[发明专利]一种基于粒子群优化深度学习特征选择的一维像识别方法

说明书

本发明属于雷达目标识别技术领域，具体涉及一种基于粒子群优化深度学习特征选择的一维像识别方法。本发明的方法首先使用深度信念网络(DBN)学习到原始高维数据的内部特征，进一步结合粒子群优化(PSO)算法，实现对特征的选择和优化，解决深度学习网络特征维数过高的问题，减少冗余特征对后续分类器的影响，改善了对目标的识别率。

技术领域

本发明属于雷达目标识别技术领域，具体涉及一种基于粒子群优化深度学习特征选择的一维像识别方法。

背景技术

基于雷达一维距离像的雷达目标识别技术是近几年来重要的一种雷达目标识别技术。雷达一维距离像是宽带雷达获取的目标散射点子回波沿雷达视线方向的投影的矢量和，它其中包含着丰富的目标距离像几何结构等信息，相较于SAR和ISAR图像而言，一维距离像更容易获取和处理，因此被广泛应用于雷达目标识别领域。

深度学习是近年来提出的一种识别方法，它已经在很多领域，例如图像识别，语音检测，手写输入等方面都取得了不错的进展，很多学者也尝试将深度学习的方法用于雷达一维距离像的目标识别当中，例如采用深度信念网络，栈式自编码，卷积神经网络等模型对一维像数据进行识别。但是这些方法也存在一些问题，深度神经网络提取到的特征维数通常比较高，这会降低后续分类器的性能。其次当网络深度加深时，会产生梯度弥散的问题，也会使得运行的时间大幅增加。

发明内容

本发明针对上述问题，提出采用粒子群优化算法对特征进行选择，从而筛选出更为优良的特征。

本发明所采用的技术方案为：

一种基于粒子群优化深度学习特征选择的一维像识别方法，其特征在于，包括以下步骤：

S1、采用深度信念网络DBN提取雷达一维距离像的特征，获得高维特征数据；

S2、基于粒子群优化算法，对获得的高维特征数据进行优化，具体为：

S21、初始化粒子群：将DBN提取的高维特征数据的优化空间作为粒子群优化PSO的搜索空间，种群数量设置为10，即随机初始化10个粒子，每个粒子为一个DBN特征数据的子集，大小为N,且每个粒子互不相同，初始化每个粒子的位置和速度；

S22、计算粒子的适应度值：将每一个粒子带入BP神经网络中，以测试集来测试粒子的分类正确率，用分类正确率作为粒子的适应度值；

S23、对每个粒子，用它的适应度值和个体极值比较，如果适应度值个体极值，则用适应度值代替个体极值，个体极值为粒子在最优位置对应的适应度值；

S24、对每个粒子，用它的适应度值和全局极值比较，如果适应度值全局极值，则用适应度值代替全局极值，全局极值为个体极值中的最优解；

S25、采用惯性权重与惯性速度来更新粒子的速度与位置

V_id＝ωV_id+C₁random(0,1)(P_id-X_id)+C₂random(0,1)(P_gd-X_id)

X_i,d＝X_i,d+V_i,d

ω为惯性因子，C₁和C₂称为加速常数，下标i和d分别表示粒子和维度的序号；V_i,d和X_i,d分别表示粒子i在d维上的速度和位置；P_i,d表示粒子i个体极值的第d维；P_g,d表示全局最优解的第d维；random(0,1)为在区间(0,1)之间的一个随机数。

S26、终止条件为达到预先设置的迭代最大次数，否则返回步骤S22。