[发明专利]一种基于深度卷积神经网络的未知目标识别方法

权利要求书

1.一种基于深度卷积神经网络的未知目标识别方法，其特征在于，包括以下步骤：

S1、基于目标散射中心模型，设宽带雷达获取的单幅目标一维距离像样本为x＝[x₁,x₂,...,x_i,...,x_N]，其中N为距离单元个数，x_i表示第i个距离单元的幅度，对一维距离像进行β-均值标准化处理：

其中表示第i个距离单元归一化幅度，β为常数，E_x表示该单幅距离像的均值，β-均值标准化处理后的单幅一维距离像为

S2、构建深度卷积神经网络模型，深度卷积神经网络总共有13层，依次为卷积模块1、Dropout层1、卷积模块2、卷积模块3、Dropout层2、卷积模块4、卷积模块5、全连接层1、批量归一化层1、Dropout层3、全连接层2、批量归一化层2、分类器；深度卷积神经网络的输入为输出为分类器给出的识别标签每个卷积模块由卷积层、激活函数、批量归一化层、和池化层构成，其中卷积核尺寸为1×3，每个卷积层有64个卷积核，池化核为1×2，激活函数为：

S3、确定识别门限：在深度卷积神经网络的学习阶段中，将从分类器获得的第i幅一维距离像属于第j个已知类别的概率输出p_ij，每幅一维距离像对应的概率向量为p_i＝[p_i1,p_i2,...,p_iM],其中M为已知类别个数，在概率向量p_i中选取最大值p_m和次最大值p_sm，获得其差值概率v_d＝p_m-p_sm；

输入不同类别目标的单幅一维距离像，每类目标均可获得一个差值矢量：

其中d^m是第m类目标的差值矢量，为第m类目标第l个一维距离像的差值概率，上标T表示转置符；

将所有已知目标的差值矢量d^m内的差值概率计算直方图，根据预先确定的已知目标的正确判别率，从差值概率直方图中选择一个差值概率作为识别门限τ；

S4、未知目标识别：

将获得的未知目标单幅一维距离像输入到训练好的深度卷积神经网络模型中，获取相应的差值矢量其中为第c幅测试一维距离像数据对应的差值概率，P表示未知目标数据个数；

将d^t内各一维距离像的差值概率与识别门限τ进行对比，若差值概率大于等于门限即则将第c幅一维距离像数据识别为已知目标；若差值概率小于门限即则将第c幅一维距离像数据识别为未知目标，即识别规则为：

其中表示第i幅未知目标一维距离像数据属于已知目标，表示第i幅未知目标一维距离像数据属于未知目标。