【技术实现步骤摘要】
本专利技术涉及sar目标持续学习，尤其是涉及一种基于记忆增强权重对齐的sar目标持续学习方法。
技术介绍
1、sar(合成孔径雷达)图像是一种重要的成像技术之一。sar系统利用雷达发射一系列脉冲，然后接收反射回来的信号，利用接收到的信号数据生成雷达图像。与光学图像相比，sar图像具有天气无关、全天候观测能力和穿透能力等优势。
2、在sar图像的应用中，增量学习是一种重要的方法。增量学习是机器学习领域的子领域，它涉及到从不断到达的数据流中学习和更新模型。而sar图像增量学习主要包括以下方面：
3、目标识别和分类：sar图像中的目标物体具有独特的散射特性，这些特性可以用于目标的识别和分类。通过增量学习方法，可以持续地接收新的sar图像数据，并利用已有的模型进行增量更新。这样可以更好地适应新的目标类别，并进一步提高目标识别和分类的性能。
4、地物变化监测：sar图像可以用于监测地球表面的变化，例如建筑物的改变、地表植被的发展等。利用增量学习，我们可以根据新的sar图像数据不断更新地物变化模型，实现对地表变化的快速监测和响应。
5、特征提取和降维：sar图像数据通常具有高维度和复杂性，因此需要进行特征提取和降维来减少数据冗余和增强分类性能。增量学习可以应用于特征提取和降维的过程中，不断更新特征提取模型，确保提取到的特征是适用于新数据的。
6、本专利技术针对sar目标识别和分类，设计了一种基于记忆增强权重对齐的sar目标持续学习方法。该方法是利用增量学习方法处理和分析sar图像数
技术实现思路
1、本专利技术的目的是提供一种基于记忆增强权重对齐的sar目标持续学习方法，旨在通过记忆旧类别中最具有代表性的样本，通过权重对齐的方法，缓解模型的灾难性遗忘问题，对sar图像进行持续学习。
2、本专利技术提供的一种基于记忆增强权重对齐的sar目标持续学习方法，包括：
3、s1、设计sar目标持续学习网络，包括，基础类别的训练模块，新类别到来时的训练模块，旧类别样本所构建的示例集，分类器的更新模块；
4、s2、设计基于内存增强权重对齐模块，包括，基于内存的自动编码器，权重对齐模块；
5、s3、设计增量的渐进式采样模块；
6、s4、设计具有距离向量的损失函数；
7、s5、以损失函数最小为目标在sar基础类别训练集上训练基础模型，得到基础训练网络。
8、s6、对训练样本进行筛选，选取一定数量的旧样本当作示例集，将示例集与类增量样本共同输入网络训练，得到类增量学习网络，并在所有类别测试数据上进行测试。
9、本专利技术还提供一种基于记忆增强权重对齐的sar目标持续学习方法，包括：
10、建立模块：用于搭建基础类别训练模型；
11、扩展模块：用于搭建新增类别训练模型；
12、示例集：用于记忆具有代表性的旧类别权重；
13、训练模块：在设计持续学习场景之后，分别使用基础类别和每个阶段的新到类别进行训练，在保证模型稳定性-可塑性的情况下进行训练。
14、测试模块：将当前场景下的所有新旧类别进行测试，得到每个类别的识别准确率。
15、本专利技术的有益效果为：使用内存寻址来提取旧类样本中的典型权重；在训练过程中设计增量的渐进式采样策略来保证样本采样的均衡性；设计持续学习网络，利用蒸馏损失和角度判别损失来保证模型的稳定性可塑性。
16、上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。
本文档来自技高网...【技术保护点】
1.一种基于记忆增强权重对齐的SAR目标持续学习方法，其特征在于，包括：
2.根据权利要求1所述的一种基于记忆增强权重对齐的SAR目标持续学习方法，其特征在于：所述S1具体包括建立深度学习特征提取网络，蒸馏损失函数，类增量样本均值分类器；其中，蒸馏损失的数学表达式为：
3.根据权利要求2所述的一种基于记忆增强权重对齐的SAR目标持续学习方法，其特征在于：所述深度学习特征提取网络包括卷积层，批量归一化层，激活函数层，注意力机制层；其中，注意力机制层网络由压缩模块和激励模块两个部分组成，首先经过卷积操作之后的特征图，与其自身经过空间卷积之后获得的特征图相乘，获得最终的特征图；该特征图包含了全局感受野，即全局信息，将注意力机制层与特征图相乘后，便获得了经注意力机制作用后的特征图。
4.根据权利要求3所述的一种基于记忆增强权重对齐的SAR目标持续学习方法，其特征在于：所述注意力机制层包括空间信息压缩层，空间信息扩展层，融合层。
5.根据权利要求4所述的一种基于记忆增强权重对齐的SAR目标持续学习方法，其特征在于：所述S2具体包括建立编码器网
6.根据权利要求5所述的一种基于记忆增强权重对齐的SAR目标持续学习方法，其特征在于：定义一个内存向量，每个向量都表示一个具有记忆性质的item，相当于编码器输出的特征维度，通过记忆网络输出的查询表示为：
7.根据权利要求5或6所述的一种基于记忆增强权重对齐的SAR目标持续学习方法，其特征在于：全连接层的权重W修改为以下形式：
8.根据权利要求1所述的一种基于记忆增强权重对齐的SAR目标持续学习方法，其特征在于：所述S3具体包括增量渐进式采样策略，给每个训练样本一个采样权重，这个权重随着训练过程的变化而变化；通过给每个训练样本一个采样权重，该采样权重随着时期的增加而递增地变化；随着训练的进行，样本的样本采样权重逐渐增加，将数据从原始实例分布逐渐转换为平衡分布；与随机采样相比，增量渐进采样策略确保了每个历元中的数据分布与新旧类的样本数据集相匹配；采样方法用以下形式表示：
9.根据权利要求1所述的一种基于记忆增强权重对齐的SAR目标持续学习方法，其特征在于：所述S4具体包括具有距离向量的角度判别损失函数包括添加夹角信息来约束传统的损失函数，使用余弦相似度作为度量标准，计算数据的相似度和得分。
10.一种基于记忆增强权重对齐的SAR目标持续学习方法的学习系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于记忆增强权重对齐的sar目标持续学习方法，其特征在于，包括：
2.根据权利要求1所述的一种基于记忆增强权重对齐的sar目标持续学习方法，其特征在于：所述s1具体包括建立深度学习特征提取网络，蒸馏损失函数，类增量样本均值分类器；其中，蒸馏损失的数学表达式为：
3.根据权利要求2所述的一种基于记忆增强权重对齐的sar目标持续学习方法，其特征在于：所述深度学习特征提取网络包括卷积层，批量归一化层，激活函数层，注意力机制层；其中，注意力机制层网络由压缩模块和激励模块两个部分组成，首先经过卷积操作之后的特征图，与其自身经过空间卷积之后获得的特征图相乘，获得最终的特征图；该特征图包含了全局感受野，即全局信息，将注意力机制层与特征图相乘后，便获得了经注意力机制作用后的特征图。
4.根据权利要求3所述的一种基于记忆增强权重对齐的sar目标持续学习方法，其特征在于：所述注意力机制层包括空间信息压缩层，空间信息扩展层，融合层。
5.根据权利要求4所述的一种基于记忆增强权重对齐的sar目标持续学习方法，其特征在于：所述s2具体包括建立编码器网络，解码器网络，记忆模块，权重对齐模块；其中，该对齐模块包含编码器，内存寻址模块；其中，编码器的结构通过全连接层和激活函数得到，表示如下：
<...【专利技术属性】
技术研发人员：高飞，黄河清，陈鹏辉，孙进平，王俊，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。