[发明专利]基于多尺度卷积神经网络的雷达HRRP目标识别方法

权利要求书

1.一种基于多尺度卷积神经网络的雷达HRRP目标识别方法，其特征在于，包括以下步骤：

S1，采集数据集，将雷达采集到的HRRP数据集依据目标的种类进行合并，每种种类的样本分别在不同的数据段里选择训练样本和测试样本，在训练集和测试集的选取过程中，保证所选取的训练集样本与雷达所成姿态涵盖测试集样本与雷达所成的姿态，各类目标训练集和测试集样本数的比例为8:2，将挑选的数据集记作T＝{(x_i,y_k)}_{i∈[1,n],k∈[1,c]}，其中x_i表示第i个样本，y_k表示样本属于第k类，一共采集了c类目标，n表示样本总数；

S2，对经过S1所提取数据集中的样本做预处理；

S3，用多尺度卷及神经网络对预处理后的样本进行特征提取；

S4，设计识别网络RNN；

S5，对由S1采集到的测试数据进行训练阶段的步骤S2预处理操作；

S6，将经过S2处理的样本送入S3，S4构建的模型中进行测试求得结果，即最后通过softmax层进行分类。

2.如权利要求1所述的基于多尺度卷积神经网络的雷达HRRP目标识别方法，其特征在于，所述步骤S2进一步包括：

S201，强度归一化，假设原始HRRP表示为x_raw＝[x₁,x₂,…,x_L]，其中L表示HRRP内包含的距离单元总数，则强度归一化之后的HRRP表示为：

S202，样本对齐，平移HRRP使其重心g移至L/2附近，这样HRRP中包含信息的那些距离单元将分布在中心附近，其中HRRP重心g的计算方法如下：

其中，x_i为原始HRRP中第i维信号单元。

3.如权利要求2所述的基于多尺度卷积神经网络的雷达HRRP目标识别方法，其特征在于，所述步骤S3进一步包括：

S301，设计网络结构，包括DenseNet模块的个数、每个DenseNet模块中卷积层的个数及深度、不同尺度的卷积核的尺寸，将预处理后的样本x＝[x₁,x₂,…,x_L]送进多尺度网络中；

S302，第m个DenseNet模块中第i个卷积层的输出为：

其中表示卷积操作，为第m个DenseNet模块中第i个卷积核，b_i表示第i个卷积核对应的偏置，当m＝1时，就是经过预处理后输出进多尺度网络的HRRP样本x＝[x₁,x₂,…,x_L]；

S303，假设一个mini-batch包含了N个HRRP样本，通过第m个DenseNet之后其输出表示为：

其中第n个HRRP样本对应的输出是一个四维矩阵，其中通道数为I×d_m，d_m表示第m个DenseNet模块中的卷积核深度，I表示模块中卷积层的个数，每个通道内包含P个输出值，即模块中每一层的输出都进行了连接；

批量归一化层通提出了变量重构的概念，在基础公式的基础之上加上两个参数：γ和β，第n个HRRP样本对应于第m个DenseNet模块后的输出中第k个通道中第p个元素经过归一化层的输出为：

其中γ^mk和β^mk为可训练的对应于第m个DenseNet模块输出中第k个通道的参数，为标准化后的按照如下公式计算：

其中ε是一个很小的数，为该元素的均值，为该元素的方差，按照如下公式计算：

S304，批量归一化层后接ReLU激活函数进行非线性激活，若输入为则经过ReLU之后的得到的输出表示为：

S305，池化层调整多尺度网络中每个DenseNet模块输出特征矩阵的尺寸，第n个HRRP样本对应的输出经过池化后其输出维度表示为：

其中S表示池化核的步长，P表示池化操作前每个通道包含的输出个数，d_m表示第m个DenseNet模块中的每个卷积层中卷积核深度，I表示模块中卷积层的个数，通道数为I×d_m。