[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

说明书

本发明属于未知目标识别技术领域，具体涉及一种基于深度卷积神经网络的未知目标识别方法。本发明首先对宽带雷达获得的一维距离像数据(HRRP)进行预处理，降低一维距离像具有的幅度敏感性；其次利用深度卷积神经网络提取特征；最后通过差值概率法处理已知目标数据的识别概率，获取判别门限，对神经元网络的输出矢量进行判别，从而识别出未知目标。本方法由于引入了采用差值概率法获取的判别门限，有效描述了已知目标与未知目标数据集的统计分布区域边界，解决了常规卷积神经网络无法识别未知目标的难题。

技术领域

本发明属于未知目标识别技术领域，具体涉及一种基于深度卷积神经网络的未知目标识别方法。

背景技术

自上世纪中叶以来，雷达目标识别技术已经逐渐发展成熟，判断雷达待识别目标主要依据雷达目标截面积(RCS)或一维距离像(HRRP)。高分辨率一维距离像是由宽带雷达获取的目标散射中心回波的向量和,它不仅提供了目标的几何形状和结构特点,还包含了目标识别所需的更多相关信息。

近年来深度学习理论逐渐成熟，卷积神经网络在雷达目标识别领域得到广泛应用，因其具有平移不敏感性、非线性和自学习的特点，从而获得了很好的识别效果。但是，常规卷积神经网络需要预先对大量已知目标的数据进行训练，意味着，常规卷积神经网络只能识别已知目标(即已参与训练)的目标，然而，实际应用中，不可能预先获取所有目标的一维距离像数据，构建一个完备的用于识别的卷积神经元网络，当网络输入为未知目标(即未参与训练的目标)的数据时，将会被强行识别为已知目标的类别，导致错误识别。

发明内容

本发明的主要内容是针对上述问题，提出一种基于深度卷积神经网络的雷达未知目标识别方法。该方法在常规深度卷积神经网络的基础上，利用已知目标的训练一维距离像数据获取识别门限，有效描述已知目标与未知目标数据集的统计分布区域边界，从而实现对未知目标的识别，解决了常规神经网络无法识别未知目标的难题。

本发明的技术方案是：一种基于深度卷积神经网络的未知目标识别方法，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，为降低一维距离像幅度敏感性对识别性能的影响，突出强散射点与其余散射点的对比效果，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，在强监督学习下，使用基于AlexNet改进的深度卷积神经网络(DCNN)提取雷达一维距离像的高维特征。深度卷积神经网络以多个卷积模块堆积形成，中间添加Dropout层使部分神经元随机失活以减小训练参数，降低模型过拟合风险。基于神经网络原理，采用反向传播(BP)和随机梯度下降(SGD)算法进行模型收敛和训练，如图1所示，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，考虑雷达最小分辨单位以及一维距离像数据特征，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，由于指数线性单元(ELU)具有更好的微分特性，用其代替常用激活函数RELU，提高模型拟合能力，增加对输入变化的鲁棒性。BN层的加入使得训练速度增快，模型快速收敛，激活函数为：