[发明专利]一种基于三维卷积网络的雷达高分辨距离像目标识别方法在审
| 申请号： | 202010177056.X | 申请日： | 2020-03-13 |
| 公开（公告）号： | CN111458688A | 公开（公告）日： | 2020-07-28 |
| 发明（设计）人： | 陈渤;张志斌;刘宏伟 | 申请（专利权）人： | 西安电子科技大学 |
| 主分类号： | G01S7/41 | 分类号： | G01S7/41 |
| 代理公司： | 西安嘉思特知识产权代理事务所(普通合伙) 61230 | 代理人： | 李园园 |
| 地址： | 710000 陕*** | 国省代码： | 陕西;61 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 一种 基于 三维 卷积 网络 雷达 分辨 距离 目标 识别 方法 | ||
1.一种基于三维卷积网络的雷达高分辨距离像目标识别方法，其特征在于，包括：
获取原始数据x，将所述原始数据x分为训练样本集和测试样本集；
根据所述原始数据x计算得到分段重组后的数据x″″′；
建立三维卷积神经网络模型；
根据所述训练样本集和所述分段重组后的数据x″″′对所述三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模型；
根据所述训练好的卷积神经网络模型对所述测试样本集进行目标识别。
2.根据权利要求1所述的一种基于三维卷积网络的雷达高分辨距离像目标识别方法，其特征在于，获取原始数据x，将所述原始数据x分为训练样本集和测试样本集，包括：
设置Q个不同的雷达；
从所述Q个不同的雷达的高分辨雷达回波中，获取Q类高分辨距离成像数据，将所述Q类高分辨距离成像数据记为所述原始数据x，所述原始数据x分为所述训练样本集和所述测试样本集。
3.根据权利要求2所述的一种基于三维卷积网络的雷达高分辨距离像目标识别方法，其特征在于，根据所述原始数据x计算得到分段重组后的数据x″″′，包括：
对所述原始数据x进行归一化处理，得到归一化处理后的数据x'；
对所述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”；
对所述重心对齐后的数据x”进行均值归一化处理，得到均值归一化处理后的数据x”'；
对所述均值归一化处理后的数据x”'进行短时傅立叶变换，得到短时傅里叶变换后的数据x””；
对所述短时傅里叶变换后的数据x””进行分段重组，得到分段重组后的数据x″″′。
4.根据权利要求3所述的一种基于三维卷积网络的雷达高分辨距离像目标识别方法，其特征在于，所述三维卷积神经网络模型包括：第一层卷积层、第二层卷积层、第三层卷积层、第四层全连接层和第五层全连接层。
5.根据权利要求4所述的一种基于三维卷积网络的雷达高分辨距离像目标识别方法，其特征在于，根据所述训练样本集和所述重组后的数据x″″′对所述三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模型，包括：
所述第一层卷积层对所述重组后的数据x″″′进行卷积和下采样，得到所述第一层卷积层下采样处理后的C个特征图
所述第二层卷积层对所述第一层卷积层下采样处理后的所述C个特征图进行卷积和下采样，得到所述第二层卷积层下采样处理后的C个特征图
所述第三层卷积层对所述第二层卷积层下采样处理后的所述C个特征图进行卷积和下采样，得到所述第三层卷积层下采样处理后的R个特征图
所述第四层全连接层对所述第三层卷积层下采样处理后的所述R个特征图进行非线性变换处理，得到所述第四层全连接层非线性变换处理后的数据结果
所述第五层全连接层对所述第四层全连接层非线性变换处理后的所述数据结果进行非线性变换处理，得到所述第五层全连接层非线性变换处理后的数据结果
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西安电子科技大学，未经西安电子科技大学许可，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/202010177056.X/1.html，转载请声明来源钻瓜专利网。
- 上一篇：一种实物信息化交互展示方法、系统及设备
- 下一篇：一种实体链接方法及装置
