一种基于宽度学习的雷达高分辨距离像目标识别方法.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CN113673554A(43)申请公布日2021.11.19(21)申请号202110770720.6(22)申请日2021.07.07(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)发明人王鹏辉孙嘉琪丁军刘宏伟邵帅陈渤纠博王英华(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.G06K9/62(2006.01)G01S7/41(2006.01)权利要求书2页说明书7页附图2页(54)发明名称一种基于宽度学习的雷达高分辨距离像目标识别方法(57)摘要本发明公开了一种基于宽度学习的雷达高分辨距离像目标识别方法，包括：获取高分辨距离像数据并生成训练集；构建宽度学习模型；利用所述训练集对所述宽度学习模型进行训练，得到经训练的宽度学习模型；利用所述经训练的宽度学习模型对待识别的原始高分辨距离像数据进行识别，获取识别结果。本发明使用宽度学习模型对雷达高分辨距离像数据的高维特征进行提取，在保证识别精度的前提下，可以快速地对雷达目标进行识别，在预测精度、识别时间方面有着较为明显的优势。CN113673554ACN113673554A权利要求书1/2页1.一种基于宽度学习的雷达高分辨距离像目标识别方法，其特征在于，包括：S1：获取高分辨距离像数据并设置标签，生成训练集；S2：构建宽度学习模型；S3：利用所述训练集对所述宽度学习模型进行训练，得到经训练的宽度学习模型；S4：利用所述经训练的宽度学习模型对待识别的原始高分辨距离像数据进行识别，获取识别结果。2.根据权利要求1所述的基于宽度学习的雷达高分辨距离像目标识别方法，其特征在于，所述S1包括：S1a：提取宽带雷达回波信号中的高分辨距离像数据并进行预处理，得到高分辨距离像时域特征数据；S1b：根据模二范数归一化处理后的高分辨距离像时域特征数据建立雷达目标数据库，并对所述雷达目标数据库内的各个目标类别设置标签值；S1c：从所述雷达目标数据库中选取预定数量的样本组成训练集。3.根据权利要求2所述的基于宽度学习的雷达高分辨距离像目标识别方法，其特征在于，所述预处理包括：对所述高分辨距离像数据进行模二范数归一化处理：其中，X表示模二范数归一化处理后的高分辨距离像时域特征数据，x表示原始高分辨距离像数据，||·||2表示求模二范数操作。4.根据权利要求2所述的基于宽度学习的雷达高分辨距离像目标识别方法，其特征在于，所述S1还包括：从所述雷达目标数据库中选取预定数量的样本组成测试集，并且所述测试集中的高分辨距离像数据和所述训练集中的高分辨距离像数据具有任意的俯仰角度。5.根据权利要求2所述的基于宽度学习的雷达高分辨距离像目标识别方法，其特征在于，所述S2包括：S2a：将处理后的高分辨距离像时域特征数据进行幂变换操作：U＝Xk其中，U为幂变换后的数据，X为模二范数归一化处理后的高分辨距离像时域特征数据，k为幂变换系数；S2b：设定宽度学习模型的第i个映射特征节点输出Zi；其中，Zi为第i个映射特征节点输出，φi为映射函数，为权值矩阵，为偏置矩阵，n为特征节点的数量；S2c：将所述映射特征节点输出拼接成一个整体：nZ＝[Z1,Z2…,Zn]其中，Zn表示所有映射特征节点输出的集合；nS2d：对映射特征节点集合Z进行变换，得到宽度学习模型中第j个增强节点输出Ej；2CN113673554A权利要求书2/2页其中，Ej为第j个增强节点输出，ζ为非线性变换函数，和为随机生成的权值矩阵和偏置矩阵，m表示增强节点的数量；S2e：将所述增强节点输出拼接成一个整体：jE＝[E1,E2…,Ej]其中，Ej表示所有增强节点输出的集合；S2f：设定所述宽度学习模型的输出：其中，W是连接权重值，H为映射特征节点输出和增强节点输出的集合。6.根据权利要求5所述的基于宽度学习的雷达高分辨距离像目标识别方法，其特征在于，所述S3包括：将所述训练集中的样本全部输入所述宽度学习模型中，求得所述连接权重值：W＝H+YH+由下式计算得出：其中，λ表示正则化系数，I表示单位矩阵。7.根据权利要求5所述的基于宽度学习的雷达高分辨距离像目标识别方法，其特征在于，在所述S3之后还包括：利用测试集对所述经训练的宽度学习模型进行测试。8.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，所述计算机程序用于执行权利要求1至7中任一项所述的雷达高分辨距离像目标识别方法的步骤。9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现如权利要求1至7任一项所述雷达高分辨距离像目标识别方法的步骤。3CN113673554A说明书