[发明专利]一种雷达高分辨距离像开集识别方法及装置

权利要求书

1.一种基于卷积神经网络的雷达高分辨距离像开集识别方法，其特征在于，包括：

获取雷达高分辨距离像并建立训练样本集和测试样本集；其中，所述训练样本集包括若干已知类别的目标雷达高分辨距离像，所述测试样本集包括若干库内已知类别和库外未知类别的目标雷达高分辨距离像；

对所述训练样本集和所述测试样本集中的数据进行预处理，得到预处理后的训练样本集和测试样本集；

构建卷积神经网络模型；

利用所述预处理后的训练样本集训练所述卷积神经网络模型，得到训练好的卷积神经网络；

利用所述预处理后的测试样本集对所述训练好的卷积神经网络进行开集识别，得到基于卷积神经网络的雷达高分辨距离像开集识别结果。

2.根据权利要求1所述的雷达高分辨距离像开集识别方法，其特征在于，对所述训练样本集和所述测试样本集进行预处理，包括：

对所述训练样本集和所述测试样本集中的数据依次进行重心对齐和归一化处理，得到预处理后的训练样本集和测试样本集。

3.根据权利要求1所述的雷达高分辨距离像开集识别方法，其特征在于，构建卷积神经网络模型包括：

构建一个四层结构的卷积神经网络模型；其中，四层结构分别为第一层卷积层、第二层卷积层、第三层卷积层和第四层全连接层，并设置每个卷积层具有相同的卷积步长；其中，每个卷积层均包括若干个卷积核，且每个卷积核的大小相同。

4.根据权利要求3所述的雷达高分辨距离像开集识别方法，其特征在于，还包括构建卷积神经网络的损失函数，其表达式为：

其中，Θ(x)为卷积神经网络的输出结果，Oⁱ(i＝1...，N)为按照高斯分布随机初始化的N个原型，d(Θ(x)，O^k)为Θ(x)到O^k的欧氏距离，λ为超参数，r_i＝d(Oⁱ，O_c)，表示各原型Oⁱ到中心的距离。

5.根据权利要求4所述的雷达高分辨距离像开集识别方法，其特征在于，利用所述预处理后的训练样本集训练所述卷积神经网络模型，得到训练好的卷积神经网络，包括：

将所述预处理后的训练样本集随机分为q个批次，每个批次的数据为n×D维矩阵数据；其中，floor()表示向下取整，P表示训练样本集中的高分辨距离像数量；

将每个批次的数据依次输入到卷积神经网络中进行处理，得到卷积神经网络的输出结果；

根据所述卷积神经网络的输出结果计算损失函数的值，并使用随机梯度法更新所述卷积神经网络的参数值，直至网络收敛，得到训练好的卷积神经网络。

6.根据权利要求5所述的雷达高分辨距离像开集识别方法，其特征在于，将每个批次的数据依次输入到训练好的卷积神经网络中进行处理，得到卷积神经网络的输出结果，包括：

利用第一层卷积层对当前输入数据进行卷积和下采样处理，得到第一特征图；

利用第二层卷积层对所述第一特征图进行卷积和下采样处理，得到第二特征图；

利用第三层卷积层对所述第二特征图进行卷积和下采样处理，得到第三特征图；

利用第四层全连接层对所述第三特征图进行非线性变换处理，得到当前数据的处理结果；

重复上述步骤，直至完成所有输入数据的处理，得到卷积神经网络的输出结果。

7.根据权利要求1所述的雷达高分辨距离像开集识别方法，其特征在于，利用所述预处理后的测试样本集对所述训练好的卷积神经网络进行开集识别，得到基于卷积神经网络的雷达高分辨距离像开集识别结果，包括：

设卷积神经网络预测待测样本x属于类别k的概率为其表达式为：

当待测样本的概率小于预设阈值时，判定该待测样本为库外未知类别；反之，则被判为库内已知类，并进一步得到其所属的具体类别。

8.一种基于卷积神经网络的雷达高分辨距离像开集识别装置，其特征在于，包括：

数据获取模块(1)，用于获取雷达高分辨距离像并建立训练样本集和测试样本集；其中，所述训练样本集包括若干已知类别的目标雷达高分辨距离像，所述测试样本集包括若干库内已知类别和库外未知类别的目标雷达高分辨距离像；

预处理模块(2)，用于对所述训练样本集和所述测试样本集中的数据进行预处理，得到预处理后的训练样本集和测试样本集；

模型构建模块(3)，用于构建卷积神经网络模型；

训练模块(4)，用于利用所述预处理后的训练样本集训练所述卷积神经网络模型，得到训练好的卷积神经网络；

目标识别模块(5)，用于利用所述预处理后的测试样本集对所述训练好的卷积神经网络进行开集识别，得到基于卷积神经网络的雷达高分辨距离像开集识别结果。