一种基于多尺度卷积胶囊网络的雷达目标识别方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115032602A(43)申请公布日2022.09.09(21)申请号202210391547.3(22)申请日2022.04.14(71)申请人杭州电子科技大学地址310018浙江省杭州市下沙高教园区2号大街(72)发明人李津宇张杰潘勉吕帅帅蒋洁(74)专利代理机构杭州君度专利代理事务所(特殊普通合伙)33240专利代理师朱月芬(51)Int.Cl.G01S7/41(2006.01)G06K9/62(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书4页说明书12页附图1页(54)发明名称一种基于多尺度卷积胶囊网络的雷达目标识别方法(57)摘要本发明公开了一种基于多尺度卷积胶囊网络的雷达目标识别方法，利用改进的深度学习网络即多尺度卷积胶囊网络对目标HRRP进行识别分类，融合了泛化能力强的网络来充分捕捉HRRP中有效的结构信息，在构建复杂模型的同时还优化了网络中的参数，实现更快的收敛和更高的识别性能，基于CNN获取局部结构信息的能力和Inception结构，提出了多尺度CNN结构，从多个角度详细捕捉HRRP目标的不同层次的可分信息，增加了网络的稀疏性。同时将更鲁棒的胶囊网络作为CNN的补充，弥补了CNN难以体现目标HRRP序列结构信息的不足，以更强的拟合能力在雷达HRRP识别领域发挥更大的优势。CN115032602ACN115032602A权利要求书1/4页1.一种基于多尺度卷积胶囊网络的雷达目标识别方法，其特征在于，包括以下步骤：S1：数据集采集；S2：对数据集中的样本进行预处理；S3：将预处理后的HRRP样本输入到多尺度卷积模块进行特征提取；S4:将S3得到的特征传入一个卷积层和ReLU激活层进行处理，之后将得到的高维特征传入胶囊网络模块，在卷积获取胶囊特征后通过动态路由机制将基础胶囊中保存的HRRP特征转化为更全面的整体特征，并传递给表示HRRP目标类别的预测胶囊层进行分类；为了避免全连接的路由机制引起过拟合现象，引入dropout方法，丢弃了部分无效的向量神经元的传递，进一步探索HRRP样本中不同属性的关系，以向量输出的形式实现更好的分类；S5:搭建重构模块，将预测胶囊层中单位长度最大的高级胶囊表示作为重构目标，并经过三个带激活函数的全连接网络层，输出得到重构的目标数据；S6:通过经过S2处理后的数据集对由多尺度卷积模块、胶囊网络模块构建的多尺度卷积胶囊网络进行训练。2.根据权利要求1所述的一种基于多尺度卷积胶囊网络的雷达目标识别方法，其特征在于，S1详细步骤为：将雷达采集到的HRRP数据集依据目标的种类进行合并，每种种类的样本分别在不同的数据段里选择训练样本和测试样本，在训练集和测试集的选取过程中，保证所选取的训练集样本与雷达所成姿态涵盖测试集样本与雷达所成的姿态；各类目标训练集和测试集样本数的比例为7:3。3.根据权利要求2所述的一种基于多尺度卷积胶囊网络的雷达目标识别方法，其特征在于，所述S2详细步骤为：S2.1：强度归一化；将原始HRRP表示为Xraw＝[x1,x2,...,xL1]，其中L1表示HRRP内包含的距离单元总数，则强度归一化之后的HRRP可以表示为：S2.2：重心对齐；平移HRRP使其重心移g1至附近，使得HRRP中包含信息的距离单元将分布在中心附近；其中HRRP重心g1的计算方法如下：4.根据权利要求3所述的一种基于多尺度卷积胶囊网络的雷达目标识别方法，其特征在于，所述S3详细步骤为：S3.1:将经过预处理的HRRP样本输入到多尺度卷积模块之中，所述的多尺度卷积模块包含了3个堆叠的特征提取子块和1个全连接层，其中，每一个特征提取子块均由相同的网络层组成，包含了卷积层、批归一化以及激活层，再经过一个全连接层进行特征映射，通过全连接层输出的最大值来判定输入HRRP样本的目标类别；多尺度卷积模块中特征提取子块共包含了K个同步处理的卷积核，步长均设置为2，补零层则用0填充以增加稀疏性，样本通过第k1个不同尺度的卷积核运算输出的多层次位置2CN115032602A权利要求书2/4页特征表示为其中D代表通道数，W代表特征的宽；S3.2:卷积层后的数据需要进一步处理，为了使模型易于收敛，网络训练过程更加稳定，在卷积之后加入了批归一化，通过计算每个mini_batch中数据的均值和方差，假设一个n小批次中有Nm个HRRP样本，那么定义输出为其中F表示第n个HRRP样本对应的卷积输出，在每个小批次中，对中的HRRP数据进行批归一化得到表示为：其中，Fn(k,l)表示批归一化之前的HRRP样本对应的卷积层输出中，第k个通道中的第l个元素，即为批归一化之后的HRRP数据，αk和βk为可训练的对应于第k个通道