[发明专利]基于深度残差多尺度一维卷积神经网络的雷达目标识别方法有效
申请号: | 201811405815.2 | 申请日: | 2018-11-22 |
公开(公告)号: | CN109375186B | 公开(公告)日: | 2022-05-31 |
发明(设计)人: | 郭晨;简涛;孙顺;徐从安;王海鹏;王聪 | 申请(专利权)人: | 中国人民解放军海军航空大学 |
主分类号: | G01S7/41 | 分类号: | G01S7/41;G06N3/04 |
代理公司: | 暂无信息 | 代理人: | 暂无信息 |
地址: | 264001 山东省烟*** | 国省代码: | 山东;37 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 深度 残差多 尺度 卷积 神经网络 雷达 目标 识别 方法 | ||
本发明提出了一种基于深度残差多尺度一维卷积神经网络的雷达目标识别方法。雷达目标因具有平移敏感性和姿态角敏感性而识别难度较大,该方法可自动提取雷达目标HRRP的不变特征。该方法利用卷积核和下采样操作的特征设计了两种一维残差多尺度块和两种一维多尺度下采样层,并以二者为核心构建神经网络模型,在此基础上,提出了一种新的损失函数来提高特征的可分性。该方法可以有效提取目标的深度不变特征,识别正确率较高,具有较好的鲁棒性和泛化性能。
技术领域
本发明属于雷达目标自动识别技术,设计全角域条件下的目标HRRP特征提取和分类识别问题,提供了一种基于深度学习框架的雷达目标识别方法。
背景技术
目前已有的基于深度学习的雷达目标HRRP特征提取方法基本都是基于自编码模型及其变体,自编码由编码器和解码器两部分组成。编码的过程即为输入向特征层的映射,编码器的输出即为自编码提取的特征,当特征层(隐藏层)的神经元数小于输入数据维度时,编码可以看成是降维操作,类似于主成分分析法(PCA)。
目前,雷达目标HRRP识别存在的问题主要分为两个方面第一、HRRP存在姿态角敏感性,识别过程需要进行角域划分,第二、识别模型的泛化性能不好。故利用自编码进行识别,需要增加隐藏层及其神经元的个数,但由于训练数据的个数有限,模型容易产生过拟合现象。因此基于自编码的雷达目标HRRP识别主要针对较小角域的情况。
所提方法利用一维深度残差多尺度卷机神经网络模型提取HRRP的全角域复杂特征,该模型因卷积核的局部连接特性而具有良好的泛化性能,同时该方法提出的余弦中心损失函数提高不同类目标的特征可分性,因此该方法可以提高目标识别正确率。
发明内容
本发明的目的在于,针对全角域HRRP的识别难题,提供一种基于深度残差多尺度一维卷积神经网络的雷达目标识别方法,提高了全角域条件下的HRRP目标识别正确率。
本发明的技术解决方案为:构建一维深度残差多尺度卷积神经网络,并设计了一种更有利于目标精细划分的损失函数,利用训练样本对模型进行训练,得到可用于端对端识别的模型。
为实现上述目的,本发明实现步骤如下:
步骤1:构建深度一维残差卷积神经网络模型,并对模型参数进行初始化。
步骤2:前向传播,计算迭代过程中损失函数L。
步骤3:后向传播,采用链式法则对模型中的参数进行更新。
步骤4:重复步骤2、3直到损失函数收敛,得到可用于雷达目标识别的模型。
本发明相比现有技术具有如下的优点:
(1)提出了一种以一维卷积核为核心的深度残差多尺度卷积神经网络,卷积核具有局部视野和权值共享的特性,且不同尺度的卷积核可以提取不同精细度的特征,本文利用这两个特征使得模型利用较少参数便可以提取HRRP的全角域复杂特征,提高了模型的泛化能力。
(2)设计了一种新的损失函数-余弦中心损失,利用该损失函数进行模型的训练,可以增大特征的类间距离并减小特征的类内距离,从而提高目标的识别正确率。
附图说明
图1:多尺度卷积层I。
图2:多尺度卷积层II。
图3:残差多尺度块示意图。
图4:多尺度下采样层I。
图5:多尺度下采样层II。
图6:该方法所提模型构成示意图。
具体实施方式
以下结合说明书附图对本发明作进一步详细描述。参照说明书附图,本发明所构建的模型说明如下:
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国人民解放军海军航空大学,未经中国人民解放军海军航空大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201811405815.2/2.html,转载请声明来源钻瓜专利网。