[发明专利]一种基于深度置信网络的雷达一维距离像目标识别方法

权利要求书

1.一种基于深度置信网络的雷达一维距离像目标识别方法，其特征在于，包括以下步骤：

S1、获取样本数据：

由宽带雷达获取各目标在飞行过程中的一维距离像数据，将获取的一维距离像数据随机分为训练数据集和测试数据集，将训练数据集合记为：

其中，K代表总的目标类别数，N_i为第i类目标的训练样本数，为训练样本集合中总样本数，表示第i类目标的第j幅一维距离像样本，l为一维距离像的维数；设表示样本的类别标签向量，则训练样本标签集合记为

S2、对获得的样本数据进行预处理：

对步骤S1中获得的样本集合X⁽⁰⁾中的每幅一维距离像样本先进行256点的FFT变换并保留变换后的正频率分量，随后将该频域数据进行能量归一化，定义预处理操作后得到样本频域像为，样本频域像集合记为

S3、对样本集进行主成分分析：

对步骤S2中得到的样本频域像将每幅一维像样本投影变换到低维的特征子空间中，得到其投影特征子像p为特征子像维数；

S4、获取融合特征矢量：

用链接层将步骤S2中获得的样本频域像和步骤S3中获得的投影特征子像进行拼接，得到融合特征矢量：

S5、构建深度置信网络：

利用深度学习的方法，使用三个多层受限玻尔兹曼机来构建含三个隐含层的深度置信网络，采用非监督逐层贪婪训练法依次训练网络的每一层，步骤S4得到的样本融合特征矢量作为第一个玻尔兹曼机的输入，并在后两个玻尔兹曼机的输入层之前增加一个链接层，链接层完成将前两层的输出拼接并构成新的融合特征矢量输入到下一层玻尔兹曼机，获得三个玻尔兹曼机的权值矩阵；

S6、构建一个5层的深度神经网络：

根据步骤S5获得的三个玻尔兹曼机的权值矩阵，经过扩展后获得深度神经网络输入层的权值矩阵初始值，最后一层为一个softmax分类器，softmax分类器层的初始权值随机生成；

S7、根据训练样本标签集合Y，采用梯度下降法对步骤S6构建的深度神经网络参数进行微调，迭代S步后，得到最后的深度网络模型；

S8、采用步骤S7中获得的深度网络模型对输入样本进行目标识别。

2.根据权利要求1所述的一种基于深度置信网络的雷达一维距离像目标识别方法，其特征在于，所述步骤S3的具体方法为：

S31、根据步骤S2获得的预处理后的样本矩阵计算样本均值：获得样本集的协方差矩阵：

S32、对矩阵C作奇异值分解：C＝UΛV^T，其中U和V分别为左、右奇异矩阵；Λ为奇异值对角矩阵，其对角元素按从大到小的顺序排列λ₁≥λ₂≥...λ_k；

S33、取Λ中前p个较大奇异值对应的p列左奇异向量构成特征子空间投影矩阵：

A_eig＝[u₁ u₂ … u_p]

其中，p值的确定方式是取前p个特征值之和占全体特征值总和的比例大于设定的门限Φ，即：

S34、获取某一维像样本投影到特征子空间中，得到其投影特征子像为：