[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

说明书

本发明属于目标识别和神经网络技术领域，具体的说是涉及一种基于深度归一化网络的多旋翼无人机目标识别方法。本发明通过对多旋翼无人机的回波数据进行预处理，作为深度归一化网络的输入，深度归一化网络由多个归一化子网络堆集而成，后面再串接一个softmax分类层，本发明中每个归一化子网络的输入是由前一个归一化子网络的输出与输入拼接而成，使学习到的网络参数同时依赖于本子网络与前置子网络的特征信息，从而更好地描述原始雷达回波数据中的特征信息，而且，通过对子网络的输入引入归一化处理，优化数据分布，使得新的分布更切合数据的真实分布，进一步保证了网络模型的非线性表达能力。

技术领域

本发明属于目标识别和神经网络技术领域，具体的说是涉及一种基于深度归一化网络的多旋翼无人机目标识别方法。

背景技术

随着无人机技术的快速发展，无人机在军事、民用等领域得到了广泛运用，但是也带来了非法入侵私人区域、碰撞飞机、恐怖袭击等引发的安全问题，给低空领域的管理、飞行安全等带来了极大麻烦。因此，准确识别出无人机的类型具有非常重要的应用意义。

目前，识别无人机的方法主要利用多旋翼无人机的旋转部件形成具有明显差异的微多普勒谱，然后通过常规的机器学习方法进行分类识别，但是，常规机器学习方法必须人为设定识别特征，而对于多旋翼无人机目标，其识别特征不容易通过人工方式确定。近年来，基于深度学习的识别方法在图像、语音识别等领域取得好的效果，采用深度学习模型可从多旋翼的雷达回波数据中自动学习到有利于识别的目标高阶非线性特征，因此，研究基于深度网络模型的多旋翼无人机识别方法有望进一步提高目标识别率。

发明内容

针对上述问题，本发明提出了一种基于深度归一化网络的多旋翼无人机目标识别方法，通过将归一化子网络的输出与输入进行拼接，提取的深度学习特征能够更好地描述雷达回波数据中的特征信息，同时，对子网络的输入引入归一化处理，优化数据分布，使得新的分布更切合数据的真实分布，从而进一步保证了网络模型的非线性表达能力，最终改善了对目标的识别率。

本发明的技术方案是：

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，其网络结构模型如图1所示；

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，其结构如图2所示；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；实际操作中，α、ε由实验确定，β为一个预设很小的常数；