一种基于CNNKD的雷达HRRP小样本目标识别方法.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CN113743180A(43)申请公布日2021.12.03(21)申请号202110491864.8G06N3/08(2006.01)(22)申请日2021.05.06(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)发明人陈渤田隆郭泽坤王鹏辉纠博刘宏伟(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代理人刘长春(51)Int.Cl.G06K9/00(2006.01)G06K9/46(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)权利要求书2页说明书9页附图3页(54)发明名称一种基于CNNKD的雷达HRRP小样本目标识别方法(57)摘要本发明公开了一种基于CNNKD的雷达HRRP小样本目标识别方法，包括：构建多类别的HRRP样本集；对HRRP样本集进行处理得到有效HRRP样本集；利用有效HRRP样本集构建库内目标HRRP训练样本集；将库内目标HRRP训练样本集输入卷积神经网络进行训练得到基模型；根据基模型和子模型的输出得到损失值；利用损失值进行反向传播，根据Adam优化算法对子模型进行优化得到特征提取器；通过特征提取器对多类别非合作目标小样本训练集进行特征提取得到非合作目标的特征数据；对多个类别的非合作目标的特征数据进行训练得到分类器。本发明目标识别方法有效提高了目标识别模型的准确率，并且对新的非合作目标，仅需要重新训练浅层线性分类器即可，无需重新训练特征提取器，节省了计算开支。CN113743180ACN113743180A权利要求书1/2页1.一种基于CNNKD的雷达HRRP小样本目标识别方法，其特征在于，包括：步骤1、构建多类别的HRRP样本集，所述多类别的HRRP样本集中的每个类别的HRRP样本集均包括多个一维距离像信号；步骤2、对每个所述类别的HRRP样本集进行处理以得到每个所述类别的有效HRRP样本集；步骤3、利用所有类别的所述有效HRRP样本集构建库内目标HRRP训练样本集，所述库内目标HRRP训练样本集的类别共有C类；步骤4、基于Adam优化算法，将所述库内目标HRRP训练样本集输入至初始的卷积神经网络进行训练，以得到基模型；步骤5、基于改造的softmax函数，根据所述基模型和子模型的输出得到损失值，所述子模型为初始的卷积神经网络；步骤6、利用所述损失值进行反向传播，根据Adam优化算法对所述子模型进行优化，使所述损失值收敛至最小，以得到特征提取器；步骤7、通过所述特征提取器对多类别非合作目标小样本训练集进行特征提取，得到多个类别的非合作目标的特征数据；步骤8、采用具有闭式解的线性分类算法对所述多个类别的非合作目标的特征数据进行训练得到分类器，以利用所述分类器进行目标识别。2.根据权利要求1所述的雷达HRRP小样本目标识别方法，其特征在于，所述步骤1包括：步骤1.1、在同一俯仰角下对0～90度方位角进行平均划分，得到n个角域；步骤1.2、连续采集n个所述角域中的多个类别的雷达回波信号，并对所采集的雷达回波信号平均划分为多段子回波信号；步骤1.3、对每个类别的所述子回波信号进行FFT处理得到所述一维距离像信号，不同类别的所有所述一维距离像信号组成所述多类别的HRRP样本集。3.根据权利要求1所述的雷达HRRP小样本目标识别方法，其特征在于，所述步骤2包括：步骤2.1、利用能量归一化方法对每个所述类别的HRRP样本集进行处理得到能量归一化后的HRRP样本集；步骤2.2、利用重心对齐法对能量归一化后的HRRP样本集进行对齐处理，得到每个所述类别的有效HRRP样本集。4.根据权利要求1所述的雷达HRRP小样本目标识别方法，其特征在于，所述步骤3包括：对C个类别的所述有效HRRP样本集进行随机抽取得到所述库内目标HRRP训练样本集。5.根据权利要求1所述的雷达HRRP小样本目标识别方法，其特征在于，所述步骤5包括：步骤5.1、对子模型的网络参数进行高斯随机初始化，并通过改造的softmax函数得到初始化后的所述子模型的输出；步骤5.2、通过改造的softmax函数得到所述基模型的输出；步骤5.3、基于损失函数模型，根据所述子模型的输出和所述基模型的输出得到所述损失值。6.根据权利要求1所述的雷达HRRP小样本目标识别方法，其特征在于，所述卷积神经网络包括依次连接的第一层卷积层、第一层池化层、第二层卷积层、第二层池化层、第三层卷积层、第三层池化层和全连接层。2CN113743180A权利要求书2/2页7.根据权利要求6所述的雷达HRRP小样本目标识别方法，其特征在于，所述改造的softmax函数为：其中，pi为改造的softmax函数输出的类别i的概