[发明专利]基于双深度神经网络的雷达一维距离像目标识别方法

说明书

本发明属于雷达技术领域，具体的说是涉及一种基于双深度神经网络的雷达一维距离像目标识别方法。本发明的方法首先对目标的一维距离像数据进行随机距离扰动、样本扩展、加噪声等预处理操作，以增强识别系统的鲁棒性；随后结合深度学习理论，提出了具有自适应性学习率的双深度神经网络(DDNN)，对其进行无监督预训练和有监督微调，得到DDNN模型参数；然后利用DDNN对各测试样本进行预识别，得到各样本在两个子网络中的预识别结果；最后根据预识别结果，利用改进的DS证据理论对其进行时空多级决策融合，并得到目标识别结果。

技术领域个

本发明属于雷达技术领域，具体的说是涉及一种基于双深度神经网络的雷达一维距离像目标识别方法。

背景技术

随着深度学习理论的不断发展，以深度学习为基础的相关算法在众多目标识别领域得到广泛应用。但在基于一维距离像的目标识别中，由于训练样本数量较少，使得深度模型在学习过程中容易出现过拟合的问题，最终影响识别结果。因此，需根据一维像数据特点研究新的深度学习模型以进一步提高识别率。

发明内容

本发明的目的是，针对基于雷达一维距离像的目标识别问题，提供一种新的自适应学习率的双深度神经网络模型，并将模型给出的多组连续识别结果采用改进的DS策略进行时空多级决策融合，最终得到更好的目标识别效果。

本发明的技术方案是：提出一种基于双深度神经网络和改进DS决策融合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、获取数据样本：

由高分辨率雷达获取飞行目标的一维距离像数据构成数据集：其中K表示目标类别总数，M_i代表第i类目标的一维距离像个数，为数据集合中样本总数，表示第i类目标的第j幅一维距离像，样本维数为320；采用1-of-K编码方式得到样本的标签矢量为y_ij＝[y_ij(1)，y_ij(2)，...，y_ij(K)]，则表示数据集合D⁽⁰⁾所对应的标签集合。

S2、数据样本的预处理：

首先对S1所述数据集D⁽⁰⁾进行样本扩展。将数据集中每个原始样本添加随机距离偏移，即在样本前后端随机插入总共80个0元素，对每个原始样本重复10次添加随机距离偏移的操作，每一幅一维像被扩展为10幅。则得到扩展及随机平移后的数据集合，记为：其中

随后，对D⁽¹⁾中的每个样本添加最大信噪比22dB的高斯白噪声，并进行能量归一化，将归一化后的样本集记为：

将D⁽²⁾中同类目标的样本按照7:3比例随机划分构成训练集和测试集，记训练集为：其中K表示目标类别总数，N_i代表训练集中第i类目标的一维距离像数，为训练集中样本总数，表示第i类目标的第j幅一维距离像样本，且维数为400；同理，测试集记为：其中B_i代表测试集中第i类目标的一维距离像数，为测试集中样本总数，且为数据集样本总数；

S3、构建具有自适应学习率的双深度神经网络(DDNN)：

根据深度学习理论，首先基于TensorFlow平台搭建两个结构相同的4层神经子网络(网络包含：输入层、两层隐含层、一个softmax输出层)，设置两个子网络的优化目标函数分别为loss1、loss2，两个子网络分别记为DNN-1、DNN-2。

随后将S2中所述的样本训练集作为子网络DNN-1的第一层输入；对网络参数进行无监督的预训练，该过程中，使用了本发明提出的一种新的自适应学习率计算方法；随后结合样本标签集，对DNN-1子网络进行有监督微调。使用相同的数据集对子网络DNN-2进行上述参数训练操作。

由子网络DNN-1和DNN-2一起构成双深度神经网络DDNN。