[发明专利]基于一维卷积神经网络的雷达高分辨距离像目标识别方法

权利要求书

1.一种基于一维卷积神经网络的雷达高分辨距离像目标识别方法，其特征在于，包括以下步骤：

步骤1，确定Q个不同雷达，所述Q个不同雷达的检测范围内存在目标，并获取Q个不同雷达的高分辨雷达回波，然后从Q个不同雷达的高分辨雷达回波中获取Q类高分辨距离成像数据，并将Q类高分辨距离成像数据分为训练样本集和测试样本集，然后将Q类高分辨距离成像数据记为原始数据x；其中，Q为大于0的正整数；

步骤2，根据原始数据x，计算得到均值归一化处理后的数据x”'；

步骤2的子步骤为：

(2a)对原始数据x进行归一化处理，得到归一化处理后的数据x'，其表达式为：

其中，|| ||₂表示求二范数；

(2b)对归一化处理后的数据x'进行重心对齐，得到重心对齐后的数据x”，其表达式为：

x”＝IFFT{FFT(x')e^{-j{φ[W]-φ[C]k}}}

其中，W表示归一化处理后的数据重心，C表示归一化处理后的数据中心，φ(W)表示归一化处理后的数据重心对应相位，φ(C)表示归一化处理后的数据中心对应相位，k表示W与C之间的相对距离，IFFT表示逆快速傅里叶变换操作，FFT表示快速傅里叶变换操作，e表示指数函数，j表示虚数单位；

(2c)对重心对齐后的数据x”进行均值归一化处理，得到均值归一化处理后的数据x”'，其表达式为：

x”'＝x”-mean(x”)

其中，mean(x”)表示重心对齐后的数据x”的均值；

所述均值归一化处理后的数据x”'为P×N₁维矩阵，P表示训练样本集中包含的训练样本总个数，N₁表示P个训练样本中每类高分辨距离成像数据分别包含的距离单元总个数；

步骤3，设定一维卷积神经网络模型，然后使用训练样本集和均值归一化处理后的数据x”'对该一维卷积神经网络模型进行构建，得到训练好的卷积神经网络；

步骤3的子步骤为：

(3a)构建第一层卷积层，该第一层卷积层用于对均值归一化处理后的数据x”'进行卷积和下采样，得到第一层卷积层下采样处理后的C个特征图

(3a)的过程为：

(3a.1)设定第一层卷积层中包括C个卷积核，并将第一层卷积层的C个卷积核记为K，用于与均值归一化处理后的数据x”'进行卷积，且K大小设置为1×w×1，w表示第一层卷积层中每个卷积核窗口，1wN₁；C为大于0的正整数；

(3a.2)将第一层卷积层的卷积步长记为L，使用第一层卷积层的卷积步长L将均值归一化处理后的数据x”'与第一层卷积层的C个卷积核分别进行卷积，得到第一层卷积层C个卷积后的结果，并记为第一层卷积层的C个特征图y：

其中，第一层卷积层的卷积步长L满足：w≤L≤N₁-w，b表示第一层卷积层的全1偏置，K表示第一层卷积层的C个卷积核，且第一层卷积层的卷积步长为L；f()表示激活函数，表示卷积操作；

(3a.3)对第一层卷积层的C个特征图y进行高斯归一化处理，得到高斯归一化处理后第一层卷积层的C个特征图然后对中的每一个特征图分别进行下采样处理，第一层下采样处理的核窗口大小都为m×m，1mN₁，N₁表示P个训练样本中每类高分辨距离成像数据分别包含的距离单元总个数，P表示训练样本集中包含的训练样本总个数，m为大于0的正整数；第一层下采样处理的步长都为I，I与m取值相等；进而得到第一层卷积层下采样处理后的C个特征图

其中，表示在第一层下采样处理的核窗口大小m×m内取高斯归一化处理后第一层卷积层的C个特征图的最大值，表示高斯归一化处理后第一层卷积层的C个特征图；

(3b)构建第二层卷积层：第二层卷积层的卷积核K'包含C个卷积核，并将第二层卷积层包含的C个卷积核定义为K'，K'用于与第一层卷积层下采样处理后的C个特征图进行卷积，第二层卷积层用于对第一层卷积层下采样处理后的C个特征图进行卷积和下采样，得到第二层卷积层下采样处理后的C个特征图

(3b)的过程为：

(3b.1)将第二层卷积层的卷积步长记为L'，且第二层卷积层的卷积步长L'与第一层卷积层的卷积步长L取值相等；令第二层卷积层的C个卷积核为K'，第二层卷积层的卷积步长为L'；第二层卷积层的卷积核K'大小与第一层卷积层的卷积核K大小取值相同；(3b.2)使用第二层卷积层的卷积步长L'将第一层卷积层下采样处理后的C个特征图与第二层卷积层的C个卷积核K'分别进行卷积，得到第二层卷积层C个卷积后的结果，并记为第二层卷积层的C个特征图

其中，令第二层卷积层的卷积步长为L'，w≤L'≤N₁-w，L'为大于0的正整数；b'表示第二层卷积层的全1偏置，K'表示第二层卷积层的C个卷积核，且第二层卷积层的卷积步长为L'；f()表示激活函数，表示卷积操作；

(3b.3)对第二层卷积层的C个特征图进行高斯归一化处理，得到高斯归一化处理后第二层卷积层的C个特征图然后对中的每一个特征图分别进行下采样处理，第二层下采样处理的核窗口大小都为m'×m'，1m'N₁，m'为大于0的正整数；第二层下采样处理的步长都为I'，I'与m'取值相等；进而得到第二层卷积层下采样处理后的C个特征图

其中，表示在第二层下采样处理的核窗口大小m'×m'内取高斯归一化处理后第二层卷积层的C个特征图的最大值，表示高斯归一化处理后第二层卷积层的C个特征图；

(3c)构建第三层卷积层：第三层卷积层的卷积核K”包含R个卷积核，R＝2C；并将第三层卷积层的卷积核定义为K”，K”用于与第二层卷积层下采样处理后的R个特征图进行卷积，第三层卷积层用于对第二层卷积层下采样处理后的R个特征图进行卷积和下采样，得到第三层卷积层下采样处理后的R个特征图

(3d)构建第四层全连接层：第四层全连接层用于对第三层卷积层下采样处理后的R个特征图进行非线性变换处理，得到第四层全连接层非线性变换处理后的数据结果

(3e)构建第五层全连接层：第五层全连接层用于对第四层全连接层非线性变换处理后的数据结果进行非线性变换处理，得到第五层全连接层非线性变换处理后的数据结果

得到第五层全连接层非线性变换处理后的数据结果后，卷积神经网络构建结束，并记为训练好的卷积神经网络；

步骤4，使用测试样本集对训练好的卷积神经网络进行目标识别，得到基于一维卷积神经网络的雷达高分辨距离像目标识别结果。