[发明专利]基于双深度神经网络的雷达一维距离像目标识别方法

摘要

本发明属于雷达技术领域，具体的说是涉及一种基于双深度神经网络的雷达一维距离像目标识别方法。本发明的方法首先对目标的一维距离像数据进行随机距离扰动、样本扩展、加噪声等预处理操作，以增强识别系统的鲁棒性；随后结合深度学习理论，提出了具有自适应性学习率的双深度神经网络(DDNN)，对其进行无监督预训练和有监督微调，得到DDNN模型参数；然后利用DDNN对各测试样本进行预识别，得到各样本在两个子网络中的预识别结果；最后根据预识别结果，利用改进的DS证据理论对其进行时空多级决策融合，并得到目标识别结果。

主权项

1.基于双深度神经网络的雷达一维距离像目标识别方法，其特征在于，包括以下步骤：S1、获取数据样本：由高分辨率雷达获取飞行目标的一维距离像数据构成数据集：其中，K表示目标类别总数，M_i代表第i类目标的一维距离像个数，为数据集合中样本总数，表示第i类目标的第j幅一维距离像，样本维数为320；采用1‑of‑K编码方式得到样本的标签矢量为y_ij＝[y_ij(1)，y_ij(2)，...，y_ij(K)]，则表示数据集合D⁽⁰⁾所对应的标签集合；S2、数据样本的预处理：S21、对S1所述数据集D⁽⁰⁾进行样本扩展：将数据集中每个原始样本添加随机距离偏移，即在样本前后端随机插入总共80个0元素，对每个原始样本重复10次添加随机距离偏移的操作，每一幅一维像被扩展为10幅，则得到扩展及随机平移后的数据集合，记为：其中S22、对D⁽¹⁾中的每个样本添加最大信噪比22dB的高斯白噪声，并进行能量归一化，将归一化后的样本集记为：S23、将D⁽²⁾中同类目标的样本按照7:3比例随机划分构成训练集和测试集，记训练集为：其中，K表示目标类别总数，N_i代表训练集中第i类目标的一维距离像数，为训练集中样本总数，表示第i类目标的第j幅一维距离像样本，且维数为400；同理，测试集记为：其中，B_i代表测试集中第i类目标的一维距离像数，为测试集中样本总数，且为数据集样本总数；S3、构建具有自适应学习率的双深度神经网络：根据深度学习理论，基于TensorFlow平台搭建两个结构相同的4层神经子网络，网络包含：输入层、两层隐含层、一个softmax输出层，设置两个子网络的优化目标函数分别为loss1、loss2，两个子网络分别记为DNN‑1、DNN‑2；将S2中所述的样本训练集作为子网络DNN‑1的第一层输入，对网络参数进行无监督的预训练，随后结合样本标签集，对DNN‑1子网络进行有监督微调；使用相同的数据集对子网络DNN‑2进行上述参数训练操作；由子网络DNN‑1和DNN‑2一起构成双深度神经网络DDNN，具体方法为：S31、构建双深度神经网络框架：首先搭建DNN‑1和DNN‑2子系统的结构框架，输入节点数为训练集中一维距离像的维数400，隐藏层节点数分别为h1＝200、h2＝100，输出层为softmax层，节点数为N＝5，前两层的激活函数均设为RELU；S32、构建DDNN的损失函数：设DNN‑1分类器的损失函数为loss1：其中，为均方误差经验损失函数，y_ij为样本x_ij所对应的标签，λξ(x_ij)为正则项，减少过拟合，f(·)为激活函数；设DNN‑2分类器的损失函数记为Loss2：其中，为正交叉熵经验损失函数，y_ij(k)为第k个样本x_ij(k)所对应的标签，ζ为任意正无穷小常数，f(·)为激活函数；S33、对DNN‑1分类器和DNN‑2分类器的初始学习率Rate1、Rate2进行随机初始化；然后按下面公式对其学习率进行迭代变化：Rate1(n+1)＝α₁·Rate1(n)+β₁·|loss1(n)|²Rate2(n+1)＝α₂·Rate2(n)+β₂·|loss2(n)|²其中，α₁、α₂、β₁、β₂确定常数，可以根据实验确定，Rate(n)、loss(n)分别表示系统训练中第n次迭代后的学习率和损失误差值，随机初始化双系统的权重和偏差以及初始学习率Rate1、Rate2；S4、采用步骤S3中的双深度神经网络对测试样本集中的各个样本进行预识别；将各测试样本分别经DNN‑1和DNN‑2子网络进行识别输出，得到其在两个子网络中的输出结果分别记为矢量：S5、对S4中所述各测试样本的预识别结果进行时空多级决策融合：S51、将第i类目标的连续三个时刻的测试样本在两个子网络中的输出结果分别进行时域DS证据融合，所述连续三个时刻记为t、t+1、t+2，得到分别表示子网络DNN‑1、DNN‑2对连续三个样本的时域DS融合输出；S52、将两个子网络的时域DS融合结果进行空域DS融合，空域融合结果记为：p_{it_DS2}；S53、根据该时空DS多级融合输出p_{it_DS2}进行目标识别，则目标判别输出为：即输出时空融合向量p_{it_DS2}里最大分量对应的类别编号。