[发明专利]一种基于深度神经网络的空间目标尺寸估计方法

摘要

本发明公开了一种基于深度神经网络的空间目标尺寸估计方法。本发明的方法利用深度神经网络进行预训练，建立空间目标RCS序列和尺寸之间的关系，将未知尺寸信息的空间目标RCS序列输入到训练后的深度神经网络中，最后得到空间目标的尺寸估计结果。与传统的空间目标尺寸估计方法相比，本文方法无须预先通过人工方式建立目标尺寸估计模型，而且利用深度学习机理来自动学习表征目标尺寸与目标RCS数据序列之间的内在关联，提高了空间目标尺寸估计的准确性。

主权项

1.一种基于深度神经网络的空间目标尺寸估计方法，定义空间目标的RCS序列为{rcs₁,rcs₂,rcs₃...,rcs_N}，将空间目标等效为椭球体，对空间目标的尺寸估计等同为估计椭球体短轴和长轴，其特征在于，包括以下步骤：S1、令深度神经网络输入层为空间目标的RCS序列即{rcs₁,rcs₂,rcs₃...,rcs_N}，输出层为空间目标的短轴和长轴即{o₁,o₂}，学习率为η，激励函数为g(x)；其中激励函数g(x)取sigmoid函数，表达式为：S2、计算深度神经网络每一层的输出：a_j¹＝rcs_ja_j^l＝g(∑ω_jk^la_j^l‑1+b_j^l)其中，a_j¹表示输入层的输出值，也就是原始的RCS序列，当2≤l≤M时，a_j^l表示第l^th层中第j^th神经元的输出值，ω_jk^l表示从神经网络第(l‑1)^th层中第k^th神经元到第l^th层中第j^th神经元的连接权重，b_j^l表示第l^th层中第j^th神经元的偏置；将上面的公式改写为矩阵表示：a^l＝g(z^l)＝g(W^la^l‑1+b^l)其中，z^l表示第l^th层未激活前的线性输出；S3、取深度神经网络所有输出层节点的均方误差作为目标函数，即对于每个样本期望最小化下面的公式：使用梯度下降算法进行优化，计算输出层的误差：σ_j^M＝a_j^M(1‑a_j^M)(o_j‑a_j^M)其中，σ_j^M是输出层第j^th神经元的误差项，a_j^M表示输出层第j^th神经元的输出值，o_j表示样本对应于输出层第j^th神经元的目标值；S4、计算当前层所有节点的误差需要先计算与其相连的下一层节点的误差项，然后通过误差反向传播算法，得到隐藏层误差的表达式为：σ_j^l＝a_j^l(1‑a_j^l)W^l+1σ_j^l+1其中，σ_j^l第l^th层中第j^th神经元的误差项，a_j^l表示第l^th层中第j^th神经元的输出值，W^l+1表示第l^th层和第(l+1)^th层的权值所组成的权值矩阵，σ_j^l+1第(l+1)^th层中第j^th神经元的误差项；S5、当获得所有节点的误差项后，根据下面的表达式来更新深度神经网络每一层的权值和偏置：S6、算法收敛后，获得深度神经网络的参数，利用深度神经网络对空间目标尺寸进行估计。