[发明专利]基于高斯混合和张量循环神经网络的雷达目标识别方法

摘要

本发明公开了一种基于高斯混合模型和张量循环神经网络模型的雷达目标识别方法，主要解决现有技术无法有效对目标区域和噪声区域进行划分，且无法有效利用HRRP数据内部时序相关性的问题，其方案是：获取雷达高分辨距离像HRRP数据，并对其进行预处理；使用预处理后的数据迭代的训练高斯混合模型和循环神经网络模型参数，获得训练好的混合模型。对于测试数据，使用混合模型确定其聚类类别，再使用混合模型中的张量循环神经网络进行特征提取与分类。本发明能自动确定HRRP数据中的目标区域，有效的对目标进行特征提取，自动地对目标区域和噪声区域做划分，有效提高目标的识别准确率。可用于各类雷达对目标的高分辨距离像HRRP进行识别。

主权项

1.一种基于高斯混合和张量循环神经网络的雷达目标识别方法，其特征在于，包括如下：(1)获取雷达高分辨距离像HRRP数据，该HRRP数据包括N个距离像s以及N个距离像中各距离像对应的类别标识y；将述N个距离像中的每个距离像作为一个样本，将各距离像对应的类别标识作为样本的类别标识，得到N个样本及其类别标识，N为正整数；(2)对N个样本分别进行重心对齐、能量归一和滑窗的预处理，得到N个预处理后的包含多个时刻的样本序列x＝[x₁,x₂,...,x_t,...,x_T]，其中x_t是样本的第t个时刻的序列段，t＝1,2,...,T，T表示经过滑窗操作后序列的长度；(3)对于(2)中经过滑窗预处理的样本序列x及对应的(1)中的类别标识y，随机选取80％作为训练样本集tr，剩余20％作为测试样本集te；(4)设置高斯混合模型的参数，构造张量循环神经网络模型：(4a)记高斯混合模型中混合元素的个数为K，高斯混合模型中K个权重系数为π_i，均值向量为μ_i，精度矩阵为diag(λ_i)，该diag(λ_i)为以精度向量λ_i＝[λ_i1,λ_i2,...,λ_ij,...,λ_id]为主对角线，其余元素为0的矩阵，λ_ij是随机变量第j维的方差的倒数，i＝1,2,...,K，j＝1,2,...d，d是滑窗的窗长；(4b)设张量循环神经网络模型是权为三维张量的循环神经网络，其包括输入层‑隐层的权张量W_xh、隐层‑隐层的权张量W_hh和隐层‑输出层的权张量W_hy，其中W_xh∈R^K*d*H，W_hh∈R^K*H*H，W_hy∈R^K*H*Q，K是高斯混合模型中混合元素的个数，d为滑窗的窗长，H为张量循环神经网络隐层的维度，Q是待分类的目标总数；(5)初始化高斯混合模型的权重系数π_i、均值向量μ_i和精度矩阵diag(λ_i)和张量循环神经网络模型的三个权张量W_xh，W_hh，W_hy；(6)利用训练样本集tr，迭代的对高斯混合模型和张量循环神经网络模型进行训练，直到达到最大迭代次数200次，得到训练好的高斯混合模型和张量循环神经网络模型，并分别保存模型的参数；(7)将测试样本集te加载到已训练好的高斯混合模型和张量循环神经网络模型，得到测试样本集te中各测试样本的识别结果。