[发明专利]基于N2N和Bert的雷达HRRP目标识别方法

权利要求书

1.一种基于N2N和Bert的雷达HRRP目标识别方法，其特征在于，包括以下步骤：

S1，收集数据并划分训练集和测试集，通过雷达采集的HRRP数据，需要对每个类别进行采样，分别选出训练集和测试集，之后进行合并，保证每个类别的数据形式都有被采样到。训练集和测试集比例保持在7:3，将训练数据集记为D＝{(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，进行数据预处理，包括强度归一化和重心对齐；

S2，用N2N模块进行降噪；

S3，经过N2N模块的数据，经过卷积神经网络模块提取，调整下通道数，以便输入到Bert模型中；

S4，用Bert处理CNN提取的有效特征，提取更加深层的特征；

S5，在分类层对特征进行分类；

S6，将经过S1处理后的HRRP测试集送入S5步骤中已训练完成的模型中进行测试。

2.如权利要求1所述的基于N2N和Bert的雷达HRRP目标识别方法，其特征在于，

S1中，进行数据预处理，具体步骤如下：

S101，强度归一化，假设原始HRRP数据表示为x_raw＝[x₁,x₂,x₃…,x_M]，其中M表示HRRP内包含的距离单元总数，则HRRP归一化计算如下：

S102，重心对齐，重心对齐法通过平移HRRP使其重心位于HRRP中心点附近，其中HRRP重心g的计算方法如下：

3.如权利要求1所述的基于N2N和Bert的雷达HRRP目标识别方法，其特征在于，S2，用N2N模块进行降噪，具体步骤如下：

S201，假设编码器输入为经过7个卷积模块，除了第一个和最后一个卷积模块中没有池化层，中间5个均有池化层，将输入和前四个池化层的输出用skips列表保存起来，用于解码器的叠加，整个过程中通道数的变化为1，48，48，48，48，48，48；

S202，解码器包含了11个卷积模块，其中第1、3、5、7、9个卷积模块的输入都是前一层的输出进行维度扩张后与skips中对应数据叠加后的数据，再通过卷积层，将通道数缩减到原始通道数，每个卷积模块包括卷积层，批归一化和激活层；

S203，卷积模块，假设输入为X，经过N个kernel_size为(1,5)的卷积核，得到输出N表示总的通道数，i表示第i个通道；

式中表示卷积操作，批归一化(Batch Normalization)通过计算每个mini_batch中数据中的均值和方差，假设一个小批次中有N_m个HRRP样本，那么定义输出为其中Fⁿ表示第n个HRRP样本对应的卷积输出，在每个小批次中，对中的HRRP数据进行批归一化得到表示为：

其中，Fⁿ(k,l)表示批归一化之前的HRRP样本对应的卷积层输出中，第k个通道中的第l个元素，即为批归一化之后的HRRP数据，α^k和β^k为可训练的对应于第k个通道的参数，ε是一个很小的数，为了防止除数为0，E(.)为求均值操作，Var(.)表示求方差操作；

之后使用激活函数ReLU对中每一个元素进行非线性激活得到若输入为则经过ReLU之后对应的输出表示为：

池化层，主要是对数据进行缩减大小，并且提高特征的鲁棒性，池化层原理如下：

假设输入数据大小为W×W，卷积核尺寸为F×F，步幅为S，padding使用P，则按照以下公式得到：