[发明专利]一种融合先验知识的小样本雷达工作模式分类方法

权利要求书

1.一种融合先验知识的小样本雷达工作模式分类方法，其特征在于，包括以下步骤：

S1、获取各雷达工作模式下的脉冲数据，根据脉冲数据生成伪图片样本；

S2、将步骤S1生成的伪图片样本输入原型网络进行分类训练，得到每一类的类中心向量，具体包括以下分步骤：

S21、分别对训练集的支撑集和查询集中每一类脉冲数据样本通过原型网络中的卷积神经网络提取每个样本的特征向量；

S22、对支撑集中每一类脉冲数据样本的特征向量求和取平均，计算每一类的类中心向量；

S23、将查询集中每一类脉冲数据样本的特征向量依次与对应类的类中心向量计算欧氏距离；

S24、将得到的欧氏距离作为损失函数，并反向传播以更新原型网络中的卷积神经网络的网络参数；

S25、在每次迭代过程中重复步骤S21至S24，直至原型网络收敛，得到训练后的每一类的类中心向量；

S3、将各雷达工作模式下的脉冲变化规律作为先验知识构建知识向量，并将步骤S2得到的每一类的类中心向量作为对应工作模式类别下的知识向量的标签，输入中心网络进行训练，得到每一类的预中心向量，具体包括以下分步骤：

S31、将各雷达工作模式下的脉冲变化规律作为先验知识，构建知识向量；

S33、将得到的所有知识向量加入高斯噪声作为训练样本；

S34、构建包含多层全连接层的中心网络，将训练样本进行归一化处理后随机排序输入中心网络进行映射；

S35、将步骤S2得到的每一类的类中心向量作为对应工作模式类别下的知识向量的标签，输入中心网络进行训练；

S36、将中心网络的输出进行逆归一化处理得到各雷达工作模式对应的预中心向量；

S4、根据步骤S2得到的每一类的类中心向量和步骤S3得到的每一类的预中心向量构建损失函数，将损失函数反向传播以更新融合先验知识的原型网络的网络参数，得到最优原型网络，具体包括：

每经过设定次数迭代，保存当前卷积神经网络，及经过当前卷积神经网络得到的类中心向量；

将验证集中每一类脉冲数据样本输入当前卷积神经网络提取每个样本的特征向量，将每一类脉冲数据样本的特征向量依次与得到的类中心向量计算欧氏距离，并将所有欧式距离进行拼接得到距离向量；

将距离向量进行log_softmax回归，得到分属于各类的概率分布，再取出最大概率所对应的索引得到预测类别；

比较预测类别与验证集样本的真实类别是否一致；若是，则将分类正确个数加一；否则不做处理；

遍历所有验证集样本，将预测正确个数除以验证集样本个数得到当前原型网络下雷达工作模式的分类准确率；

重复上述步骤，直至原型网络的分类准确率和损失函数均收敛，选择分类准确率最高的原型网络作为最优原型网络；

S5、利用最优原型网络对待识别的脉冲数据进行雷达工作模式识别分类。

2.根据权利要求1所述的融合先验知识的小样本雷达工作模式分类方法，其特征在于，所述步骤S1具体包括以下分步骤：

S11、获取多个雷达不同工作模式下的脉冲数据，分别提取脉冲到达时间、脉冲载频和脉冲宽度参数；

S12、将每相邻两个脉冲数据的脉冲到达时间参数作差，得到脉冲间隔频率参数；

S13、将每种雷达工作模式下的脉冲间隔频率、脉冲载频和脉冲宽度参数作为三维特征，并根据每连续的设定个数的脉冲数据生成伪图片样本。

3.根据权利要求1或2所述的融合先验知识的小样本雷达工作模式分类方法，其特征在于，所述步骤S1后还包括：

将生成的所有伪图片样本按照设定比例划分为训练集、验证集和测试集，其中训练集包括支撑集和查询集。

4.根据权利要求1所述的融合先验知识的小样本雷达工作模式分类方法，其特征在于，所述步骤S31具体包括：

将各雷达工作模式下的脉冲变化规律作为先验知识，分别提取各雷达工作模式下将脉冲间隔频率、脉冲载频和脉冲宽度参数取值及脉冲规律完整出现一次的最大脉冲数；

根据提取的各雷达工作模式下脉冲间隔频率、脉冲载频和脉冲宽度参数对应的最大脉冲数构建多维度的知识向量。

5.根据权利要求4所述的融合先验知识的小样本雷达工作模式分类方法，其特征在于，所述步骤S4中根据步骤S2得到的每一类的类中心向量和步骤S3得到的每一类的预中心向量构建损失函数，具体包括：

将查询集中每一类脉冲数据样本的特征向量依次与对应类的类中心向量及预中心向量分别计算欧氏距离，将计算得到的两个欧式距离加权求和作为原型网络的损失函数。