[发明专利]基于卷积自编码的雷达HRRP目标类别标注方法

权利要求书

1.基于卷积自编码的雷达HRRP目标类别标注方法，包括以下步骤：

步骤1，构建并初始化卷积自编码，利用全部HRRP样本对卷积自编码进行训练，直至模型收敛，其中，全部HRRP样本包括全部标签HRRP样本和全部无标签HRRP样本；

步骤2，将卷积自编码的编码器作为特征提取器构建卷积神经网络，利用全部标签HRRP样本对卷积神经网络进行训练，得到初始标注模型；

步骤3，将所有无标签HRRP样本输入标注模型得到对应独热编码；

步骤4，对独热编码满足标注条件的无标签HRRP样本进行标注，已标注样本属于新增标签HRRP样本，从无标签HRRP样本数据集中剔除；

步骤5，利用新增标签HRRP样本对步骤3中的标注模型进行参数更新，直至模型收敛；

步骤6，步骤3至步骤5称为一个完整的样本标注周期，重复样本标注周期，直至无新增标签HRRP样本，方法结束，得到最终HRRP标注模型；

所述步骤4中的所述标注条件具体为：

设样本x_i输入标注模型后得到的独热编码为当时，取对应的类作为x_i的标签，此时，x_i为新增有标签样本，其中，α为门限基数，β表示门限增量基数，N表示初始无标签样本总和，n_r表示上一样本标注周期结束时，未标注的无标签样本总和。

2.如权利要求1所述的雷达HRRP目标类别标注方法，其特征在于，步骤1中卷积自编码的构成具体为：

卷积自编码包含两个部分，分别为编码器和解码器；编码器包含四个卷积层，编号分别为C1～C4，卷积核大小均为3×1，个数分别为16、32、32和64，激活函数均采用ReLU函数，表达式为f(x)＝max(0，x)，每个卷积层后接一个池化层，编号分别为P1～P4，所有池化层均采用最大池化，步长为2；解码器包含四个去卷积层，编号分别为DC1～DC4，卷积核大小均为3×1，个数分别为32、16、16和1，DC1～DC3采用ReLU函数作为激活函数，由于DC4的输出结果为输入x的重构，需满足条件d为输入维度，因此，DC4采用Sigmoid函数作为激活函数，表达式为f(x)＝1/(1+e^-x)，上池化层，编号分别为UP1～UP4，采用重采样方法对输入进行扩增，步长为2；目标损失函数采用二元交叉熵损失函数。

3.如权利要求2所述的雷达HRRP目标类别标注方法，其特征在于，卷积自编码的目标损失函数具体为：

其中，x_i为第i个输入样本，为卷积自编码模型对应x_i的输出，m为小批量样本的数量。

4.如权利要求1所述的雷达HRRP目标类别标注方法，其特征在于，步骤2中的初始标注模型具体为：

初始标注模型中卷积层和池化层的结构与参数与卷积自编码的编码器完全相同，在此基础上，添加全连接层和输出层，构成卷积神经网络，即为初始标注模型，该卷积神经网络损失函数采用交叉熵损失函数。