[发明专利]一种基于微波视觉的目标分类方法

权利要求书

1.一种基于微波视觉的目标分类方法，其特征在于包括如下步骤：

步骤(1)、利用微波发射天线和接收天线获取电磁散射场数据并进行预处理；

步骤(2)、构建复数卷积神经网络实现目标分类，该网络包括：复数卷积层、复数批归一化层和复数激活层；

步骤(3)、为了捕捉图像中目标的细节、实现关键位置的检测，在复数卷积神经网络中引入注意力机制模块；

步骤(4)、将步骤(1)中获取的预处理后的电磁散射场数据作为训练数据，输入到经过步骤(2)和(3)搭建的网络模型中，通过反向传播算法训练网络参数，直至整个网络模型收敛。

2.根据权利要求1所述的一种基于微波视觉的目标分类方法，其特征在于步骤(2)所述的复数卷积神经网络，通过改进实数卷积神经网络中的卷积层、批归一化层和复数激活层得到，具体如下：

2-1.复数卷积层：复数卷积核会将卷积核参数分为两个部分，即虚数的实部和虚部；在进行卷积运算时，其遵循虚数卷积的运算法则；即针对卷积模板W＝A+iB和输入特征h＝x+iy，复数卷积操作*定义如下：

W*h＝(A*x-B*y)+i(B*x+A*y)#(公式1)

写成矩阵的形式则为：

其中，*表示的是卷积操作，R(⊙)表示的是取实部，I(⊙)表示的是取虚部；

2-2.复数批归一化层：为了能确保实部和虚部都具有相同的方差的，引入它们的协方差矩阵，具体公式如下：

其中，x表示输入，表示归一化后的结果，E[x]表示的是与x相同形状的全1矩阵；V表示的是x的实部与虚部之间的协方差，具体计算规则如下：

其中，Cov(⊙)表示的是求协方差；

2-3.复数激活层：需要分别对实部的值和虚部的值进行抑制，使用的复数激活函数为：

CRelu(z)＝ReLu(R(z))+iReLu(I(z))#(公式5)

其中，z表示输入，Relu(⊙)表示的是实数网络中的激活函数。

3.根据权利要求2所述的一种基于微波视觉的目标分类方法，其特征在于步骤(3)所述的注意力机制模块被引入复数卷积神经网络中；在注意力机制模块中，首先会对中间层特征在空间尺度上分别进行一次最大值采样和平均值采样，之后经过一个多层感知机进行去噪和空间投影，在得到两种采样结果之和后，与原特征在空间尺度上进行逐元素乘积操作，捕捉到在通道尺度上的高响应区域；然后，再进行一次通道尺度上的最大值采样和平均值采样，使用卷积层将两者融合起来，使得最终能够捕获到特征在空间尺度上的高响应区域。

4.根据权利要求3所述的一种基于微波视觉的目标分类方法，其特征在于步骤(4)通过反向传播算法对经过步骤(2)和(3)搭建的神经网络的模型参数进行训练，直至整个网络模型收敛，其主要目的是使经过训练后的模型对目标分类的准确率达到最高；针对该问题，损失函数使用了交叉熵损失函数。