CN108182450B - 一种基于深度卷积网络的机载探地雷达目标识别方法 - Google Patents

Abstract

本发明公开了一种基于深度卷积网络的机载探地雷达目标识别方法，涉及机器学习、探地雷达应用技术，特别涉及深度学习方法在机载探地雷达目标识别中的应用。该方法包括以下步骤：对雷达数据的采集与预处理，神经网络各层结构设计，超参数的选择，过拟合预防，激活函数，卷积模型训练，预测结果展示。本发明利用实现了对机载探地雷达目标的识别，训练过程中可自动提取更新网络的参数，减少处理过程中的人工干预，同时本发明中卷积模型能够提取目标不同层级的二维滤波器特征，这些特征能表示目标，背景，干扰等等特征。此发明能提高机载探地雷达目标信号识别的准确度。

Description

一种基于深度卷积网络的机载探地雷达目标识别方法

技术领域

本发明涉及机器学习、探地雷达应用技术，特别涉及深度学习方法在机载探地雷达目标识别中的应用。

背景技术

探地雷达又称地质雷达，是用频率介于100～4000MHz的高频带电磁波来确定地下介质分布的一种高效地球物理方法。探地雷达的工作方法是通过地面上的发射天线向地下辐射高频电磁波，通过地面上的接收天线接收反射回地面的电磁波。当高频电磁波在地下媒质中传播时，遇到存在电性差异的界面时便会产生反射，因此，可以根据接收电磁波的波形特征、

振幅强弱和走时变化特征等实现对地下媒质的空间位置结构、形态特征和埋藏深度的评价。

机载探地雷达是探地雷达的一种特殊形式，利用飞行器搭载探地雷达系统进行地下考察，可对复杂危险地形环境进行勘探。

目前机载探地雷达的数据处理需要人工确定目标的回波特征，给定相关算法的参数，不仅不能做到实时处理，也耗费大量人力。把数据解释问题当作电磁逆散射问题处理的反演方法也需要极高的建模精度和大量的计算资源，在机载探地雷达复杂的环境下往往达不到期望的效果。

发明内容

本发明的发明目的在于:为了克服现有技术中对机载探地雷达目标识别的不足之处，以达到机载探地雷达目标识别更好实时性，更高精准度，特提供一种基于深度卷积网络的机载探地雷达目标识别方法。

本发明所提出的一种基于深度卷积网络的机载探地雷达目标识别方法能够从数据中自动提取目标特征，可以从原始输入数据中·抽象出高阶特征。训练过程仅需要人工选择若干超参数，不需要过多干预。训练后的网络可实时高效的识别目标，可广泛应用于机载探地雷达数据处理中。本发明分为训练与预测两个部分。训练部分是在可控条件下得到机载探地雷达回波数据，并根据目标位置将样本进行分割并加注标签输入到深度卷积网络训练得到深度模型；预测部分在目标位置未知的情况得到雷达数据，并在上述深度模型上得出预测结果。因而本发明技术方案为一种基于深度卷积网络的机载探地雷达目标识别方法，包括下列步骤：

步骤1：采集训练样本：

步骤101：在应用场地地下掩埋目标物，并记录目标物位置P；目标物位置按照距离飞行器起始点的距离记录；

步骤102：控制搭载探地雷达的飞行器以匀速直线运动经过应用场地，发射电磁信号并记录返回波形；

步骤103：改变目标物位置，重复步骤101，102，得到N组二维雷达数据；

步骤2：训练与测试样本的预处理：

步骤201：根据步骤1所得到的数据，在对应数据上标识目标物中心回波；

所标识的目标物中心回波道数C可由下列公式得到：

其中P为目标物到飞行器起始点距离，v为飞行器运动速度，T为雷达系统波形采集间隔时间；

步骤202：取宽度为W的矩形窗，在每个训练数据上滑动，根据窗到目标物中心回波的距离，对窗加上标签，表征是否有目标；同事满足下面两个公式则对窗加上标签；

|P_s+m|<P

|P_e-m|>P

其中P_s为矩形窗的左边界，P_e为矩形窗的右边界，m为预设临界值，m的值不应超过矩形窗宽度；每次滑窗内的数据为深度卷积网络的输入数据；

步骤3：建立深度卷积网络：

步骤301：所述卷积神经网络深度为M层，其中第1～M-1层的每一层包括卷积层和池化层，第M层为全连接的输出层，输出为分类结果的概率矩阵；训练样本从第一层输入，上一层神经网络的输出作为下一层的输入，所述卷积层卷积核的尺寸小于输入数据的大小，所述池化层为对卷积层输出进行平均值池化处理，取当前池化窗口的局部平均值作为当前窗口的输出，用池化区域的局部平均值代替该区域整体；

步骤4：训练卷积神经网络：

步骤401:设置结束阈值，设置学习率，设置子训练样本集大小；

步骤402:将步骤2对训练数据进行预处理后的数据作为卷积神经网络训练时的输入训练样本，随机初始化各层卷积核初始值，基于深度模型的第M层输出得到每个训练样本的特征向量矩阵X；逐层推算各层卷积参数的误差值δ：第M层卷积层参数的误差值为F-X，期望输出F为预设值；后层的误差由上一层的误差值与卷积核的参数的乘积得到，w_nm代表卷积滤波器第n行第m列参数，其中n＝1,2…,w，m＝1,2…,w，w代表卷积核的大小；用梯度下降法修改卷积核权值来减小误差，卷积层参数的更新公式如下：

其中a表示学习率；

步骤403:计算当前卷积神经网络分类结果的代价函数，即当前分类结果与实际分类结果误差的映射，判断代价函数的改变量是否达到结束阈值，若是，则执行步骤404；否则，则执行步骤402；

步骤404:保存各卷积层参数，得到训练完成的卷积神经网络；

步骤5：将待测试数据输入步骤4所得模型，输出概率矩阵，得到预测结果。

进一步的，所述步骤3中卷积层的卷积运算方法为：

S_i'j′′表示以预设步长1的滑窗方式对输入数据S_ij进行卷积得到对应位置的输出，i代表第i道回波，j代表回波第j个点，w_nm代表卷积滤波器第n行第m列参数；调整w的大小控制卷积核的尺寸；

所述池化层的池化方法为：采用区域的局部平局值代替区域的整体输出：

其中e_ij代表第i道回波，第j个数据值，n为矩阵大小，ave[]表示该矩阵的平均值，e₀为输出值；

所述第M层为全连层，即对M-1层输出的矩阵每个元素进行加权求和，

其中P×Q为第M-1层输出的尺寸，x_i的下标用于标识同一训练样本的不同分类结果所对应的概率，k_nm为第M层的输出层第n行第m列的参数，e_nm为M-1层输出矩阵的第n行第m列的元素。

进一步的，所述步骤3中在每个卷积层后设置激活函数，由激活函数的输出作为池化层的输入，所述激活函数为f(x)＝max(0,x)，表示对于卷积输出的每个元素，取其与0中的最大项作为结果。

进一步的，所述步骤3中在每个卷积层后设置激活函数，由激活函数的输出作为池化层的输入，所述激活函数为softmax函数；

步骤402中额外的对Softmax回归模型参数θ_j(j＝1,2……T)进行迭代更新；

首先基于Softmax回归模型计算每个特征向量矩阵X的类别概率矩阵h_θ(x)：

其中p(y＝t|X,θ)表示预测为某一类别的概率值，向量θ＝(θ₁,θ₂,…,θ_T)，其初始值为随机初始化，y表示类别识别结果，e表示自然底数，

表示关于θ_j的矩阵转置；

当前迭代的N个训练样本表示为：(X⁽¹⁾,y⁽¹⁾),(X⁽²⁾,y⁽²⁾),(X⁽³⁾,y⁽³⁾)...(X^(N),y(N))，其中X⁽ⁱ⁾表示第i个训练样本的特征向量矩阵，该特征向量矩阵由卷积神经网络的最终输出得到，y⁽ⁱ⁾表示对应X(i)的类别标识，即y⁽ⁱ⁾＝1,2,…,T，基于N个(X⁽ⁱ⁾,y⁽ⁱ⁾)计算交叉熵函数：

交叉熵函数：

其中：x⁽ⁱ⁾表示输入样本数据，m表示总样本数；

交叉熵函数的代价函数：

通过梯度下降算法实现J(θ)的最小化；

将

与学习率a的乘积作为回归模型参数修正量：

即在下次迭代时，将上一次的修正量作为当前迭代的回归模型参数。

本发明可带来的效益是：减少机载探地雷达数据处理中的人工成本，并且此训练结束的深度模型可集成到雷达系统中做到实时处理，有较大实用性。

附图说明

图1为深度模型结构示意图。

图2为卷积层原理图。

图3为平均值池化原理图。

图4为二维雷达数据。

图5为目标识别概率曲线。

具体实施方式

一种基于深度卷积网络的机载探地雷达目标识别方法，包括下列步骤：

步骤1：采集训练样本：

本步骤为训练阶段获取数据，为保证结果的可靠性，地形、土壤条件、目标的材料与大小应与获取预测数据时的相关条件接近。

步骤101：在应用场地地下掩埋目标物，并记录目标物位置P；目标物位置按照距离飞行器起始点的距离记录；

步骤102：控制搭载探地雷达的飞行器以匀速直线运动经过应用场地，发射电磁信号并记录返回波形；

此步骤所述探地雷达由源，发射机，发射天线，接收天线，接收机，采集板，数据采集软件构成。在飞行器移动时通过实时采集雷达反射波得到二维雷达数据。

步骤103：改变目标物位置，重复步骤101，102，得到N组二维雷达数据；

步骤2：训练与测试样本的预处理：

步骤201：根据步骤1所得到的数据，在对应数据上标识目标物中心回波；

所标识的目标物中心回波道数C可由下列公式得到：

其中P为目标物到飞行器起始点距离，v为飞行器运动速度，T为雷达系统波形采集间隔时间；

步骤202：取宽度为W的矩形窗，在每个训练数据上滑动，根据窗到目标物中心回波的距离，对窗加上标签，表征是否有目标；同事满足下面两个公式则对窗加上标签；

|P_s+m|<P

|P_e-m|>P

其中P_s为矩形窗的左边界，P_e为矩形窗的右边界，m为预设临界值，m的值不应超过矩形窗宽度；

步骤3：建立深度卷积网络模型：

步骤301：构建由卷积层与池化层级联的卷积神经网络模块，卷积层用于对训练样本数据卷积输出；池化层用于对卷积输出数据进行降维处理，得到神经网络模块的卷积层池化输出，所述降维处理为:对卷积输出进行最大池化处理，取当前池化窗口的最大值作为当前窗口的输出；

步骤302：建立由卷积神经网络模块构成的L层深度神经网络模型，所述的深度神经网络由L-1个卷积神经网络模块构成，该深度神经网络模型的输入在第一层为训练样本，上一层的神经网络模块的输出作为后一层的输入。第L层为全连接的输出层，输出最终用于分类的概率矩阵。

本发明通过多个卷积-池化层对目标特征进行抽象。卷积运算可用公式表示为：

即以预设步长1的滑窗方式对输入数据S_ij进行卷积得到对应位置的输出S_i'j′′，i代表第i道回波，j代表回波第j个点，w_nm代表卷积滤波器第n行第m列参数；调整ω的大小控制卷积核的尺寸。

对每一卷积神经网络模块，其卷积层(卷积滤波器)输出的尺寸为：h01＝(hi-ω)+1，其中h01、hi、ω分别表示输出特征图尺寸、输入特征图尺寸以及卷积滤波器的尺寸。

由于深层的网络模型具有数量较多的卷积层，会产生大量的参数，不仅具有大量的冗余信息影响计算效率，还容易引起神经网络的过拟合。为了加快训练速度，缓解过拟合情况，采用池化的方法。我们采用区域的局部最大值代替区域的整体输出：

这就使网络的鲁棒性增强了，有一定抗扰动的作用。

其中e_ij代表第i道回波，第j个数据值，e_i+nj+n的含义与相通，e₀为输出值。

本发明的激活函数为relu，即对于卷积输出的每个元素，取其与0中的最大项作为结果。引入次激活函数，是为了增加神经网络模型的非线性，模拟生物神经元的非线性特征。在该神经网络模型每个卷积层后设置激活函数。由激活函数的输出作为池化层的输入。

深度模型的底层(第M层)采用全连接输出，即对M-1层输出的矩阵每个元素进行加权求和，

其中P×Q为第M-1层输出的尺寸，x_i的下标用于标识同一训练样本的不同分类结果所对应的概率，k_nm为第M层的输出层第n行第m列的参数，e_nm为M-1层输出矩阵的第n行第m列的元素，将得到的同一训练样本在第M层的分类概率矩阵即[x1x2x3...xp]T，其中p表示每个训练样本需要种类的数量。

步骤4：深度卷积网络的训练

步骤401:设置训练步数n，设置学习率a，设置训练样本批次大小batch_size；

步骤402:从训练样本集中随机选择batch_size个训练样本为子训练样本集，随机初始化各层卷积核初始值，基于深度模型的第M层输出得到每个训练样本的特征向量矩阵X。逐层推算各层卷积参数的误差值δ：第M层卷积层参数的误差值为F-X，期望输出F为预设值；后层的误差由上一层的误差值与卷积核的参数的乘积得到，其中n＝1,2…,ω，m＝1,2…,ω，ω代表卷积核的大小。用梯度下降法修改卷积核权值来减小误差，卷积层参数的更新公式如下

步骤403:通过迭代逐步优化卷积层参数，即重复步骤402n次

若采用softmax激活函数来计算输出层(第M层)数据属于T类目标的分类概率。则在步骤402中，还需要基于特征向量矩阵X对Softmax回归模型参数θ_j(j＝1,2……T)进行迭代更新。

基于Softmax回归模型可得到每个特征向量矩阵X的类别概率矩阵h_θ(x)：

其中向量θ＝(θ₁,θ₂,…,θ_T)，其初始值为随机初始化，y表示类别识别结果，e表示自然底数，

表示关于θ_j的矩阵转置。

当前迭代的N个训练样本表示为：(X⁽¹⁾,y⁽¹⁾),(X⁽²⁾,y⁽²⁾),(X⁽³⁾,y⁽³⁾)...(X^(N),y^(N))，其中X⁽ⁱ⁾表示第i个训练样本的特征向量矩阵(由深度模型的最终输出得到)，y⁽ⁱ⁾表示对应X⁽ⁱ⁾的类别标识，即y⁽ⁱ⁾＝1,2,…,T，基于N个(X⁽ⁱ⁾,y⁽ⁱ⁾)计算交叉熵函数：

交叉熵函数：

交叉熵函数的代价函数：

通过梯度下降算法实现J(θ)的最小化

将

与学习率a的乘积作为回归模型参数修正量：

即在下次迭代时，将上一次的修正量作为当前迭代的回归模型参数；

训练步数，即步骤401中的n应使代价函数不再下降达到最小值。

步骤404:保存各卷积层参数，得到训练完成的深度卷积模型；

步骤5：将待预测数据输入步骤4所得模型，输出概率矩阵，得到预测结果。预测结果由概率曲线图展示。

该概率矩阵分别属于待分类目标的分类概率，目标的识别结果为最大概率对应的类别。

采用如图1所示的网络结构实现本发明，其中共3层卷积层，3层池化层，所述卷积层内置激活函数。卷积层以预设步长1的滑窗方式对输入数据进行卷积得到对应位置的输出，如图2所示池化层对卷积输出进行降维处理:取当前池化窗口的局部平均值作为当前窗口的输出，如图3所示。第7层为全连接的输出层，采用softmax激活函数。

本实施例中，训练样本的数据来源于电子科技大学操场沙坑测试数据。如图4所示，图像中有很大的噪声和条带干扰，通过肉眼并不能直观的判断目标。

通过以目标为中心，由相邻X道回波数据所构成的二维数据，得到大小相同的训练样本，并根据目标类别为每个训练样本设置类别标识符，滑动N次目标中心，得到由N组训练样本构成的训练样本集。

训练集作为输入，输入到神经网络模型第1层卷积层，逐层推算误差值并跟新网络的权值。训练完成后，保存当前网络权值以预测测试样本的识别效果。

基于训练完成的神经网络模型，输入测试样本进行目标识别测试，本实施例中，输出层采用Softmax回归模型计算神经网络输出的待识别数据的分类概率矩阵，取最大概率对应的类别为目标识别结果。针对实测数据集，对孔洞，缝隙等目标的探测，准确率能够达到93.45％的识别率。

雷达回波数据具有很大噪声和条带干扰信号。通过常规的雷达成像处理，如图4所示，人们很难直观，准确地判断该区域井周的情况。经过本专利的处理方法后，如图5所示，图上所示概率曲线可清晰表征目标位置。

以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。

Claims (4)

1.一种基于深度卷积网络的机载探地雷达目标识别方法，包括下列步骤：

步骤1：采集训练样本：

步骤101：在应用场地地下掩埋目标物，并记录目标物位置；目标物位置按照距离飞行器起始点的距离记录；

步骤102：控制搭载探地雷达的飞行器以匀速直线运动经过应用场地，发射电磁信号并记录返回波形；

步骤103：改变目标物位置，重复步骤101，102，得到N组二维雷达数据；

步骤2：训练与测试样本的预处理：

步骤201：根据步骤1所得到的数据，在对应数据上标识目标物中心回波；

所标识的目标物中心回波道数C可由下列公式得到：

其中P为目标物到飞行器起始点距离，v为飞行器运动速度，T为雷达系统波形采集间隔时间；

步骤202：取宽度为W的矩形窗，在每个训练数据上滑动，根据窗到目标物中心回波的距离，对窗加上标签，表征是否有目标；同时满足下面两个公式则对窗加上标签；

|P_s+G|＜P

|P_e-G|＞P

其中P_s为矩形窗的左边界，P_e为矩形窗的右边界，G为预设临界值，G的值不应超过矩形窗宽度；每次滑窗内的数据为深度卷积网络的输入数据；

步骤3：建立深度卷积网络：

步骤301：卷积神经网络深度为M层，其中第1～M-1层的每一层包括卷积层和池化层，第M层为全连接的输出层，输出为分类结果的概率矩阵；训练样本从第一层输入，上一层神经网络的输出作为下一层的输入，所述卷积层卷积核的尺寸小于输入数据的大小，所述池化层为对卷积层输出进行平均值池化处理，取当前池化窗口的局部平均值作为当前窗口的输出，用池化区域的局部平均值代替该区域整体；

步骤4：训练卷积神经网络：

步骤401:设置结束阈值，设置学习率，设置子训练样本集大小；

步骤402:将步骤2对训练数据进行预处理后的数据作为卷积神经网络训练时的输入训练样本，随机初始化各层卷积核初始值，基于深度模型的第M层输出得到每个训练样本的特征向量矩阵X；逐层推算各层卷积参数的误差值δ：第M层卷积层参数的误差值为F-X，期望输出F为预设值；后层的误差由上一层的误差值与卷积核的参数的乘积得到，w_nm代表卷积滤波器第n行第m列参数，其中n＝1,2…,w，m＝1,2…,w，w代表卷积核的大小；用梯度下降法修改卷积核权值来减小误差，卷积层参数的更新公式如下：

其中a表示学习率；

步骤403:计算当前卷积神经网络分类结果的代价函数，即当前分类结果与实际分类结果误差的映射，判断代价函数的改变量是否达到结束阈值，若是，则执行步骤404；否则，则执行步骤402；

步骤404:保存各卷积层参数，得到训练完成的卷积神经网络；

步骤5：将待测试数据输入步骤4所得模型，输出概率矩阵，得到预测结果。

2.如权利要求1所述的一种基于深度卷积网络的机载探地雷达目标识别方法，其特征在于所述步骤3中卷积层的卷积运算方法为：

S_i′j′′表示以预设步长1的滑窗方式对输入数据S_ij进行卷积得到对应位置的输出，i代表第i道回波，j代表回波第j个点，w_nm代表卷积滤波器第n行第m列参数；调整w的大小控制卷积核的尺寸；

所述池化层的池化方法为：采用区域的局部平局值代替区域的整体输出：

其中e_ij代表第i道回波，第j个点数据值，ave[]表示该矩阵的平均值，e₀为输出值；

所述第M层为全连层，即对M-1层输出的矩阵每个元素进行加权求和，

其中H×Q为第M-1层输出的尺寸，x_s的下标用于标识同一训练样本的不同分类结果所对应的概率，k_nm为第M层的输出层第n行第m列的参数，e_nm为M-1层输出矩阵的第n行第m列的元素。

3.如权利要求1所述的一种基于深度卷积网络的机载探地雷达目标识别方法，其特征在于所述步骤3中在每个卷积层后设置激活函数，由激活函数的输出作为池化层的输入，所述激活函数为f(x)＝max(0,x)，表示对于卷积输出的每个元素，取其与0中的最大项作为结果。

4.如权利要求1所述的一种基于深度卷积网络的机载探地雷达目标识别方法，其特征在于所述步骤3中在每个卷积层后设置激活函数，由激活函数的输出作为池化层的输入，所述激活函数为softmax函数；

步骤402中额外的对Softmax回归模型参数θ_j进行迭代更新，其中j＝1,2……R；

首先基于Softmax回归模型计算每个特征向量矩阵X的类别概率矩阵h_θ(x)：

其中p(y＝t|X,θ)表示预测为某一类别的概率值，向量θ＝(θ₁,θ₂,…,θ_R)，其初始值为随机初始化，y表示类别识别结果，e表示自然底数，

表示关于θ_j的矩阵转置；

当前迭代的N个训练样本表示为：(X⁽¹⁾,y⁽¹⁾),(X⁽²⁾,y⁽²⁾),(X⁽³⁾,y⁽³⁾)...(X^(N),y^(N))，其中X⁽ⁱ⁾表示第i个训练样本的特征向量矩阵，该特征向量矩阵由卷积神经网络的最终输出得到，y⁽ⁱ⁾表示对应X⁽ⁱ⁾的类别标识，即y⁽ⁱ⁾＝1,2,…,R，基于N个(X⁽ⁱ⁾,y⁽ⁱ⁾)计算交叉熵函数：

交叉熵函数：

其中：x⁽ⁱ⁾表示输入样本数据，K表示总样本数；

交叉熵函数的代价函数：

通过梯度下降算法实现J(θ)的最小化；

将

与学习率a的乘积作为回归模型参数修正量：

即在下次迭代时，将上一次的修正量作为当前迭代的回归模型参数。

Images