雷达目标一维距离像智能识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114185039A(43)申请公布日2022.03.15(21)申请号202111494893.6(22)申请日2021.12.08(71)申请人中国人民解放军海军航空大学地址264001山东省烟台市芝罘区二马路188号科研学术处(72)发明人简涛王哲昊刘瑜王海鹏卢仁伟张健但波(51)Int.Cl.G01S13/89(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书6页附图4页(54)发明名称雷达目标一维距离像智能识别方法(57)摘要本发明公开了一种雷达目标一维距离像智能识别方法，属于雷达信号处理领域。针对小样本条件下雷达目标HRRP分类识别精度差的问题，合理的利用元学习的理论思想将任务的特性与任务间的共性进行了解耦，并通过基础学习器和元学习器对任务特性和任务间共性进行建模学习，通过解耦，基础学习器和元学习器同时在这两项上达到了最好效果。通过对任务特性和任务间共性学习经验的迁移，有效的提升了多类雷达目标在小样本条件下的分类识别性能，增强了雷达在复杂环境下的分类识别能力，具有推广应用价值。CN114185039ACN114185039A权利要求书1/2页1.雷达目标一维距离像智能识别方法，其特征在于，包括以下步骤：步骤1获取雷达目标的高分辨距离像，将仿真和实测的距离像数据分别划分成元训练集和元测试集，再将元训练集和元测试集中的数据划分为训练集和测试集；步骤2预训练阶段：初始化基础学习器的模型参数，从元训练集中抽取识别任务导入基础学习器进行学习，根据损失函数值更新基础学习器参数；将基础学习器学习后的模型参数导入元学习器进行参数更新，并将更新后的参数反馈给基础学习器重新进行参数赋值，循环重复，直至达到循环次数，结束循环，并保存最终的模型参数；步骤3测试阶段：将预训练阶段中保存的模型参数作为模型的初始参数，导入元测试集中的训练集进行模型训练，直至损失函数收敛，结束训练；利用训练所得的模型和参数，对元测试集的测试集进行分类识别，计算测试集中每类目标的分类识别率。2.根据权利要求1所述的雷达目标一维距离像智能识别方法，其特征在于，预训练阶段基础学习器损失函数的设计，具体为：设计了一种多类平衡余弦损失函数：其中，xi表示第i个样本所对应的全连接层输出特征；yi是第i个样本数据的真实标签；Wj是全连接层的权值矩阵W的第j列，即代表第j类目标对应的权值向量；为Wj和xi之间的夹角，为该夹角的余弦值；参数a(a＞0)增强特征xi与权重Wj的夹角约束；实参数s解决损失函数不收敛的问题；参数γ用于调节输出的权值。3.根据权利要求1所述的雷达目标一维距离像智能识别方法，其特征在于，元学习器参数更新方式的设计，具体为：设计元学习器的学习目标如下：其中，min(·)为最小化函数，θM为元学习器的初始化参数，θBk为基础学习器第k个任务经学习后的模型参数，为模型参数初始参数为θM时第k个任务在元训练集的测试集上的损失，K为训练任务总数目；通过最小化这个学习目标来对元学习的参数进行更新，具体的参数更新方程如下：其中，ε为元学习器的更新步长，λ为平衡系数，为元学习器更新后的参数，为TK对参数θM的梯度。4.根据权利要求1所述的雷达目标一维距离像智能识别方法，其特征在于，基础学习器2CN114185039A权利要求书2/2页的模型结构搭建，具体为：基础学习器为基本的卷积神经网络，其层结构包含一个输入层、三个卷积层(Conv)、三个池化层(POOL)、一个批归一化层(BN)、两个全连接层(FC)以及一个输出层，连接方式为：Conv1→POOL1→Conv2→POOL2→Conv3+BN→POOL3→FC1→FC2其中，前两个卷积层为标准的卷积层，第三个卷积层为标准化卷积层，在卷积层的基础上添加了一个批归一化层，加强损失函数的梯度变化，三个卷积层均采用一维卷积核，填充方式均为相同填充；池化层为平均池化层；第二层全连接层的神经元个数与目标类别数一致；最后，利用softmax函数计算每个样本的类别概率。3CN114185039A说明书1/6页雷达目标一维距离像智能识别方法技术领域[0001]本发明隶属于雷达信号处理领域，具体涉及一种雷达目标一维距离像智能识别方法。背景技术[0002]高分辨距离像是目标散射中心在雷达视线上的投影，反映了目标散射中心的位置信息，一定程度上体现了目标的部分结构信息，具有易存储、易处理以及方便获取等优点。对于合作目标目标，高分辨距离像(HighResolutionRangeProfile，HRRP)的获取比较简单，可以获取含有大量的目标样本，但在实际作战环境中，雷达所针对的目标往往是非合作的目标。在我方雷达实际探