【技术实现步骤摘要】
本专利技术属于sar目标识别，尤其涉及fisher信息矩阵姿态角自适应sar目标识别方法。
技术介绍
1、合成孔径雷达(sar)目标自动识别(atr)技术的研究已经引起了广泛关注。由于sar图像的特征对目标姿态角高度敏感，并且实际应用中，雷达在一次观测中难以获取目标所有姿态角下的数据，sar目标识别模型经常出现在未观测姿态角域数据上性能显著下降现象。当新的观测数据到来时，仅依赖新观测数据对现有模型进行训练，将导致模型对已学习到的姿态角下sar目标特征产生灾难性遗忘。
2、在实际应用中sar-atr模型性能受数据完整性和多样性的限制，并且雷达目标姿态角对sar图像特征有重要的影响。随着姿态角的变化，同一目标可能呈现出不同的几何形状和反射特性，这导致sar目标识别模型经常出现在未观测姿态角域数据上性能显著下降现象。在一次观测中，雷达难以获取目标所有姿态角下的数据，当新观测数据到来时，传统方法需要使用所有数据重新训练整个模型，但在实际应用中，数据量不断增加，使得重新训练耗费大量时间和内存。仅使用新观测数据更新模型时，数据表示和决策边界会发生变化。随着参数的调整，模型会对过去知识产生灾难性遗忘，导致性能显著下降。
技术实现思路
1、专利技术目的：为应对sar-atr系统面对sar目标数据姿态角观测不全而导致的性能下降问题，通过引入连续学习算法，本专利技术提供了fisher信息矩阵(费歇耳信息矩阵)姿态角自适应sar目标识别方法，包括如下步骤：
2、步骤1，数据准备：
3、步骤2，模型初始化：利用pytorch初始化器自动初始化合成孔径雷达自动目标识别sar-atr(synthetic aperture radar automatic target recognition，sar-atr)模型fewc(·)；
4、步骤3，预训练模型：令超参数l＝0，超参数λ为已学习数据集da1与新学习数据集da2之间的权重因子，在sar目标数据集序列上通过提取sar目标特征来训练模型fewc(·)；
5、步骤4，计算重要性权重：基于fisher信息矩阵计算网络参数对sar目标数据集序列的重要程度；
6、步骤5，保护参数：模型fewc(·)根据重要性权重对已训练的sar目标数据集序列的关键特征进行保护；
7、步骤6，学习新任务：令l＝g，其中γ为更新后的重要性权重因子，模型fewc(·)对新姿态角下sar目标数据学习；
8、步骤7，重复步骤4～步骤6，面对持续新的sar图像数据流，每次学习新姿态角下sar目标数据后都要更新重要性权重；
9、步骤8，输出y＝fewc(·)，其中y为类别标签。
10、步骤1包括：
11、采用如下公式进行数据滤波：
12、f(x)＝10lg[x+10-3]+30
13、其中x为原始sar图像，f(x)为对数滤波后的sar图像。
14、步骤2包括：雷达经过k次观测任务获取目标所有姿态角下完备数据集其中nak为第n个样本在姿态角ak下的样本；设数据集包含样本个数n＝|d|；为数据集d中第i个sar图像样本，w表示图像宽度，h表示图像高度，yi为第i个类别标签；表示实数空间；
15、模型fewc(·)以soft-max层作为输出层，m为模型fewc(·)网络参数的个数；
16、输入sar图像样本xi，fewc(·)的输出为预测类别的概率分布满足ps∈[0,1]且ps为第s个类别的概率，s为预测目标的类别数，则预测sar目标类别的索引为：
17、c(x)＝argmaxs(f(xi))∈[1,2,…,s]
18、其中c(x)为sar目标类别的索引，argmax表示取使某个函数值最大的自变量，在这里，s是使f(xi)最大的索引，s为预测目标的类别数，f(xi)表示对sar目标数据集d中第i个sar图像样本的预测结果。
19、步骤3包括：采用如下公式从初始姿态角a1下的sar目标数据集da1提取sar目标特征：
20、
21、其中lce是总损失函数，pi为第i个预测类别的概率分布。
22、步骤3中，在sar目标数据集序列上采用最小交叉熵方法训练模型fewc(·)。
23、步骤4包括：根据如下公式计算出关于sar目标数据集da1的fisher信息矩阵ia1，同时用如下公式计算和更新重要性权重：
24、
25、其中，为fisher信息矩阵的逆，▽qlj(qi)为第j个sar图像样本xj的对数似然函数关于孔径雷达自动目标识别sar-atr模型第i个参数qi的梯度，na1为sar目标数据集的样本个数，为的近似值，t表示矩阵转置。
26、步骤5中，采用如下公式对参数进行保护：
27、
28、其中p(θ|da1)为sar目标数据集da1的概率分布，为fisher信息矩阵评估模型fewc(·)的网络参数关于sar目标数据集的重要性参数，qa1,i为姿态角a1下的第i个网络参数，为qa1,i的共轭转置，为正则项。
29、步骤6包括：令l＝0，采用如下公式将sar目标数据集的特征提取到sar-atr模型fewc(·)的参数空间中：
30、
31、其中l(q)为总损失函数，lce(q)为在新姿态角a2下sar目标数据集上训练模型fewc(·)的总损失函数，为正则项。
32、步骤7包括：在新姿态角a2下sar目标数据集中，通过步骤3的方法提取sar目标特征，同时通过步骤4的方法计算出关于数据的fisher信息矩阵令l＝g，通过步骤6的方法将数据的特征提取到孔径雷达自动目标识别sar-atr模型fewc(·)的参数空间中；如此两个阶段不断交替，使模型达到在线训练的目的。
33、本专利技术具有如下有益效果：
34、(1)通过正则项限制模型中已学习到的sar目标特征的参数变化，缓解灾难性遗忘；
35、(2)利用fisher信息矩阵，根据不同姿态角下sar目标数据对模型性能的影响程度动态调节各个参数的正则化强度，增强模型对不同姿态角数据特征的自适应能力。
36、(3)实现模型的在线训练，sar-atr系统的响应能力得到增强。本文提出的姿态角自适应sar目标识别连续学习模型在msatr数据集上验证，仅需在线学习新姿态角下sar图像数据，就能适应新姿态角下的目标特征变化。提高了sar-atr系统的sar目标识别精度的同时增强了实时性。为实际应用情景下目标识别提供了有力支持。
本文档来自技高网...【技术保护点】
1.Fisher信息矩阵姿态角自适应SAR目标识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤1包括：
3.根据权利要求2所述的方法，其特征在于，步骤2包括：雷达经过K次观测任务获取目标所有姿态角下完备数据集其中Nak为第N个样本在姿态角ak下的样本；设数据集包含样本个数N＝|D|；为数据集D中第i个SAR图像样本，W表示图像宽度，H表示图像高度，yi为第i个类别标签；表示实数空间；
4.根据权利要求3所述的方法，其特征在于，步骤3包括：采用如下公式从初始姿态角a1下的SAR目标数据集Da1提取SAR目标特征：
5.根据权利要求4所述的方法，其特征在于，步骤3中，在SAR目标数据集序列上采用最小交叉熵方法训练模型FEWC(·)。
6.根据权利要求5所述的方法，其特征在于，步骤4包括：根据如下公式计算出关于SAR目标数据集Da1的Fisher信息矩阵Ia1，同时用如下公式计算和更新重要性权重：
7.根据权利要求6所述的方法，其特征在于，步骤5中，采用如下公式对参数进行保护：<...
【技术特征摘要】
1.fisher信息矩阵姿态角自适应sar目标识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤1包括：
3.根据权利要求2所述的方法，其特征在于，步骤2包括：雷达经过k次观测任务获取目标所有姿态角下完备数据集其中nak为第n个样本在姿态角ak下的样本；设数据集包含样本个数n＝|d|；为数据集d中第i个sar图像样本，w表示图像宽度，h表示图像高度，yi为第i个类别标签；表示实数空间；
4.根据权利要求3所述的方法，其特征在于，步骤3包括：采用如下公式从初始姿态角a1下的sar目标数据集da1提取sar目标特征：
5.根据权利要求4所述的方法，其特征在于，步骤3中，在sar目标数据集序列上采用最小交叉熵方法训练模型fewc(·)。
【专利技术属性】
技术研发人员：龙伟军，陈玉锋，陈虹廷，杜川，
申请(专利权)人：南京信息工程大学，
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。