[发明专利]基于迁移学习的雷达载频参数变化稳健目标识别方法

权利要求书

1.一种基于迁移学习的雷达载频参数变化稳健目标识别方法，其特征在于，构建自编码器神经网络与前馈神经网络，利用样本数较多的单一载频下的雷达回波信号对自编码器神经网络进行训练，利用样本数较少的多种载频下的雷达回波信号对前馈神经网络的网络参数进行微调，该方法的步骤包括如下：

(1)生成训练集：

(1a)提取包含N个类别目标的单一载频下的数据维度为L的雷达回波信号作为训练数据集，每个类别至少包含800个雷达回波信号，其中，N≥3，L≥64；

(1b)利用区域CLEAN方法，对训练数据集中的每个回波信号进行杂波抑制；

(1c)利用全域CLEAN方法，去除杂波抑制后的每个回波信号中的主体分量；

(1d)对去除主体分量的每个回波信号的幅度进行模二范数归一化处理，得到训练集；

(2)生成微调集：

(2a)提取包含N个类别目标的M种载频下的数据维度为L的雷达回波信号组成微调数据集，每个类别至少包含200个雷达回波信号，其中，N≥3，M≥5，L≥64；

(2b)利用区域CLEAN方法，对微调数据集中的每个回波信号进行杂波抑制；

(2c)利用全域CLEAN方法，去除杂波抑制后的每个回波信号中的主体分量；

(2d)对去除主体分量的每个回波信号的幅度进行模二范数归一化处理，得到微调集；

(3)构建自编码器神经网络：

(3a)搭建一个七层的自编码器神经网络，其结构依次为：输入层，第一编码层，第二编码层，第三编码层，第一解码层，第二解码层，第三解码层；

(3b)设置各层参数如下：将第一至第三编码层的神经元个数分别设置为500、256和64；将第一至第三解码层的神经元个数分别设置为64、256和T，其中神经元个数T等于雷达回波信号的数据维度L；

(4)构建前馈神经网络：

(4a)搭建一个六层的前馈神经网络，其结构依次为：输入层，第一编码层，第二编码层，第三编码层，全连接层，SoftMax层；

(4b)设置各层参数如下：将第一至第三编码层的神经元个数分别设置为500、256和64；将全连接层的神经元个数设置为M，其中，全连接层的神经元个数M与目标类别总数N相等；SoftMax层采用SoftMax激活函数用于计算输入回波信号被分类为每一类的概率；

(5)训练自编码器神经网络：

(5a)随机抽取训练集中的P个雷达回波信号输入到自编码器神经网络中，输出P个雷达回波信号的重建信号，P表示输入到自编码器神经网络的样本数，P≥64；

(5b)利用重建损失函数，计算当前输入到自编码器神经网络中的雷达回波信号与输出的重建信号之间的损失值，利用反向传播算法，迭代更新网络参数；

(5c)判断重建损失函数是否收敛，若是，得到训练好的自编码器神经网络后执行步骤(6)，否则，继续随机抽取训练集中的P个雷达回波信号输入到自编码器神经网络中后执行步骤(5b)；

(6)训练前馈神经网络：

(6a)将训练好的自编码器神经网络的输入层、第一编码层、第二编码层、第三编码层的权重参数赋值给前馈神经网络中输入层、第一编码层、第二编码层、第三编码层的权重参数，采用高斯初始化方法生成前馈神经网络中全连接层的权重参数；

(6b)随机抽取微调集中的Q个雷达回波信号输入到前馈神经网络中，输出Q个雷达回波信号中每个信号的预测分类标签，Q表示输入到前馈神经网络的样本数，Q≥64；

(6c)利用交叉熵损失函数，计算当前输入到前馈神经网络中每个回波信号的预测分类标签与真实类别标签间的损失值；

(6d)固定前馈神经网络中输入层，第一编码层，第二编码层，第三编码层的权重参数不变，利用反向传播算法迭代更新前馈神经网络的全连接层的权重参数；

(6e)判断当前迭代的交叉熵损失函数是否收敛，若是，得到训练好的前馈神经网络后执行步骤(7)，否则，继续从微调集中随机抽取Q个雷达回波信号输入到前馈神经网络中后执行步骤(6c)；

(7)目标识别：

(7a)利用区域CLEAN方法，对每个待识别回波信号进行杂波抑制；

(7b)利用全域CLEAN方法，对杂波抑制后的每个回波信号进行主体分量去除；

(7c)将主体分量去除后的每个回波信号输入到训练好的前馈神经网络中，通过SoftMax层计算出待识别目标被划分为各类的概率，并选择最高概率对应的类别作为识别结果。