[发明专利]基于深层类内分裂的雷达高分辨距离像开集目标识别方法

说明书

本发明公开了一种基于深层类内分裂的雷达高分辨距离像开集目标识别方法，主要解决现有技术开集识别性能低和闭集识别精度差的问题，其方案是：获取雷达二维高分辨距离像谱图数据，并分别为雷达目标数据库内的各个目标类别设置标签值，构建训练样本集和测试样本集；构建类内分裂模型，并对其进行训练；将训练样本集输入到训练好的类内分裂模型中进行分裂，得到非典型样本子集和典型样本子集；构建开集识别模型，并用非典型样本子集和典型样本子集对其进行训练；将测试样本输入到训练好的开集识别模型中，完成雷达高分辨距离像的开集识别。本发明提高了开集识别性能、闭集识别精度，可用于对雷达数据库外目标拒判的同时对库内目标进行分类。

技术领域

本发明属于雷达技术领域，具体涉及雷达高分辨距离像开集目标识别方法，可用于对雷达数据库外目标拒判的同时对库内目标进行分类。

背景技术

高分辨距离像HRRP表示目标散射中心沿雷达视线的一维分布，包含了目标径向尺寸、散射点分布等结构信息，这些对目标识别和分类的价值非常高。HRRP具有背景干净、无杂波干扰和存储量小等优势，逐渐成为雷达自动目标识别RATR领域的研究热点。模式识别通常分为两类：一是闭集识别，即需要将待识别的目标分配到固定类别中去，训练样本和测试样本来自相同类别的模式，这种闭集的环境是理想的；另一种模式识别是开集识别，这意味着一些测试样本对训练样本来说是未知的，即分类器接收到的待识别样本并不属于分类器训练过的已知类别，这就是所谓的开集识别。在雷达目标识别中，虽然在识别之前可以收集到待识别目标的距离像样本以及对应的类别等相关信息，然而在实际应用中，往往不能提前获得待识别目标的全部样本。因此，雷达目标识别一般属于开集识别。另外，在RATR系统中对不能确定的目标往往拒绝识别，即雷达库外目标拒判方法。然而，雷达库外目标拒判方法只拒绝未知类，不会对已知类进行分类，没有考虑已知类之间的信息，导致识别性能较差。因此，期望一个能够识别/拒绝未知类同时保持对已知类识别性能的分类器，在雷达目标识别中实现对输入的已知类样本，输出为具体的某个类别，对输入未知类的样本，输出为“未知”或者以较低的置信度输出。

现有解决开集识别的传统方法有支持向量机SVM的变种，如1-vs-set或W-SVM，但是它们对剔除异常样本的阈值非常敏感，需要异常样本在训练过程中找到合适的阈值，这在实践中往往比较困难，同时在处理复杂数据集上性能有限。与传统的浅层模型相比，VGG-16、Inception或ResNet这些深层神经网络在分类和识别方面取得了最先进的性能，已成为当前目标识别领域的研究热点。因此，一种处理开集问题的现代方法是使用生成对抗网络生成伪样本，并使用这些伪样本对未知类进行建模。然而，由于生成对抗网络的方法存在训练不稳定的问题，使目标样本的生成效果并不理想，此外，通过生成对抗网络生成的伪样本和大多数训练数据无法区分，导致闭集识别精度差的问题。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于深层类内分裂的雷达高分辨距离像开集目标识别方法，以改善开集识别性能和提高闭集识别精度。

为实现上述目的，本发明的实现步骤包括如下：

(1)获取雷达二维高分辨距离像谱图数据，并分别为雷达目标数据库内的各个目标类别设置标签值；

(2)从雷达二维高分辨距离像谱图数据中选取包含目标所有方位角域的样本数据，组成训练样本集，将其余数据组成测试样本集的库内样本，从仿真飞机数据中均匀抽取部分样本组成测试样本集的库外样本；

(3)构建一个由八层的多类分类器和两层结构的识别子网级联组成的类内分裂模型；

(4)对类内分裂模型进行训练，并将训练样本集输入到训练好的类内分裂模型中进行分裂，得到非典型样本子集和典型样本子集；

(5)构建一个由十层的闭集正则化子网和两层结构的开集识别子网级联组成的开集识别模型；

(6)对开集识别模型进行训练：