[发明专利]一种基于动态卷积神经网络的雷达回波外推方法

摘要

本发明公开了一种基于动态卷积神经网络的雷达回波外推方法，包括：离线卷积神经网络训练：对给定的训练图像集，通过数据预处理得到训练样本集，初始化动态卷积神经网络模型，并利用训练样本集训练动态卷积神经网络，经过网络前向传播计算输出值、后向传播更新网络参数的过程使动态卷积神经网络收敛。在线雷达回波外推：通过数据预处理将测试图像集转化为测试样本集，利用测试样本集对经过训练的动态卷积神经网络进行测试，将输入图像序列中的最后一幅雷达回波图像与网络前向传播中获得的概率向量相卷积，得到预测的雷达回波外推图像。

主权项

1.一种基于动态卷积神经网络的雷达回波外推方法，其特征在于，包括以下步骤：步骤1，训练离线卷积神经网络：输入训练图像集，对训练图像集进行数据预处理，得到训练样本集，设计动态卷积神经网络结构，并初始化网络训练参数；利用训练样本集训练动态卷积神经网络，输入的有序图像序列经过动态卷积神经网络前向传播得到一幅预测图像，计算预测图像和对照标签之间的误差，通过反向传播更新网络的权值参数和偏置参数，重复此过程直到达到训练结束条件，得到收敛的动态卷积神经网络；步骤2，在线雷达回波外推：输入测试图像集，对测试图像集进行数据预处理，得到测试样本集，然后将测试样本集输入步骤1中获得的动态卷积神经网络中，经过网络前向传播计算概率向量，并将输入图像序列中的最后一幅雷达回波图像与得到的概率向量相卷积，得到预测的雷达回波外推图像；步骤1包括以下步骤：步骤1‑1，数据预处理：输入训练图像集，对训练图像集中的每一幅图像进行规范化处理，将每一幅图像转化为280×280的浮点数图像，得到浮点数图像集合，对浮点数图像集合进行划分，构造包含TrainsetSize组样本的训练样本集；步骤1‑2，初始化动态卷积神经网络：设计动态卷积神经网络结构，构造用于生成概率向量的子网络，再构造用于图像外推的概率预测层，为离线神经网络训练阶段提供动态卷积神经网络初始化模型；步骤1‑3，初始化动态卷积神经网络训练参数：令网络学习率λ＝0.0001，训练阶段每次输入的样本数量BatchSize＝10，训练样本集的最大批训练次数当前批训练次数BatchNum＝1，网络训练的最大迭代次数IterationMax＝40，当前迭代次数IterationNum＝1；步骤1‑4，读取训练样本：采用批训练的方式，每次训练从步骤1‑1获得的训练样本集中读取BatchSize组训练样本，每组训练样本为{x1,x2,x3,x4,y}，共包含5幅图像，其中{x1,x2,x3,x4}作为输入图像序列，y为对应的对照标签；步骤1‑5，前向传播：在子网络中提取步骤1‑4获得的输入图像序列特征，得到水平概率向量HPV和垂直概率向量VPV；在概率预测层中，将输入图像序列中的最后一幅图像依次与VPV、HPV相卷积，得到前向传播的输出预测图像；步骤1‑6，反向传播：在概率预测层中反向求得概率向量的误差项，根据概率向量的误差项从后至前逐层计算子网络层中各个网络层的误差项，进而计算各个网络层中误差项对权值参数和偏置参数的梯度，利用得到的梯度更新动态卷积神经网络的参数；步骤1‑7，离线训练阶段控制：对离线神经网络训练阶段进行整体控制，分为以下三种情况：若训练样本集中仍存在未使用过的训练样本，即BatchNum＜BatchMax，则返回步骤1‑4继续读取BatchSize组训练样本，进行网络训练；若训练样本集中不存在未使用过的训练样本，即BatchNum＝BatchMax，且当前网络迭代次数小于最大迭代次数，即IterationNum＜IterationMax，则令BatchNum＝1，返回步骤1‑4继续读取BatchSize组训练样本，进行网络训练；若训练样本集中不存在未使用过的训练样本，即BatchNum＝BatchMax，且网络迭代次数达到最大迭代次数，即IterationNum＝IterationMax，则结束离线神经网络训练阶段，得到训练好的动态卷积神经网络模型。