[发明专利]一种基于孪生复网络的少样本雷达车辆目标识别方法

说明书

本发明属于人工智能技术领域，具体的说是涉及一种基于孪生复网络的少样本雷达车辆目标识别方法。本发明针对少样本情况下的雷达车辆二维目标像，将目标像的实部和虚部共同输入到复数神经网络中输出实数图像，并且利用跳跃链接保留了原始图像的幅度信息，从而代替直接使用幅度图像，更好的利用了雷达数据中的复数信息，提高了特征提取的精度，拉近了原始图像和对应锚样本图像的距离，一定程度上避免少样本带来的过拟合现象。另外针对原生的孪生网络，我们提出在输入样本对的情况下，同时输入这两张样本所对应的锚样本，控制网络的收敛朝给定的锚样本方向进行，加快了网络的收敛速度，同时提高了识别精度。

技术领域

本发明属于人工智能技术领域，具体的说是涉及一种基于孪生复网络的少样本雷达车辆目标识别方法。

背景技术

通过雷达回波数据对目标车辆类别进行判别是远距离车辆识别的有效途径之一。近年来，基于深度学习的目标识别方法在图像领域取得良好的效果，但对于目标的雷达回波图像而言，由于目标数据为复信号，常规方法是取目标雷达数据的幅度值作为输入图像，这样的处理丢失了雷达数据的相位信息，目标的细微雷达散射特性被忽略，从而影响识别精度。同时，目前的雷达目标识别还存在样本少、数据集匮乏的问题。所以研究复数神经网络和少样本学习方法，有望解决样本不足的问题，提高模型的泛化性能和识别精度。

发明内容

本发明的目的是，利用调频连续波雷达获得车辆目标的距离-速度像，并重点针对数据少，数值为复数的情况，提供一种新的基于孪生复数神经网络的小样本车辆目标识别方法。

本发明的技术方案是：一种基于孪生复数神经网络的雷达距离-速度像目标识别方法，其特征在于利用复数神经网络处理复数信息并结合原始幅度信息生成实数特征图像，此外还改进了孪生网络结构，引入正负样本结合双锚点样本输入，加快了模型收敛速度。主要包括以下步骤：

S1、获取样本数据：

由调频连续波雷达获取车辆目标在运动过程中的二维距离-速度像数据，将获取的数据随机分为训练数据集和测试数据集，训练数据集记为：

X⁰＝{x⁰_ij|i＝1,2,…,K；j＝1,2,…,N_i}∈C^h×w×N

其中K代表总的目标类别数，N_i为第i类目标的训练样本数，为训练样本集合中总样本数。x⁰_ij表示第i类目标的第j幅二维距离-速度像样本,h和w分别表示图像的长和高。此训练集的样本标签表示为：

X¹＝{x¹_ij|i＝1,2,…,K；j＝1,2,…,N_i}∈C^h×w×N

式中x¹_ij表示样本x⁰_ij的类别标签。

S2、对获得的样本进行预处理：

首先从S1步骤中获得的样本集合X⁰里，每类样本集X⁰_i选出一张样本作为该样本集的锚点，例如:x⁰_i1。其次对剩下的每一幅样本二维图像进行组合，把它与其他与它不同类的样本两两配对，构成样本对:

S3、构建复数卷积网络：