[发明专利]一种基于深度置信网络的雷达一维距离像目标识别方法

摘要

本发明属于雷达技术领域，具体的说是涉及一种基于深度置信网络的雷达一维距离像目标识别方法。本发明将目标一维距离像的频域特征和子空间特征合并，构成的新特征矢量被作为输入数据对网络进行训练及识别，该合并特征矢量对样本信息进行了扩充有利于提高模型精度。构造的含三层隐含层的深度置信网络，其每一层输入都由前两层的输出并联而成，该结构可以使得学习到的网络参数并不独立依赖于当前层次而是取决于不同层次的特征信息，进一步提高输出特征对原始信息的表达能力，提高了识别率。并以此模型对5类仿真飞机目标一维距离像数据进行了识别测试，正确识别率达到92％。

主权项

1.一种基于深度置信网络的雷达一维距离像目标识别方法，其特征在于，包括以下步骤：S1、获取样本数据：由宽带雷达获取各目标在飞行过程中的一维距离像数据，将获取的一维距离像数据随机分为训练数据集和测试数据集，将训练数据集合记为：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，表示第i类目标的第j幅一维距离像样本，l为一维距离像的维数；设表示样本的类别标签向量，则训练样本标签集合记为S2、对获得的样本数据进行预处理：对步骤S1中获得的样本集合X⁽⁰⁾中的每幅一维距离像样本先进行256点的FFT变换并保留变换后的正频率分量，随后将该频域数据进行能量归一化，定义预处理操作后得到样本频域像为，样本频域像集合记为S3、对样本集进行主成分分析：对步骤S2中得到的样本频域像将每幅一维像样本投影变换到低维的特征子空间中，得到其投影特征子像p为特征子像维数；S4、获取融合特征矢量：用链接层将步骤S2中获得的样本频域像和步骤S3中获得的投影特征子像进行拼接，得到融合特征矢量：S5、构建深度置信网络：利用深度学习的方法，使用三个多层受限玻尔兹曼机来构建含三个隐含层的深度置信网络，采用非监督逐层贪婪训练法依次训练网络的每一层，步骤S4得到的样本融合特征矢量作为第一个玻尔兹曼机的输入，并在后两个玻尔兹曼机的输入层之前增加一个链接层，链接层完成将前两层的输出拼接并构成新的融合特征矢量输入到下一层玻尔兹曼机，获得三个玻尔兹曼机的权值矩阵；S6、构建一个5层的深度神经网络：根据步骤S5获得的三个玻尔兹曼机的权值矩阵，经过扩展后获得深度神经网络输入层的权值矩阵初始值，最后一层为一个softmax分类器，softmax分类器层的初始权值随机生成；S7、根据训练样本标签集合Y，采用梯度下降法对步骤S6构建的深度神经网络参数进行微调，迭代S步后，得到最后的深度网络模型；S8、采用步骤S7中获得的深度网络模型对输入样本进行目标识别。