[发明专利]一种基于宽度学习的雷达高分辨距离像目标识别方法

权利要求书

1.一种基于宽度学习的雷达高分辨距离像目标识别方法，其特征在于，包括：

S1：获取高分辨距离像数据并设置标签，生成训练集；

S2：构建宽度学习模型；

S3：利用所述训练集对所述宽度学习模型进行训练，得到经训练的宽度学习模型；

S4：利用所述经训练的宽度学习模型对待识别的原始高分辨距离像数据进行识别，获取识别结果。

2.根据权利要求1所述的基于宽度学习的雷达高分辨距离像目标识别方法，其特征在于，所述S1包括：

S1a：提取宽带雷达回波信号中的高分辨距离像数据并进行预处理，得到高分辨距离像时域特征数据；

S1b：根据模二范数归一化处理后的高分辨距离像时域特征数据建立雷达目标数据库，并对所述雷达目标数据库内的各个目标类别设置标签值；

S1c：从所述雷达目标数据库中选取预定数量的样本组成训练集。

3.根据权利要求2所述的基于宽度学习的雷达高分辨距离像目标识别方法，其特征在于，所述预处理包括：

对所述高分辨距离像数据进行模二范数归一化处理：

其中，X表示模二范数归一化处理后的高分辨距离像时域特征数据，x表示原始高分辨距离像数据，||·||₂表示求模二范数操作。

4.根据权利要求2所述的基于宽度学习的雷达高分辨距离像目标识别方法，其特征在于，所述S1还包括：

从所述雷达目标数据库中选取预定数量的样本组成测试集，并且所述测试集中的高分辨距离像数据和所述训练集中的高分辨距离像数据具有任意的俯仰角度。

5.根据权利要求2所述的基于宽度学习的雷达高分辨距离像目标识别方法，其特征在于，所述S2包括：

S2a：将处理后的高分辨距离像时域特征数据进行幂变换操作：

U＝X^k

其中，U为幂变换后的数据，X为模二范数归一化处理后的高分辨距离像时域特征数据，k为幂变换系数；

S2b：设定宽度学习模型的第i个映射特征节点输出Z_i；

其中，Z_i为第i个映射特征节点输出，φ_i为映射函数，为权值矩阵，为偏置矩阵，n为特征节点的数量；

S2c：将所述映射特征节点输出拼接成一个整体：

Zⁿ＝[Z₁,Z₂…,Z_n]

其中，Zⁿ表示所有映射特征节点输出的集合；

S2d：对映射特征节点集合Zⁿ进行变换，得到宽度学习模型中第j个增强节点输出E_j；

其中，E_j为第j个增强节点输出，ζ为非线性变换函数，和为随机生成的权值矩阵和偏置矩阵，m表示增强节点的数量；

S2e：将所述增强节点输出拼接成一个整体：

E^j＝[E₁,E₂…,E_j]

其中，E^j表示所有增强节点输出的集合；

S2f：设定所述宽度学习模型的输出：

其中，W是连接权重值，H为映射特征节点输出和增强节点输出的集合。

6.根据权利要求5所述的基于宽度学习的雷达高分辨距离像目标识别方法，其特征在于，所述S3包括：

将所述训练集中的样本全部输入所述宽度学习模型中，求得所述连接权重值：

W＝H⁺Y

H⁺由下式计算得出：

其中，λ表示正则化系数，I表示单位矩阵。

7.根据权利要求5所述的基于宽度学习的雷达高分辨距离像目标识别方法，其特征在于，在所述S3之后还包括：

利用测试集对所述经训练的宽度学习模型进行测试。