[发明专利]一种基于多尺度UDA和特征学习的UWB引信目标识别方法

权利要求书

1.一种基于多尺度UDA和特征学习的UWB引信目标识别方法，其特征在于，包括以下步骤：

步骤S100：UWB回波信号建模和数据集生成；

根据等效散射中心模型对目标进行建模，基于仿真模型生成多种目标的UWB引信一维回波信号，构建数据分布存在差异的有标签源域数据集与无标签目标域数据集；

步骤S200：基于多尺度无监督领域自适应网络的模型设计；

设计基于多尺度残差网络的无监督领域自适应模型，包括多尺度CNN特征提取模块、MLP特征学习模块和DNN分类模块；

步骤S300：网络模型的预训练；

先使用有标签的源域数据对模型的多尺度CNN特征提取模块和DNN分类模块进行训练与验证，而后对MLP特征学习模块进行训练，保存最佳预训练模型及源域各类别的特征中心；

步骤S400：模型迁移到目标域；

使用目标域的无标签数据对预训练模型进一步训练微调，使用微调后的模型对目标数据识别，进行泛化能力分析。

2.根据权利要求1所述的一种基于多尺度UDA和特征学习的UWB引信目标识别方法，其特征在于，在步骤S100中，基于超宽带引信目标等效散射中心模型，采用时域卷积的方法构建引信目标一维回波信号，并通过引信回波数据分布差异，划分源域数据集和目标域数据集。

3.根据权利要求2所述的一种基于多尺度UDA和特征学习的UWB引信目标识别方法，其特征在于，所述通过引信回波数据分布差异划分源域数据集和目标域数据集的方法包括：

根据观测方位角范围不同划分目标域数据和源域数据；

根据添加高斯噪声的信噪比划分目标域数据和源域数据；

根据随机遮蔽的比例划分目标域数据和源域数据。

4.根据权利要求1所述的一种基于多尺度UDA和特征学习的UWB引信目标识别方法，其特征在于，在步骤S200中，所述网络模型的结构包括多尺度CNN特征提取模块、MLP特征学习模块和DNN分类模块，模型具体包括：

所述多尺度CNN特征提取模块包括：

CNN0：卷积层，最大池化层；CNN1-1～CNN1-4、CNN2-1～CNN2-4、CNN3-1～CNN3-4分别是卷积核尺寸不同的三个前向通路，每个通路包含四个模块，每个模块包含两个卷积层和一个残差连接；DNN1：线性层，BN层，Dropout层，自注意力层；

所述MLP特征学习模块包括：第一个线性层、BN层、ReLU激活和第二个线性层；

所述DNN分类模块为线性层，输出节点数为3；

上述自注意力层的激活函数采用Sigmoid函数，DNN分类模块的激活函数采用Softmax函数，其余层的激活函数采用ReLU函数。

5.根据权利要求1所述的一种基于多尺度UDA和特征学习的UWB引信目标识别方法，其特征在于，在步骤S300中，基于有标签的源域数据使用交叉熵损失对多尺度CNN特征提取模块和DNN分类模块进行训练与验证，当验证识别性能稳定时停止训练；而后固定多尺度CNN特征提取模块，对MLP特征学习模块进行训练，所述MLP特征学习模块的训练损失如下公式：

其中，x_i为一维回波信号，f(·)为多尺度CNN特征提取模块，g(·)为MLP特征学习模块，c为目标的类别数，A_k为k类目标的样本数量，q^k为k类目标的源域特征中心，z_i为样本x_i通过网络提取的特征，S(·)为余弦相似度，τ为温度系数，y^k为k类的独热标签，y_i为第i个样本计算得出的概率分布，y_i′为第i个样本的增强样本计算得出的概率分布，为第i个样本的真实标签，H(·)为交叉熵函数，N为批次大小；

经多次迭代后，MLP特征学习模块训练完成，保存MLP特征学习模块以及通过该模块学习得到各类别的源域特征中心。