征可分性较为局限，较难全面反映目标的内在信息，致使窄带雷达目标分类准确率有限
。
此外，现有窄带雷达目标分类方法均不能对库外无关目标进行拒判与筛除，模型易受库外目标干扰
。
例如，现有技术提出了一种在时域
、<br/>多普勒域和时频域上提取目标的浅层特征，并进行特征融合，利用模式识别分类算法进行目标分类
。
例如申请公布号为
CN 116167012A
，名称为“一种基于多域融合特征的窄带雷达空中目标分类方法”的专利申请，公开了一种基于多域特征融合的窄带雷达目标分类方法
。
该方法在时域
、
多普勒域和时频域上提取特征，并进行归一化处理，得到多域特征矩阵
。
接着利用随机森林对多域特征进行评价，得到各个特征的权重值，并完成多域特征融合，得到融合特征矩阵
。
利用融合特征矩阵训练
SVM
进行分类
。
该方法提取了多种不同域的特征，不仅能够相对全面地反映目标的特性，还利用多域特征融合实现了信号不同域下特征的优势互补，从而获得了更好的分类识别效果，提高了空中目标分类的准确率
。
但该方法存在以下不足：
1.
该方法采用随机森林基尼指数直接对浅层特征进行组合，然后利用
SVM
进行分类，此类方法不能提取对目标更具表征能力的深层特征，致使所训练模型的分类泛化性能较差，分类准确率不高；
2.
该方法并不具备对诱饵等库外目标的拒判能力，致使分类结果可靠性不高
。3.
此类方法为非端到端的目标分类方法，实时性较差
。

技术实现思路

[0004]本专利技术的目的在于克服上述现有技术存在的缺陷，提出了一种基于深度特征融合网络的窄带雷达空中目标分类方法，用于解决现有技术中存在的分类准确率较低
、
不具备对库外目标的拒判能力和实时性较差的技术问题
。
[0005]为实现上述目的，本专利技术采取的技术方案包括如下步骤：
[0006](1)
获取训练样本集和测试样本集：
[0007]通过窄带雷达获取包括由
C
个库外诱饵目标和
N
‑
C
个库内目标组成的
N
个类别的
D
组目标特征数据，并对每组目标特征数据进行预处理后得到的特征序列进行标注，然后将预处理得到的
M
组库内特征序列中的
S
组及其标签组成训练样本集
X
tr
，将预处理后的库外特征序列及剩余的
M
‑
S
组库内特征序列组成测试样本集
X
te
，其中，
1≤C≤N
‑2，
N≥3
，
D≥10
，
[0008](2)
构建深度特征融合网络
O
：
[0009]构建包括编码模块
、
与其级联且并行排布的解码模块和全连接模块，以及级联在全连接模块输出端的
Softmax
函数层的深度特征融合网络
O
，其中，编码模块用于提取输入数据的特征，包括多个级联的复合模块，每个复合模块级联的包括一个或多个卷积模块
、
一个通道注意力模块和一个空间注意力模块；解码模块包括多个级联的反卷积模块，用于基于编码模块所提取的特征重构输入数据；
[0010](3)
定义最大边缘正交损失函数
L
MOP
：
[0011][0012]其中，
x
s
为第
s
个样本，
P(x
s
)
为样本
x
s
的分类概率，为类别
y
s
的中心，
||
·
||2为
L2
范数，
θ
s,j
为类别
y
s
与类别
y
j
的特征向量之间的夹角，
λ
和
γ
为均衡因子；
[0013](4)
初始化参数：
[0014]初始化训练迭代次数为
t
，最大迭代次数为
T
，
T≥1000
，第
t
次迭代的深度特征融合网络中的编码模块
、
解码模块和全连接模块的参数分别为
φ
t
、
α
t
和
μ
t
，并令
t
＝0；
[0015](5)
对深度特征融合网络
O
进行训练：
[0016]将训练样本集
X
tr
作为深度特征融合网络
O
的输入进行前向传播，得到
S
个与输入训练样本集
X
tr
对应的分类概率
P
和重构输出
[0017](6)
对深度特征融合网络
O
的参数进行更新：
[0018]通过步骤
(5)
获得的
S
个分类概率
P
和重构输出利用
P
对深度特征融合网络编码模块和全连接模块的参数
φ
t
和
α
t
进行更新，同时，利用对深度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度特征融合网络的窄带雷达空中目标分类方法，其特征在于包括如下步骤：
(1)
获取训练样本集和测试样本集：获取窄带雷达目标回波数据中由
C
个库外诱饵目标和
N
‑
C
个库内目标组成的
N
个类别的
D
组目标特征数据，并对每组目标特征数据进行预处理后得到的特征序列进行标注，然后将预处理得到的
M
组库内特征序列中的
S
组及其标签组成训练样本集
X
tr
，将预处理后的
M
′
组库外特征序列及剩余的
M
‑
S
组库内特征序列组成测试样本集
X
te
，其中，
N
‑
2≥C≥1
，
N≥3
，
D≥10
，
(2)
构建深度特征融合网络
O
：构建包括编码模块
、
与其级联且并行排布的解码模块和全连接模块，以及级联在全连接模块输出端的
Softmax
函数层的深度特征融合网络
O
，其中，编码模块包括多个级联的复合模块，每个复合模块级联的包括一个或多个卷积模块
、
一个通道注意力模块和一个空间注意力模块，用于提取输入数据的特征；解码模块包括多个级联的反卷积模块，用于对编码模块所提取的特征进行重构；
(3)
定义最大边缘正交损失函数
L
MOP
：其中，
P(x
s
)
为第
s
个样本
x
s
的分类概率，为第
s
个类别
y
s
的中心，
||
·
||2为
L2
范数，
θ
s,j
为第
s
个类别
y
s
与第
j
个类别
y
j
的特征向量之间的夹角，
λ
和
γ
为均衡因子；
(4)
初始化参数：初始化训练迭代次数为
t
，最大迭代次数为
T
，
T≥1000
，第
t
次迭代的深度特征融合网络中的编码模块
、
解码模块和全连接模块的参数分别为
φ
t
、
α
t
和
μ
t
，并令
t
＝0；
(5)
对深度特征融合网络
O
进行训练：将训练样本集
X
tr
作为深度特征融合网络
O
的输入进行前向传播，得到
S
个与输入训练样本集
X
tr
对应的分类概率
P
和重构特征序列
(6)
对深度特征融合网络
O
的参数进行更新获取训练好的深度特征融合网络：通过步骤
(5)
获得的
S
个分类概率
P、
重构特征序列分别对编码模块的参数
φ
t
和全连接模块的参数
α
t
、
解码模块的参数
μ
t
进行更新，得到本次迭代的深度特征融合网络
O
t
，判断
t≥T
是否成立，若是，得到训练好的深度特征融合网络
O
*
，否则，令
t
＝
t+1
，
O
t
＝
O
，并执行步骤
(5)
；
(7)
获取空中目标分类结果：将测试样本集
X
te
作为训练好的深度特征融合网络
O*
的输入进行前向传播，得到与
Q
个测试样本对应的
Q
组重构特征序列和
Q
个分类概率
P
Q
，并通过
MSE
损失函数计算每一组与
X
te
的损失值，得到
Q
个重构误差
L
r
，然后判断每个
L
r
与预先设定的阈值
τ
是否满足
L
r
≥
τ
，若是，则判定满足
L
r
≥
τ
的测试样本对应的目标为库外目标，对其进行筛除，否则判定满足
L
r
＜
τ
的测试样本对应的目标为库内目标，对其进行分类，得到分类结果，
Q
＝
M
‑
S。
2.
根据权利要求1所述的窄带雷达空中目标分类方法，其特征在于，步骤
(1)
中所述的窄带雷达所获取的目标特征数据，包括目标的主动
RCS、
半主动
RCS、
径向速度
、
径向距离
、
航向角和俯仰角
。3.
根据权利要求2所述的窄带雷达空中目标分类方法，其特征在于，步骤
(1)
中所述的对每组目标特征数据进行预处理，实现步骤为：
(1a)
通过窗长为
l
的滑窗以
step
为步长对长度为
L
每组的每组目标特征数据进行裁剪，得到
M
组库内特征序列和
M
′
组库外特征序列，其中，
10≤step≤100
；
(1b)
对裁剪得到的每组特征序列中的每个主动
RCS
序列和半主动
RCS
序列进行
L2
范数归一化处理，同时对每组特征序列中的每个径向速度
、
径向距离
、
航向角和俯仰角进行
Z
‑
score
标准化处理，得到预处理后的
M
组库内特征序列和
M
′
组库外特征序列

【专利技术属性】
技术研发人员：刘峥，郭泽坤，谢荣，李嘉楠，徐寒铮，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：