一种基于极值分布的雷达高分辨距离像开集识别方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115861676A(43)申请公布日2023.03.28(21)申请号202211378461.3(22)申请日2022.11.04(71)申请人西安电子科技大学地址710071陕西省西安市太白南路2号(72)发明人刘宏伟王鹏辉夏子恒丁军(74)专利代理机构西安嘉思特知识产权代理事务所(普通合伙)61230专利代理师万艳艳(51)Int.Cl.G06V10/764(2022.01)G06V10/82(2022.01)G06V10/80(2022.01)G06V10/774(2022.01)G01S13/89(2006.01)G01S7/48(2006.01)权利要求书2页说明书12页附图2页(54)发明名称一种基于极值分布的雷达高分辨距离像开集识别方法(57)摘要本发明公开了一种基于极值分布的雷达高分辨距离像开集识别方法，包括以下步骤：建立并对训练样本集和测试样本集进行预处理；构建卷积神经网络；利用训练样本集训练卷积神经网络；利用训练后的卷积神经网络提取训练样本集的高维特征；计算训练样本集的高维特征的欧式距离，并对欧式距离进行极值分布拟合；利用训练后的卷积神经网络提取测试样本集的高维特征；利用极值分布累积概率分布函数对测试样本集的高维特征进行开集识别。本发明提供的方法不仅可用于对雷达目标识别数据库内已知类别型号的目标进行识别，同时能够拒判来自库外的未知类别型号目标，不但提高了雷达目标识别系统的准确率和实用性，同时有效提高了雷达的自动化和智能化水平。CN115861676ACN115861676A权利要求书1/2页1.一种基于极值分布的雷达高分辨距离像开集识别方法，其特征在于，包括以下步骤：建立第一训练样本集和第一测试样本集；其中，所述训练样本集包括若干个已知类别型号的目标的雷达高分辨距离像，所述测试样本集包括若干个已知类别型号的目标的雷达高分辨距离像和雷达目标识别数据库以外的未知类别的目标的雷达高分辨距离像；对所述训练样本集和所述测试样本集中的所述雷达高分辨距离像进行预处理，得到第二训练样本集和第二测试样本集；构建卷积神经网络；利用所述第二训练样本集训练所述卷积神经网络，得到训练后的卷积神经网络；利用所述训练后的卷积神经网络提取所述第二训练样本集的高维特征；计算所述第二训练样本集的高维特征的特征中心以及每个高维特征到对应的所述特征中心的欧式距离，并对全部欧式距离进行极值分布拟合得到极值分布累积概率分布函数；利用训练后的卷积神经网络提取所述第二测试样本集的高维特征；利用所述极值分布累积概率分布函数对所述第二测试样本集的高维特征进行开集识别，得到所述第二测试样本集的识别结果。2.根据权利要求1所述的一种基于极值分布的雷达高分辨距离像开集识别方法，其特征在于，所述对所述训练样本集和所述测试样本集中的所述雷达高分辨距离像进行预处理，得到预处理后的第二训练样本集和第二测试样本集，包括：对所述训练样本集和所述测试样本集中的所述雷达高分辨距离像依次进行重心对齐和归一化处理，得到预处理后的第二训练样本集和第二测试样本集。3.根据权利要求1所述的一种基于极值分布的雷达高分辨距离像开集识别方法，其特征在于，所述卷积神经网络，包括：三个卷积层和一个第四层全连接层；所述三个卷积层分别为第一层卷积层、第二层卷积层和第三层卷积层；所述每个卷积层的卷积步长相同；每个卷积层均包括若干个卷积核，且每个卷积核的大小相同；其中，所述卷积神经网络的损失函数的表达式为：其中，Θ(x)和Θ(xk)为卷积神经网络的输出结果，Oi(i＝1,…,k,…,N)为按照高斯分布随机初始化的第i个原型；d(Θ(x),Ok)为Θ(x)到Ok的欧氏距离，λ为超参数。4.根据权利要求1所述的一种基于极值分布的雷达高分辨距离像开集识别方法，其特征在于，所述利用所述第二训练样本集训练所述卷积神经网络，得到训练后的卷积神经网络，包括：将所述第二训练样本集的样本数据随机分为q个批次，每个批次的数据为n×D维矩阵数据；其中，floor()表示向下取整，P表示所述第二训练样本集中的高分辨距离像的数量；将每个批次的样本数据依次输入到所述卷积神经网络中进行处理，得到卷积神经网络2CN115861676A权利要求书2/2页的输出结果；根据所述卷积神经网络的输出结果和所述卷积神经网络的损失函数计算损失函数的值，并采用随机梯度法更新所述卷积神经网络的参数值，直至网络收敛，得到训练后的卷积神经网络。5.根据权利要求4所述的一种基于极值分布的雷达高分辨距离像开集识别方法，其特征在于，所述将每个批次的样本数据依次输入到所述卷积神经网络中进行处理，得到卷积神经网络的输出结果，包括：利用第一层卷积层对输入的当前批次的样本数据进行卷积和下采样处理，得到第一特