[发明专利]基于深度卷积神经网络的雷达一维距离像目标识别方法

摘要

本发明公开了基于深度卷积神经网络的雷达一维距离像目标识别方法，包括以下步骤：采集数据集，对采集到的数据进行预处理，从预处理后的数据中提取特征，设立阈值将采集到的雷达HRRP信号分成低信噪比和高信噪比样本两个部分，构建基于稳健玻尔兹曼的特征增强算法，构建基于卷积神经网络和基于LSTM的双向循环神经网络的HRRP目标识别模型，使用梯度下降算法对构建的网络模型的参数进行微调，得到有效的目标识别模型。本发明构建小样本稳健性和噪声稳健性的雷达HRRP自动目标识别技术具有很强的工程实用性，从特征提取和分类器的设计方面，提出了一种基于卷积神经网络+循环神经网络的雷达一维距离像目标识别模型。

主权项

1.基于深度卷积神经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：采集数据集，将N个雷达采集到的HRRP数据集依据目标的种类进行合并，其中目标的种类为5，每种种类的数据分别在不同的数据段里选择训练样本和测试样本，在训练集和测试集样本的选取过程中，保证所选取的训练集的数据与雷达所成姿态涵盖测试数据集与雷达所成的姿态，各类目标训练集和测试集的样本数的比例为8:2，将挑选的数据集记作其中X_i表示第i个样本，y_k表示第k种目标，i₀表示样本总数；S2：对S1采集到的数据进行预处理，对挑选的数据集T中的每一个样本使用补偿对齐法进行对齐，然后再对对齐的样本加入小强度的高斯随机噪声，随机左右平移很小的单位扩充数据集，再对扩充后的数据集进行能量归一化得到归一化后的数据；S3：从预处理后的数据中提取特征，对S2预处理后的数据进行幂次变换，并将幂次变换的结果进行横向相连，再对幂次变换后的数据进行谱图特征提取；S4：设立一个阈值将采集到的雷达HRRP信号分成低信噪比和高信噪比样本两个部分；S5：构建基于稳健玻尔兹曼机的特征增强算法，算法利用信噪比较高的训练样本特征包含的先验信息，对信噪比较低的样本特征进行特征增强；S6：构建基于卷积神经网络和基于LSTM的双向循环神经网络的HRRP目标识别模型，实现雷达HRRP的自动识别功能；S7：对经过步骤S6构建好的模型，使用梯度下降算法对构建的卷积池化和循环神经网络的模型参数进行微调，使用训练数据迭代num_steps步后，得到有效的目标识别模型，其中损失函数使用的是交叉熵损失，其表达式为：其中p_i表示对应样本的标签，a_i表示模型计算得到的概率值，num_steps＝30000。