[发明专利]一种基于深度归一化网络的多旋翼无人机目标识别方法

权利要求书

1.一种基于深度归一化网络的多旋翼无人机目标识别方法，其特征在于，包括以下步骤：

S1、设多旋翼无人机的雷达回波数据序列为x＝[x₁ x₂ … x_n]，其中，n表示序列的长度，x_i(i＝1,2,…n)表示第i个数据点，对数据序列x进行如下处理获得样本数据：

其中，||·||表示矢量的模；

S2、构建深度归一化网络模型，深度归一化网络由数据输入层、预处理层、5个归一化子网络、分类层依次连接而成，数据输入层输入多旋翼无人机的雷达回波数据序列，分类处理由softmax分类层完成，最终输出类别标签；

每个归一化子网络由3个隐含层、归一化层、链接层依次连接组成，归一化层对第三个隐含层的输出进行正态归一化，链接层对归一化层的输出与当前归一化子网络的输入进行拼接，作为下一个归一化子网的输入；具体数据处理方式为：

将3个隐含层分别定义为第一隐含层、第二隐含层、第三隐含层，设是第一隐含层的输入，是第一隐含层的输出，也是第二隐含层的输入，是第二隐含层的输出，也是第三隐含层的输入，是第三隐含层的输出，也是归一化层的输入，是归一化层的输出，也是链接层的输入，是链接层的输出，其中隐含层的激活函数为ReLU；归一化层对输入进行如下处理：

其中，N是所有目标的训练样本数，表示归一化子网络的第i个输入训练样本，是由归一化层进行规范化后的输出，α、ε、β是预设的常数；

链接层对归一化子网络的输入和归一化层的输出进行拼接：

S3、将多旋翼无人机的训练样本集作为输入，使用BP方法对整个深度学习网络的模型参数进行训练，其中，损失函数为最小均方差函数，优化方法是最速梯度下降方法，得到训练好的深度归一化网络模型；

S4、将多旋翼无人机的目标样本输入到已经训练好的深度归一化网络模型中，以softmax分类层的输出矢量中最大分量对应的标签作为目标识别类别。