基于卷积神经网络和Bert的雷达目标识别方法.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CN112764024A(43)申请公布日2021.05.07(21)申请号202011600978.3(22)申请日2020.12.29(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二号路(72)发明人潘勉唐三鼎吕帅帅李训根陈晴方笑海张杰(74)专利代理机构浙江永鼎律师事务所33233代理人陆永强(51)Int.Cl.G01S13/88(2006.01)权利要求书3页说明书7页附图1页(54)发明名称基于卷积神经网络和Bert的雷达目标识别方法(57)摘要本发明公开了一种基于卷积神经网络和Bert的雷达目标识别方法，包括以下步骤：S1，收集数据并划分训练集和测试集，对数据进行强度归一化和重心对齐处理；S2，将上述处理的HRRP样本输入到CNN模块，用CNN对处理后的样本进行提取特征；S3，用Bert处理CNN提取的有效特征，提取更加深层的特征；S4，搭建分类器，对HRRP目标分类，对Bert的输出，再次使用注意力机制，将更有效的特征进行保留，最后采用softmax对网络的输出进行分类；S5，将经过S1处理后的HRRP测试集送入S2、S3、S4步骤中已训练完成的模型中进行测试。CN112764024ACN112764024A权利要求书1/3页1.一种基于卷积神经网络和Bert的雷达目标识别方法，其特征在于，包括以下步骤：S1，收集数据并划分训练集和测试集，通过雷达采集的HRRP数据，对每个类别进行采样，分别选出训练集和测试集，之后进行合并，保证每个类别的数据形式都有被采样到，训练集和测试集比例保持在7:3，将训练数据集记为D＝{(xi,yk)}i∈[1,n],k∈[1,c]，其中xi表示第i个样本，yk表示样本属于第k类，一共采集了c类目标，n表示样本总数；对数据进行强度归一化和重心对齐处理；S2，将上述处理的HRRP样本输入到CNN模块，用CNN对处理后的样本进行提取特征；S3，用Bert处理CNN提取的有效特征，提取更加深层的特征；S4，搭建分类器，对HRRP目标分类，对Bert的输出，再次使用注意力机制，将更有效的特征进行保留，最后采用softmax对网络的输出进行分类；S5，将经过S1处理后的HRRP测试集送入S2、S3、S4步骤中已训练完成的模型中进行测试。2.如权利要求1所述的基于卷积神经网络和Bert的雷达目标识别方法，其特征在于，所述S1进一步包括：S101，强度归一化，假设原始HRRP数据表示为xraw＝[x1,x2,x3…,xM]，其中M表示HRRP数据中距离单元总数，归一化之后的HRRP表示为：S102，重心对齐，为了使训练和测试具备统一标准，采用重心对齐法消除平移敏感性，重心对齐法通过平移HRRP使其重心位于HRRP中心点附近，重心g的计算方法如下：3.如权利要求1所述的基于卷积神经网络和Bert的雷达目标识别方法，其特征在于，所述S2进一步包括：S201，将经过预处理的X输入到卷积模块之中，卷积模块中包含了卷积层，批归一化，和Relu三个过程，输入的X经过N个kernel_size为(1,5)的卷积核，得到输出N表示总的通道数，i表示第i个通道，虽然卷积核大小相同，但是权重初始化不同，所以这N个通道也是不同的，提取到不同的局部特征：式中表示卷积操作；S202，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：2CN112764024A权利要求书2/3页其中，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个通道的参数，ε是一个很小的数，为了防止除数为0，E(.)为求均值操作，Var(.)表示求方差操作；S203，之后使用激活函数ReLU对中每一个元素进行非线性激活得到若输入为则经过ReLU之后对应的输出表示为：4.如权利要求1所述的基于卷积神经网络和Bert的雷达目标识别方法，其特征在于，所述S3进一步包括：S301，获取位置信息，通过卷积模块提取的特征中，并不包含时序信息，Bert模块中采用词嵌入的方式，动态学习位置信息；S302，多头注意力机制，提取有效特征，多头注意力机制将通过卷积模块中的N维特征，分成12组，在每一组中进行self‑attention，再将12组的结果进行合并，X中每一维特征分别乘以三个随机初始化的矩阵Wq，Wk，WV得到Q，K