CN107132516B - 一种基于深度置信网络的雷达一维距离像目标识别方法 - Google Patents

Abstract

本发明属于雷达技术领域，具体的说是涉及一种基于深度置信网络的雷达一维距离像目标识别方法。本发明将目标一维距离像的频域特征和子空间特征合并，构成的新特征矢量被作为输入数据对网络进行训练及识别，该合并特征矢量对样本信息进行了扩充有利于提高模型精度。构造的含三层隐含层的深度置信网络，其每一层输入都由前两层的输出并联而成，该结构可以使得学习到的网络参数并不独立依赖于当前层次而是取决于不同层次的特征信息，进一步提高输出特征对原始信息的表达能力，提高了识别率。并以此模型对5类仿真飞机目标一维距离像数据进行了识别测试，正确识别率达到92％。

Description

一种基于深度置信网络的雷达一维距离像目标识别方法

技术领域

本发明属于雷达技术领域，具体的说是涉及一种基于深度置信网络的雷达一维距离像目标识别方法。

背景技术

通过雷达回波数据对目标类别进行判别是远距离目标识别的有效途径之一。其中，雷达一维距离像反映了目标散射中心在雷达视线上的分布，体现了目标的形状结构等物理信息，且可利用高分辨雷达方便的获取，因此被广泛用于雷达目标识别领域。近年来，基于深度学习的识别方法在图像识别领域取得良好的效果。有别于传统的人为设定特征的方式，使用深度模型可从一维距离像中自动学习到有利于分类的目标高阶特征，因此，研究基于深度网络模型的一维像目标识别方法有望进一步提高目标识别率。

发明内容

本发明的目的是，针对雷达目标一维距离像，提供一种新的基于深度置信网络模型的目标识别方法。

本发明的技术方案是：一种基于深度置信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、获取样本数据：

由宽带雷达获取各目标在飞行过程中的一维距离像数据，将获取的一维距离像数据随机分为训练数据集和测试数据集，将训练数据集合记为：

其中，K代表总的目标类别数，N_i为第i类目标的训练样本数，为训练样本集合中总样本数，表示第i类目标的第j幅一维距离像样本，l为一维距离像的维数；设表示样本的类别标签向量，则训练样本标签集合记为

S2、对获得的样本数据进行预处理：

对步骤S1中获得的样本集合X⁽⁰⁾中的每幅一维距离像样本先进行256点的FFT变换并保留变换后的正频率分量，随后将该频域数据进行能量归一化，定义预处理操作后得到样本频域像为，样本频域像集合记为

S3、对样本集进行主成分分析：

对步骤S2中得到的样本频域像将每幅一维像样本投影变换到低维的特征子空间中，得到其投影特征子像p为特征子像维数；

S4、获取融合特征矢量：

用链接层将步骤S2中获得的样本频域像和步骤S3中获得的投影特征子像进行拼接，得到融合特征矢量：

S5、构建深度置信网络：

利用深度学习的方法，使用三个多层受限玻尔兹曼机来构建含三个隐含层的深度置信网络，采用非监督逐层贪婪训练法依次训练网络的每一层，融合特征矢量作为玻尔兹曼机的输入，并在每个玻尔兹曼机的输入层之前增加一个链接层，链接层完成将前两层的输出拼接并构成新的融合特征矢量输入到下一层玻尔兹曼机，获得三个玻尔兹曼机的权值矩阵；

S6、构建一个5层的深度神经网络：

根据步骤S5获得的三个玻尔兹曼机的权值矩阵，经过扩展后获得深度神经网络输入层的权值矩阵初始值，最后一层为一个softmax分类器，softmax分类器层的初始权值随机生成；

S7、根据训练样本标签集合Y，采用梯度下降法对步骤S6构建的深度神经网络参数进行微调，迭代S步后，得到最后的深度网络模型；

S8、采用步骤S7中获得的深度网络模型对输入样本进行目标识别。

本发明总的技术方案，如图2所示，针对一维距离像的数据特点，首先对数据进行时频转换及能量归一化等预处理操作获得样本频域特征作为原始特征；其次对样本数据进行主成分分析，提取样本子空间特征向量；然后利用深度学习的方法，使用三个多层受限玻尔兹曼机(RBM)来构建含三个隐含层的深度置信网络(DBN)，采用非监督逐层贪婪训练法依次训练网络的每一层，其中在每个RBM的输入层之前增加一个链接层，链接层完成将前两层的输出拼接并构成新的融合特征矢量；随后在网络输出层接一层softmax分类器，利用带标签样本数据采用BP算法对这个含三层隐含层的DBN网络进行全局参数微调；最后利用该深度网络对输入样本进行目标识别。

进一步的，所述步骤S3的具体方法为：

S31、根据步骤S2获得的预处理后的样本矩阵计算样本均值：获得样本集的协方差矩阵：

S32、对矩阵C作奇异值分解：C＝UΛV^T，其中U和V分别为左、右奇异矩阵；Λ为奇异值对角矩阵，其对角元素按从大到小的顺序排列λ₁≥λ₂≥...λ_k；

S33、取Λ中前p个较大奇异值对应的p列左奇异向量构成特征子空间投影矩阵：

A_eig＝[u₁u₂…u_p]

其中，p值的确定方式是取前p个特征值之和占全体特征值总和的比例大于设定的门限Φ，即：

S34、获取某一维像样本投影到特征子空间中，得到其投影特征子像为：

进一步的，所述步骤S5的具体方法为：

S51、构造第一个受限玻尔兹曼机，记为RBM1；其输入是步骤S4中获得的样本融合特征矢量即RBM1的可视层结点数为v1＝128+p；RBM1的隐藏层结点数为h1，以隐层各结点激活值作为RBM1的输出，记为

S52、用链接层将步骤S51中RBM1的输出与步骤S4中得到的融合特征矢量进行拼接，得到新的特征矢量：

S53、构造第二个受限玻尔兹曼机，记为RBM2；其输入是步骤S52中得到的拼接后特征矢量即RBM2的可视层结点数为v2＝v1+h1；RBM2的隐藏层结点数为h2，以隐层各结点激活值作为RBM2的输出，记为

S54、用链接层将步骤S53中RBM2的输出与步骤S51中获得的RBM1的输出进行拼接，得到新的特征矢量：

S55、构造第三个受限玻尔兹曼机，记为RBM3；其输入步骤S54中拼接后特征矢量即RBM3的可视层结点数为v3＝h1+h2；RBM3的隐藏层结点数为h3，以隐层各结点激活值作为RBM3的输出，记为

S56、采用吉布斯采样方法依次对步骤S51、S53、S55中构造的三个受限玻尔兹曼机进行参数训练，得到三个RBM的权值矩阵分别为

进一步的，所述步骤S6的具体方法为：

构造一个5层的深度神经网络，其中最后一层为一个softmax分类器，设置网络从输入层到输出层的各层结点数目分别为：v1、v2、v3、h3、K；前三层网络的权值矩阵初始值 分别由矩阵扩展后得到，第三层到第四层的权值初值为softmax分类器层的初始权值随机生成。

进一步的，所述v1＝132，h1＝100；v2＝232，h2＝100；v3＝200，h3＝100。

进一步的，所述步骤S6中前三层网络的权值矩阵初始值的扩展方式为：

其中，为E_n代表一个n×n维的单位矩阵，0_m×n代表一个m×n的零矩阵。

本发明的有益效果是：本发明将目标一维距离像的频域特征和子空间特征合并，构成的新特征矢量被作为输入数据对网络进行训练及识别，该合并特征矢量对样本信息进行了扩充有利于提高模型精度。构造的含三层隐含层的深度置信网络，其每一层输入都由前两层的输出并联而成，该结构可以使得学习到的网络参数并不独立依赖于当前层次而是取决于不同层次的特征信息，进一步提高输出特征对原始信息的表达能力，提高了识别率。并以此模型对5类仿真飞机目标一维距离像数据进行了识别测试，正确识别率达到92％。

附图说明

图1为深度置信网络的网络模型结构示意图；

图2为基于深度置信网络的雷达一维距离像目标识别流程图。

具体实施方式

下面结合附图及实施例，详细描述本发明的技术方案：

实施例

利用雷达目标后向散射仿真软件产生5类飞机目标的一维距离像仿真数据。5类目标分别为：An-26、B-1B、B-52、F-15、Tu-16。对每类目标按姿态角0.01度为间隔，从0度到180度共产生18000幅一维像数据，每1度范围的100幅像中随机取70幅用于构成训练数据集，其余30幅构成测试数据集，每幅像的维数为320。

对训练集中的每幅像先进行256点的FFT变换并保留变换后的正频率分量(128维)，随后将该128维的频域数据进行能量归一化，该预处理操作后得到样本频域像记为：用表示样本的类别标签向量。例如，样本的类别标签向量为y_3j＝[00100]。则训练样本标签集合记为

对训练数据集进行预处理后的样本矩阵为：其中，K＝5，N_k＝12600。

计算训练样本均值：样本协方差矩阵：N＝12600×5＝63000。

对矩阵C作奇异值分解：C＝UΛV^T，其中U和V分别为左、右奇异矩阵；Λ为奇异值对角矩阵，其对角元素按从大到小的顺序排列λ₁≥λ₂≥...λ_k。

确定子空间维数p：本数据集运算后子空间维数确定为p＝4，取U矩阵中前p列向量构成特征子空间投影矩阵：A_eig＝[u₁u₂…u_p]。

计算训练集中每幅频域像在特征子空间的投影特征子像为：

将样本频域像和投影特征子像进行拼接，得到融合特征矢量：

如图1所示，构造第一个受限玻尔兹曼机，记为RBM1。可视层结点数为v1＝132，隐藏层结点数为h1＝100，其输入是样本融合特征矢量隐层各结点激活值输出记为

将RBM1的输出与融合特征矢量进行拼接，得到新的特征矢量：

构造第二个受限玻尔兹曼机，记为RBM2。可视层结点数为v2＝v1+h1＝232，隐藏层结点数为h2＝100，其输入是拼接后特征矢量隐层各结点激活值输出记为

将RBM2的输出与RBM1的输出进行拼接，得到新的特征矢量：

构造第三个受限玻尔兹曼机，记为RBM3。可视层结点数为v3＝h1+h2＝200，隐藏层结点数为h3＝100，其输入是拼接后特征矢量隐层各结点激活值输出记为

使用matlab DeepLearnToolbox工具箱中的dbntrain.m函数采用吉布斯采样方法依次对RBM1、RBM2、RBM3三个受限玻尔兹曼机进行参数训练，得到三个RBM的权值矩阵分别为

构造一个5层的深度神经网络DNN，其中最后一层为一个softmax分类器。设置网络从输入层到输出层的各层结点数目分别为：v1＝132、v2＝232、v3＝200、h3＝100、K＝5。第一层到第二层之间的网络权值矩阵初始化为：

第二层到第三层之间的网络权值矩阵初始化为：

第三层到第四层之间的网络权值矩阵初始化为：其中，E_132×132代表132维的单位矩阵，E_100×100代表100维的单位矩阵，0_100×132代表100行132列的零矩阵。最后一层softmax分类器层的初始权值随机生成。

根据训练样本的类别标签Y，使用matlab DeepLearnToolbox工具箱中的nntrain.m函数采用梯度下降法对该5层的DNN网络参数进行微调，迭代S＝200步后，得到最后的网络模型。

对测试集合中的某待测试一维像数据对其进行时频变换和归一化等预处理操作，得到频域像z⁽¹⁾。

通过特征子空间投影变换得到测试样本的特征子像：

将频域像与特征子像拼接得到测试样本的融合特征矢量：z⁽³⁾＝[z⁽¹⁾,z⁽²⁾]^T。

将融合特征矢量z⁽³⁾作为DNN网络的输入，使用matlab DeepLearnToolbox工具箱中的nnpredict.m函数对输入数据进行前向预测，得到输出层矢量为r＝[r₁,r₂,...,r_K]^T，则预测待识别样本的类别号为即输出层的K个神经元输出值中最大值对应的类别。

采用仿真数据验证本发明的基于深度置信网络的一维像目标识别方法的正确识别率。仿真产生了5类飞机目标在不同姿态角度下的一维距离像数据，将仿真数据按7：3的比例随机分为了训练数据集和测试数据集。则对测试数据集中的各样本进行识别，5类目标的平均正确识别率为92％。

Claims (6)

1.一种基于深度置信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、获取样本数据：

由宽带雷达获取各目标在飞行过程中的一维距离像数据，将获取的一维距离像数据随机分为训练数据集和测试数据集，将训练数据集合记为：

其中，K代表总的目标类别数，N_i为第i类目标的训练样本数，为训练样本集合中总样本数，表示第i类目标的第j幅一维距离像样本，l为一维距离像的维数；设表示样本的类别标签向量，则训练样本标签集合记为

S2、对获得的样本数据进行预处理：

对步骤S1中获得的样本集合X⁽⁰⁾中的每幅一维距离像样本先进行256点的FFT变换并保留变换后的正频率分量，随后将该频域数据进行能量归一化，定义预处理操作后得到样本频域像为，样本频域像集合记为

S3、对样本集进行主成分分析：

对步骤S2中得到的样本频域像将每幅一维像样本投影变换到低维的特征子空间中，得到其投影特征子像p为特征子像维数；

S4、获取融合特征矢量：

用链接层将步骤S2中获得的样本频域像和步骤S3中获得的投影特征子像进行拼接，得到融合特征矢量：

S5、构建深度置信网络：

利用深度学习的方法，使用三个多层受限玻尔兹曼机来构建含三个隐含层的深度置信网络，采用非监督逐层贪婪训练法依次训练网络的每一层，步骤S4得到的样本融合特征矢量作为第一个玻尔兹曼机的输入，并在后两个玻尔兹曼机的输入层之前增加一个链接层，链接层完成将前两层的输出拼接并构成新的融合特征矢量输入到下一层玻尔兹曼机，获得三个玻尔兹曼机的权值矩阵；

S6、构建一个5层的深度神经网络：

根据步骤S5获得的三个玻尔兹曼机的权值矩阵，经过扩展后获得深度神经网络输入层的权值矩阵初始值，最后一层为一个softmax分类器，softmax分类器层的初始权值随机生成；

S7、根据训练样本标签集合Y，采用梯度下降法对步骤S6构建的深度神经网络参数进行微调，迭代S步后，得到最后的深度网络模型；

S8、采用步骤S7中获得的深度网络模型对输入样本进行目标识别。

2.根据权利要求1所述的一种基于深度置信网络的雷达一维距离像目标识别方法，其特征在于，所述步骤S3的具体方法为：

S31、根据步骤S2获得的预处理后的样本矩阵计算样本均值：获得样本集的协方差矩阵：

S32、对矩阵C作奇异值分解：C＝UΛV^T，其中U和V分别为左、右奇异矩阵；Λ为奇异值对角矩阵，其对角元素按从大到小的顺序排列λ₁≥λ₂≥...λ_k；

S33、取Λ中前p个较大奇异值对应的p列左奇异向量构成特征子空间投影矩阵：

A_eig＝[u₁ u₂ … u_p]

其中，p值的确定方式是取前p个特征值之和占全体特征值总和的比例大于设定的门限Φ，即：

S34、获取某一维像样本投影到特征子空间中，得到其投影特征子像为：

3.根据权利要求2所述的一种基于深度置信网络的雷达一维距离像目标识别方法，其特征在于，所述步骤S5的具体方法为：

S51、构造第一个受限玻尔兹曼机，记为RBM1；其输入是步骤S4中获得的样本融合特征矢量即RBM1的可视层结点数为v1＝128+p；RBM1的隐藏层结点数为h1，以隐层各结点激活值作为RBM1的输出，记为

S52、用链接层将步骤S51中RBM1的输出与步骤S4中得到的融合特征矢量进行拼接，得到新的特征矢量：

S53、构造第二个受限玻尔兹曼机，记为RBM2；其输入是步骤S52中得到的拼接后特征矢量即RBM2的可视层结点数为v2＝v1+h1；RBM2的隐藏层结点数为h2，以隐层各结点激活值作为RBM2的输出，记为

S54、用链接层将步骤S53中RBM2的输出与步骤S51中获得的RBM1的输出进行拼接，得到新的特征矢量：

S55、构造第三个受限玻尔兹曼机，记为RBM3；其输入步骤S54中拼接后特征矢量即RBM3的可视层结点数为v3＝h1+h2；RBM3的隐藏层结点数为h3，以隐层各结点激活值作为RBM3的输出，记为

S56、采用吉布斯采样方法依次对步骤S51、S53、S55中构造的三个受限玻尔兹曼机进行参数训练，得到三个RBM的权值矩阵分别为

4.根据权利要求3所述的一种基于深度置信网络的雷达一维距离像目标识别方法，其特征在于，所述步骤S6的具体方法为：

构造一个5层的深度神经网络，其中最后一层为一个softmax分类器，设置网络从输入层到输出层的各层结点数目分别为：v1、v2、v3、h3、K；前三层网络的权值矩阵初始值分别由矩阵扩展后得到，第三层到第四层的权值初值为softmax分类器层的初始权值随机生成。

5.根据权利要求4所述的一种基于深度置信网络的雷达一维距离像目标识别方法，其特征在于，所述v1＝132，h1＝100；v2＝232，h2＝100；v3＝200，h3＝100。

6.根据权利要求5所述的一种基于深度置信网络的雷达一维距离像目标识别方法，其特征在于，所述步骤S6中前三层网络的权值矩阵初始值的扩展方式为：

其中，为E_n代表一个n×n维的单位矩阵，0_m×n代表一个m×n的零矩阵。