[发明专利]一种基于ResNet18的SAR原始数据目标识别方法

权利要求书

1.一种基于ResNet18的SAR原始数据目标识别方法，其特征在于，包括以下步骤：

步骤S1、在SAR系统中，提出发射信号的模型、回波信号的模型和解调信号的模型；

步骤S2、在深度残差网络ResNet18的基础上，构建一个以SAR接收信号为输入的用于目标识别的卷积神经网络；

卷积神经网络的架构包括第一至第三通道、卷积核、Relu层、池化层、第一至第四卷积层、全连接层、Dropout层和Softmax层，第一至第三通道分别与卷积核连接，卷积核、Relu层、池化层、第一至第四卷积层、全连接层、Dropout层和Softmax层依次顺序连接，其中，第一至第四卷积层的结构均相同，第一卷积层包括第一卷积核、第一Relu单元、第二卷积核、Shortcut连接单元、求和单元、第二Relu单元和池化单元，第一卷积核、第一Relu单元、第二卷积核、求和单元、第二Relu单元和池化单元依次顺序连接，Shortcut连接单元的输入端与第一卷积核的输入端连接，Shortcut连接单元的输出端与求和单元的输入端连接；SAR接收信号的幅值、实部和虚部分别作为第一至第三通道的输入，SAR接收信号指回波信号；

步骤S3、给出卷积神经网络训练的初始参数，初始化卷积神经网络的每一层权重；

步骤S4、根据步骤S1提出的发射信号的模型、回波信号的模型和解调信号的模型，形成模拟数据集和MSTAR数据集；

步骤S4中，根据步骤S1提出的发射信号的模型和回波信号的模型，模拟了SAR接收信号数据集，该SAR接收信号数据集为模拟数据集；

步骤S5、将模拟数据集分为训练集、验证集和测试集，MSTAR数据集分为训练集、验证集和测试集，利用模拟数据集的训练集、MSTAR数据集的训练集分别代入步骤S3中已初始化后的卷积神经网络中进行训练，并在训练过程中利用验证集进行分类识别验证，当验证准确率达到预设准确率值或训练次数达到预设次数停止训练；利用训练好的卷积神经网络对模拟数据集的测试集、MSTAR数据集的测试集分别进行分类识别。

2.根据权利要求1所述的一种基于ResNet18的SAR原始数据目标识别方法，其特征在于，步骤S2中，

利用SAR接收信号的幅值、实部和虚部作为第一至第三通道的输入，并调整SAR接收信号的幅值、实部和虚部大小为224×224；卷积核为3×3卷积核、Dropout层是一个概率为0.5的Dropout层， Softmax层用于产生目标类别标签的结果。

3.根据权利要求1所述的一种基于ResNet18的SAR原始数据目标识别方法，其特征在于，步骤S3中，

训练的初始参数为训练方法、小批量的大小、动量和初始学习率。

4.根据权利要求3所述的一种基于ResNet18的SAR原始数据目标识别方法，其特征在于，训练方法为随机梯度下降法，小批量的大小20，动量0.9，初始学习率0.0001；同时，卷积神经网络已经提前在已知的ImageNet数据集的多张图片上进行了预训练，以初始化每一层的权重。

5.根据权利要求1所述的一种基于ResNet18的SAR原始数据目标识别方法，其特征在于，步骤S4中，模拟数据集是用于目标识别，用于目标识别的模拟数据集包括多个点目标的接收信号，多个点目标的接收信号是：设在场景中生成包括方形、三角形或圆形的散射点阵的目标，利用回波信号的模型来模拟点目标的接收信号。