[发明专利]一种基于粒子群优化深度学习特征选择的一维像识别方法

摘要

本发明属于雷达目标识别技术领域，具体涉及一种基于粒子群优化深度学习特征选择的一维像识别方法。本发明的方法首先使用深度信念网络(DBN)学习到原始高维数据的内部特征，进一步结合粒子群优化(PSO)算法，实现对特征的选择和优化，解决深度学习网络特征维数过高的问题，减少冗余特征对后续分类器的影响，改善了对目标的识别率。

主权项

1.一种基于粒子群优化深度学习特征选择的一维像识别方法，其特征在于，包括以下步骤：S1、采用深度信念网络DBN提取雷达一维距离像的特征，获得高维特征数据；S2、基于粒子群优化算法，对获得的高维特征数据进行优化，具体为：S21、初始化粒子群：将DBN提取的高维特征数据的优化空间作为粒子群优化PSO的搜索空间，种群数量设置为10，即随机初始化10个粒子，每个粒子为一个DBN特征数据的子集，大小为N,且每个粒子互不相同，初始化每个粒子的位置和速度；S22、计算粒子的适应度值：将每一个粒子带入BP神经网络中，以测试集来测试粒子的分类正确率，用分类正确率作为粒子的适应度值；S23、对每个粒子，用它的适应度值和个体极值比较，如果适应度值>个体极值，则用适应度值代替个体极值，个体极值为粒子在最优位置对应的适应度值；S24、对每个粒子，用它的适应度值和全局极值比较，如果适应度值>全局极值，则用适应度值代替全局极值，全局极值为个体极值中的最优解；S25、采用惯性权重与惯性速度来更新粒子的速度与位置V_id＝ωV_id+C₁random(0,1)(P_id‑X_id)+C₂random(0,1)(P_gd‑X_id)X_id＝X_id+V_id其中，ω为惯性因子，C₁和C₂为加速常数，下标i和d分别表示粒子和维度的序号；V_id和X_id分别表示粒子i在d维上的速度和位置；P_id表示粒子i个体极值的第d维；P_gd表示全局最优解的第d维；random(0,1)为在区间(0,1)之间的一个随机数；S26、终止条件为达到预先设置的迭代最大次数，否则返回步骤S22。