[发明专利]面向误标注与不平衡样本的雷达目标识别方法及装置

权利要求书

1.面向误标注与不平衡样本的雷达目标识别方法，其特征在于，包括以下步骤：

步骤a)、将雷达采集的带标签目标数据进行预处理，得到全部的训练数据T，并将全部的训练数据T划分为训练集Tr和测试集Ts；

步骤b)、构建分类模型，用步骤a)所述训练集Tr训练分类模型，并根据分类模型在测试集Ts上的表现确定最佳迭代次数E_p；分类模型的损失函数为

其中，C为样本类别数量，p＝[p₁,……,p_C]是一个概率分布，每个元素p_i表示样本属于第i类的概率；y＝[y₁,……,y_C]是样本标签的One-Hot表示，当样本属于第i类时，y_i＝1，否则y_i＝0；α_i是第i类的加权系数，大小与第i类的样本数量成反比；

步骤c)、用步骤a)所述全部的训练数据T重新训练步骤b)所构建的分类模型，训练的迭代次数设定为E_o；E_o为不超过步骤b)所确定最佳迭代次数E_p的正整数；

步骤d)、将步骤a)所述全部的训练数据T中的某一类样本分别输入到步骤c)所训练得到的分类模型中，计算每一条该类样本的损失函数均值；最大的K个损失函数均值对应的样本即为该类样本中错误标注的样本，将错误标注的样本全部从步骤a)所述全部的训练数据T中剔除；其中，K为预设的正整数；对每一类样本分别执行步骤d)，以将所有类样本中错误标注的样本全部剔除；

步骤e)、将步骤b)所训练的分类模型的损失函数改为利用步骤d)剔除错误标注的样本的训练数据T再次进行训练；损失函数中的γ为预设的正数；利用再次训练好的分类模型，对雷达目标进行实时识别。

2.根据权利要求1所述面向误标注与不平衡样本的雷达目标识别方法，其特征在于，所述步骤a)中，目标数据至少包括目标航迹、速度与雷达散射截面信息构成的高维时间序列数据；进行预处理包括进行数据的插值与清洗，以及将高维时间序列数据切分成等长的标准子数据序列。

3.根据权利要求1所述面向误标注与不平衡样本的雷达目标识别方法，其特征在于，所述步骤b)中，构建的所述分类模型为深度神经网络分类模型，深度神经网络为CNN结构、RNN结构、LSTM结构、Transformer结构中的一种。

4.根据权利要求3所述面向误标注与不平衡样本的雷达目标识别方法，其特征在于，所述步骤b)中，根据分类模型在测试集Ts上的表现确定最佳迭代次数E_p，具体方法为：计算分类模型不同迭代次数时在测试集Ts上roc曲线的auc值，最大的auc值对应的迭代次数即为最佳迭代次数E_p。

5.根据权利要求1所述面向误标注与不平衡样本的雷达目标识别方法，其特征在于，所述步骤d)中，将步骤a)所述全部的训练数据T中的某一类样本分别输入到步骤c)所训练得到的分类模型中，计算每一条该类样本的损失函数均值，具体方法为：

d.1)、将某一类别中各条样本切分得到的标准子数据序列分别作为步骤c)训练得到的分类模型的输入；

d.2)、求出该类别中同一条样本ω_j的所有标准子数据序列的损失函数值其中，0j≤J，J为步骤a)所述全部的训练数据T中的该类别样本总量，为该类别样本ω_j切分出的标准子数据序列的数量；

d.3)得到该类别中每一条样本的损失函数均值为：

6.根据权利要求5所述面向误标注与不平衡样本的雷达目标识别方法，其特征在于，所述步骤d)中，最大的个损失函数均值对应的样本即为该类样本中错误标注的样本，将错误标注的样本全部从步骤a)所述全部的训练数据T中剔除，具体方法为：

d.4)、把E(L(ω_j))从大到小排列，排在前K位置的损失函数均值所对应的该类别样本即为误标注样本；

d.5)将误标注样本所有切分出的标准子数据序列全部从步骤a)所述的训练数据T中剔除。