一种雷达高分辨距离像开集识别方法及装置.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CN114137518A(43)申请公布日2022.03.04(21)申请号202111199838.4(22)申请日2021.10.14(71)申请人西安电子科技大学地址710000陕西省西安市雁塔区太白南路2号(72)发明人夏子恒耿晓静王鹏辉刘宏伟(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代理人王萌(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9页附图2页(54)发明名称一种雷达高分辨距离像开集识别方法及装置(57)摘要本发明公开了一种基于卷积神经网络的雷达高分辨距离像开集识别方法及装置，该方法包括：获取雷达高分辨距离像并建立训练样本集和测试样本集；对训练样本集和测试样本集中的数据进行预处理，得到预处理后的训练样本集和测试样本集；构建卷积神经网络模型；利用预处理后的训练样本集训练卷积神经网络模型，得到训练好的卷积神经网络；利用预处理后的测试样本集对训练好的卷积神经网络进行开集识别，得到基于卷积神经网络的雷达高分辨距离像开集识别结果。本发明提供的方法不仅可用于对库内已知类别目标进行识别分类，同时可拒判库外未知类别目标，提高了目标识别准确率，进而提升了雷达了的自动化和智能化水平。CN114137518ACN114137518A权利要求书1/2页1.一种基于卷积神经网络的雷达高分辨距离像开集识别方法，其特征在于，包括：获取雷达高分辨距离像并建立训练样本集和测试样本集；其中，所述训练样本集包括若干已知类别的目标雷达高分辨距离像，所述测试样本集包括若干库内已知类别和库外未知类别的目标雷达高分辨距离像；对所述训练样本集和所述测试样本集中的数据进行预处理，得到预处理后的训练样本集和测试样本集；构建卷积神经网络模型；利用所述预处理后的训练样本集训练所述卷积神经网络模型，得到训练好的卷积神经网络；利用所述预处理后的测试样本集对所述训练好的卷积神经网络进行开集识别，得到基于卷积神经网络的雷达高分辨距离像开集识别结果。2.根据权利要求1所述的雷达高分辨距离像开集识别方法，其特征在于，对所述训练样本集和所述测试样本集进行预处理，包括：对所述训练样本集和所述测试样本集中的数据依次进行重心对齐和归一化处理，得到预处理后的训练样本集和测试样本集。3.根据权利要求1所述的雷达高分辨距离像开集识别方法，其特征在于，构建卷积神经网络模型包括：构建一个四层结构的卷积神经网络模型；其中，四层结构分别为第一层卷积层、第二层卷积层、第三层卷积层和第四层全连接层，并设置每个卷积层具有相同的卷积步长；其中，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。4.根据权利要求3所述的雷达高分辨距离像开集识别方法，其特征在于，还包括构建卷积神经网络的损失函数，其表达式为：其中，Θ(x)为卷积神经网络的输出结果，Oi(i＝1...，N)为按照高斯分布随机初始化的kkiiN个原型，d(Θ(x)，O)为Θ(x)到O的欧氏距离，λ为超参数，ri＝d(O，Oc)，表示各原型O到中心的距离。5.根据权利要求4所述的雷达高分辨距离像开集识别方法，其特征在于，利用所述预处理后的训练样本集训练所述卷积神经网络模型，得到训练好的卷积神经网络，包括：将所述预处理后的训练样本集随机分为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表示训练样本集中的高分辨距离像数量；将每个批次的数据依次输入到卷积神经网络中进行处理，得到卷积神经网络的输出结果；根据所述卷积神经网络的输出结果计算损失函数的值，并使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，得到训练好的卷积神经网络。2CN114137518A权利要求书2/2页6.根据权利要求5所述的雷达高分辨距离像开集识别方法，其特征在于，将每个批次的数据依次输入到训练好的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当前输入数据进行卷积和下采样处理，得到第一特征图；利用第二层卷积层对所述第一特征图进行卷积和下采样处理，得到第二特征图；利用第三层卷积层对所述第二特征图进行卷积和下采样处理，得到第三特征图；利用第四层全连接层对所述第三特征图进行非线性变换处理，得到当前数据的处理结果；重复上述步骤，直至完成所有输入数据的处理，得到卷积神经网络的输出结果。7.根据权利要求1所述的雷达高分辨距离像开集识别方法，其特征在于，利用所述预处理后的测试样本集对所述训练好的卷积神经网络进行开集识别，得到基于卷积神经网络的雷达高分辨距离像开集识别结果，包括：设卷积神经网络预测待测样本x属于类别k的概率为其表达式为