[发明专利]一种基于深度学习技术的小型无人机分类方法

权利要求书

1.一种基于深度学习技术的小型无人机分类方法，其特征在于，包括以下步骤：

S1、模拟小型无人机微多普勒信号，并利用模拟信号训练深度神经网络；

S2、未知目标类别的检测：认知雷达检测未知目标的存在，调度特定的雷达测量，将检测目标的频谱图添加到神经网络的训练集中，判断该目标是否为未知目标类；

S3、频谱图的预处理，去除机身的频率，提高频谱图的信噪比；

S4、生成频谱图的对抗训练，利用生成性对抗网络生成新的频谱图来训练分类器。

2.根据权利要求1所述的一种基于深度学习技术的小型无人机分类方法，其特征在于，所述步骤S1中，使用已知的散射体来表示小型无人机，包括点散射体、圆柱体、椭球体、平三角形板和细线；对雷达信号样本，确定其散射体的位形态，然后计算该散射体的相关雷达截面，将所有散射体的贡献值相加得到整个目标的反射雷达信号。

3.根据权利要求1所述的一种基于深度学习技术的小型无人机分类方法，其特征在于，所述步骤S2中，未知目标的检测通过以下方式实现：在卷积神经网络的soft-max层设置一个阈值，将检测到的目标输入卷积神经网络，如果soft-max层的最大输出没有超过阈值则声明检测目标为未知目标类。

4.根据权利要求1所述的一种基于深度学习技术的小型无人机分类方法，其特征在于，所述步骤S2中，未知目标的检测通过GANomaly方法实现；GANomaly网络由三个子网络组成：

自动编码器，充当生成器，用于生成新的频谱图；

编码器，与自动编码器的结构相同，作用是压缩自动编码器生成的谱图，与自动编码器共同构成了生成对抗网络中的生成网络；

判别网络，即判别器，用于区分真实测量频谱图以及生成网络生成的频谱图，即要将真实测量图判别为真，将生成图判别为假；

GANomaly网络的三个子网络都对应一个损失函数，第一个子网络的损失是自动编码器的创建损失，用测量频谱图与生成频谱图之间的差异L_enc来表示；第二个子网络的损失是编码网络的损失，用真实频谱图与生成频谱图在多维空间的差异L_con来表示；第三个网络的损失是判别网络的损失，用二分类的交叉熵损失L_adv来表示；

在训练阶段，生成网络的目标是尽量生成真实的频谱图去欺骗判别网络，而判别网络则尽量区分真实测量频谱图与生成频谱图，即交替优化生成网络与判别网络；由于网络仅使用已知类别的频谱图进行训练，对于未知目标类别自动编码器不能准确的重构其频谱图，则生成频谱图与真实测量频谱图之间存在差异，GANomaly网络利用这种差异来检测未知目标类别，当二者存在差异时，则将检测目标判定为未知目标类。

5.根据权利要求1所述的一种基于深度学习技术的小型无人机分类方法，其特征在于，所述步骤S3中，采用自动编码器进行去噪。