[发明专利]基于信噪比自适应网络的微动目标噪声稳健识别方法

权利要求书

1.一种基于信噪比自适应网络的微动目标噪声稳健识别方法，其特征在于，构建信噪比自适应网络，同时利用微动分量回波信号与微动分量回波信号的信噪比信息训练网络，该方法包括如下步骤：

(1)构建信噪比自适应网络：

(1a)构建一个8层的自适应卷积核生成模块，其结构依次为：输入层，第一全连接层，第一激活层，第二全连接层，第二激活层，第三全连接层，第三激活层，输出层；

设置各层参数如下：将输入层、第一全连接层、第二全连接层、第三全连接层的神经元个数分别设置为1、4、16和144，将第一激活层、第二激活层、第三激活层的激活函数均设置为ReLU函数；

(1b)构建一个12层的卷积神经网络模块，其结构依次为：输入层，第一卷积层，第一激活层，第一池化层，第二卷积层，第二激活层，第二池化层，第三卷积层，第三激活层，第三池化层，第一全连接层，第二全连接层，SoftMax层；

设置各层参数如下：将第一至第三卷积层的卷积核个数均设置为16，卷积核尺寸均设置为1×9，卷积核的输入通道数分别设置为1、16、16，输出通道数均设置为16；将第一至第三激活层的激活函数均设置为ReLU函数；将第一至第三池化层的池化核尺寸均设置为1×2，池化步长均设置为2，池化方式均设置为最大值池化；将第一全连接层的神经元个数设置为300；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；

(1c)将步骤(1a)构建的自适应卷积核生成模块和步骤(1b)构建的卷积神经网络模块组成信噪比自适应网络；

(2)生成训练数据集：

(2a)提取N类目标的雷达回波信号，每类目标至少包含800个回波信号，其中N表示目标的类别总数，N≥3；

(2b)利用区域CLEAN方法，对每个雷达回波信号进行杂波抑制；

(2c)利用全域CLEAN方法，对杂波抑制后的每个回波信号提取微动分量回波信号，将所有微动分量回波信号组成微动目标数据集；

(2d)对微动目标数据集独立添加9次高斯噪声，使每次加噪后数据集的信噪比分别为0dB、2.5dB、5dB、7.5dB、10dB、12.5dB、15dB、17.5dB、20dB；

(2e)将加噪后的所有数据集组成训练数据集；

(2f)对训练数据集中不同类别目标的回波信号分别设置类别标签；

(3)生成训练辅助数据集：

将训练数据集中每一个回波信号的信噪比作为该回波信号的辅助信息，将训练数据集中所有回波信号的辅助信息组成训练辅助数据集；

(4)对训练数据集进行预处理：

对训练数据集中每个回波信号进行能量归一化处理，得到归一化后的训练数据集；

(5)生成自适应卷积核：

将训练辅助数据集输入到自适应卷积核生成模块中，训练辅助数据集经过自适应卷积核生成模块中的第一层激活层，得到一个维度为1×4的信噪比信息特征，再经过第二层激活层，得到一个维度为1×16的信噪比信息特征，再经过第三层激活层，得到一个维度为1×144的信噪比信息特征，最后经过输出层将信噪比信息特征维度转换为1×9×1×16，即生成一个具有1个输入通道，16个输出通道，卷积核维度为1×9的自适应卷积核；

(6)训练信噪比自适应网络：

(6a)将训练数据集输入到卷积神经网络模块中，将自适应卷积核作为卷积神经网络模块的第一卷积层的卷积核，利用自适应卷积核对微动分量回波信号进行卷积操作，经过第一激活层，第一池化层，输出第一回波特征；

(6b)将第一回波特征通过卷积神经网络模块的第二卷积层，第二激活层，第二池化层，第三卷积层，第三激活层，第三池化层，全连接层，SoftMax层，输出信噪比自适应网络的预测分类标签；

(6c)利用交叉熵损失函数，计算预测分类标签与目标真实类别标签间的损失，再利用反向传播算法迭代更新网络参数，直到交叉熵损失函数收敛为止，得到训练好的信噪比自适应网络；

(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提取微动分量回波信号；

(7c)估计每个微动分量回波信号的信噪比；

(7d)对每个微动分量回波信号进行能量归一化处理；

(7e)将每个微动分量回波信号的信噪比与每个归一化处理后的微动分量回波信号，分别输入到训练好的信噪比自适应网络的卷积神经网络模块与自适应卷积核生成模块中，通过SoftMax层计算出待识别目标被划分为各类别的概率，选择最高概率对应的类别作为识别结果。