CN108509989B - 基于高斯选控玻尔兹曼机的hrrp识别方法 - Google Patents

基于高斯选控玻尔兹曼机的hrrp识别方法 Download PDF

Info

Publication number
CN108509989B
CN108509989B CN201810254090.5A CN201810254090A CN108509989B CN 108509989 B CN108509989 B CN 108509989B CN 201810254090 A CN201810254090 A CN 201810254090A CN 108509989 B CN108509989 B CN 108509989B
Authority
CN
China
Prior art keywords
boltzmann machine
gauss
hrrp
task
selection
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810254090.5A
Other languages
English (en)
Other versions
CN108509989A (zh
Inventor
杜兰
李晨
邓盛
孙永光
毛家顺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Xian Cetc Xidian University Radar Technology Collaborative Innovation Research Institute Co Ltd
Original Assignee
Xidian University
Xian Cetc Xidian University Radar Technology Collaborative Innovation Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xidian University, Xian Cetc Xidian University Radar Technology Collaborative Innovation Research Institute Co Ltd filed Critical Xidian University
Priority to CN201810254090.5A priority Critical patent/CN108509989B/zh
Publication of CN108509989A publication Critical patent/CN108509989A/zh
Application granted granted Critical
Publication of CN108509989B publication Critical patent/CN108509989B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Abstract

本发明公开了一种基于高斯选控玻尔兹曼机的HRRP识别方法，主要针对已有HRRP识别方法不足，提出了高斯选控玻尔兹曼机应用于HRRP的噪声稳健识别。其实现步骤是：(1)预处理数据；(2)构建高斯选控玻尔兹曼机网络；(3)初始化网络参数；(4)将预处理后的HRRP训练样本输入高斯选控玻尔兹曼机；(5)对隐藏层和选择因子进行迭代采样；(6)更新可见层；(7)更新网络参数；(8)训练线性SVM分类器，输出识别结果。本发明降低了对HRRP数据噪声先验的依赖性，同时能够有效提取原始数据的有用特征，具有良好的噪声稳健性，并提高了HRRP识别正确率。

Description

基于高斯选控玻尔兹曼机的HRRP识别方法
技术领域
本发明属于通信技术领域，更进一步涉及雷达自动目标识别技术领域中的一种基于高斯选控玻尔兹曼机的高分辨距离像HRRP(High Resolution Range Profiles)识别方法。本发明可以用于对高斯白噪声背景下飞机一维距离像信号进行识别分类。
背景技术
高分辨距离像HRRP是用宽带雷达信号获取的目标散射点子回波在雷达射线上投影的向量和，提供了目标散射点沿距离方向的分布情况，是目标重要的结构特征，对于目标识别和分类具有重要意义。
对于高分辨距离像HRRP识别问题，实际得到的高分辨距离像HRRP数据一般都受到噪声干扰，如何从含噪数据中学得有利于识别的信息是个很重要的研究课题。目前已有的高分辨距离像HRRP噪声稳健识别方法一般是基于统计模型的，通过统计模型对信号进行去噪进而提升识别性能。但这些传统方法一般加入很多先验信息，需要很多人工干预，而先验利用不好会对识别性能产生很大影响，模型缺乏特征自动提取能力。近些年流行的深度学习方法能够自动从数据中学得有用的特征，在实际应用中已经表现出优异的性能。作为深度学习中最常用的一种无监督框架限制玻尔兹曼机RBM(Restricted Boltzmann Machine)模型，限制玻尔兹曼机RBM结构简单、含义明确，可以描述很多实际问题并进行有效建模。
西安电子科技大学在其申请的专利文献“基于噪声先验的独立高斯模型的雷达目标稳健识别方法”(专利申请号CN201210131042.X，公开号CN102628939A)中提出了一种基于噪声先验的高分辨距离像HRRP识别方法。该方法的实现过程是：对雷达高分辨距离像HRRP做预处理；对预处理之后的数据取模获得其时域特征；确定训练目标高分辨距离像HRRP每一帧的独立高斯模型的均值和方差；将测试目标高分辨距离像HRRP的开始50个距离单元和最后50个距离单元确定为非信号支撑区部分，统计非信号支撑区中噪声的方差；确定训练目标高分辨距离像HRRP每一帧的独立高斯模型的均值和协方差的修正值；计算雷达测试目标高分辨距离像HRRP对各雷达训练目标的后验概率值；最后确定雷达测试目标高分辨距离像HRRP的类别属性。该方法利用测试目标高分辨距离像HRRP中的噪声先验来改进雷达自动目标识别性能，在测试高分辨距离像HRRP信噪比不高的情况下识别性能得到提高。但是，该方法仍然存在的不足之处是，该方法将测试目标高分辨距离像HRRP的开始50个距离单元和最后50个距离单元确定为非信号支撑区部分，以此来计算非支撑区噪声方差进而估计信噪比，而在实际工程领域中的高分辨距离像HRRP的非支撑区范围并不固定，采用该方法测试的高分辨距离像HRRP信噪比存在误差，进而测试的高分辨距离像HRRP对训练目标的后验概率值也存在误差，该方法取后验概率最大的目标类别作为最后识别结果，采用该方法的高分辨距离像HRRP噪声稳健识别性能对非信号支撑区部分的选取有较高的依赖性。
电子科技大学在其申请的专利文献“一种基于深度置信网络的雷达一维距离像目标识别方法”(专利申请号CN201710346971.5，公开号CN107132516A)中提出一种基于深度置信网络的高分辨距离像HRRP识别方法。该方法使用三个多层限制玻尔兹曼机RBM来构建包含三个隐含层的深度置信网络，通过非监督贪婪逐层训练法依次训练网络的每一层，在网络输出层接一层softmax分类器，利用带标签样本数据采用反向传播算法对深度置信网络进行全局参数微调，最后利用该深度网络对高分辨距离像HRRP进行目标识别。该方法存在的不足之处是，针对高分辨距离像HRRP噪声稳健识别问题，高分辨距离像HRRP数据只有支撑区包含对分类有用的信息，而限制玻尔兹曼机RBM虽然能学到目标支撑区信息，但同时也会对非支撑区的噪声进行特征提取，因此限制玻尔兹曼机RBM方法不能区分有用特征和无用特征，提取的无用特征会干扰目标识别。
发明内容
本发明的目的在于针对上述现有技术存在的不足，提出一种基于高斯选控玻尔兹曼机的高分辨距离像HRRP识别方法。
实现本发明目的的思路是，在传统RBM基础上进行改进，在特征提取的同时引入了特征选择，进而自动提取到高分辨距离像HRRP数据的支撑区对应的特征进行分类，消除了无用特征、冗余特征在分类中的负面影响，充分利用了高分辨距离像HRRP的有用信息。同时本发明避免了对测试目标高分辨距离像HRRP的信噪比进行估计，有效的提高了高分辨距离像HRRP识别方法的噪声稳健性。
本发明的具体步骤如下：
(1)预处理数据。
(1a)对雷达接收的飞机的目标高分辨距离像HRRP训练样本进行预处理,得到预处理后的高分辨距离像HRRP训练样本。
(1b)对雷达接收的飞机的目标高分辨距离像HRRP测试样本进行预处理，得到预处理后的高分辨距离像HRRP测试样本。
(2)构建高斯选控玻尔兹曼机网络。
搭建一个可见层和隐藏层全连接的2层高斯选控玻尔兹曼机网络，并设置网络参数。
(3)初始化网络参数：
(3a)用两组随机数分别初始化可见层与任务相关隐藏层以及可见层与任务无关隐藏层的权重。
(3b)用零向量初始化可见层、任务相关隐藏层、任务无关隐藏层的偏置向量。
(3c)用全1向量初始化任务相关选择因子,用全0向量初始化任务无关选择因子。
(4)将预处理后的高分辨距离像HRRP训练样本输入高斯选控玻尔兹曼机。
(5)对隐藏层和选择因子进行迭代采样。
(5a)固定选择因子，按照条件概率公式，对高斯选控玻尔兹曼机的任务相关隐藏层节点进行采样。
(5b)固定选择因子，按照条件概率公式，对高斯选控玻尔兹曼机的任务无关隐藏层节点进行采样。
(5c)固定隐藏层，按照条件概率公式，计算高斯选控玻尔兹曼机的任务相关选择因子为1的概率。
(5d)固定隐藏层，按照概率公式，计算高斯选控玻尔兹曼机的任务无关选择因子为1的概率。
(5e)判断对隐藏层和选择因子迭代采样的次数是否达到25次，若是，则执行步骤(6)；否则，执行步骤(5)。
(6)按照下式，更新高斯选控玻尔兹曼机的可见层节点：
Figure BDA0001608555940000041
其中，vi表示高斯选控玻尔兹曼机的可见层中第i个节点。
(7)判断高斯选控玻尔兹曼机的可见层更新次数是否达到10次，若是，则执行步骤(8)；否则，执行步骤(5)。
(8)更新高斯选控玻尔兹曼机的权重以及偏置向量。
(9)判断高斯选控玻尔兹曼机的权重以及偏置向量的更新次数是否达到200次，若是，高斯选控玻尔兹曼机训练完成，执行步骤(10)；否则，执行步骤(5)。
(10)训练线性SVM分类器。
(10a)将预处理后的高分辨距离像HRRP训练样本输入训练后的高斯选控玻尔兹曼机网络，得到训练样本的任务相关隐藏层特征。
(10b)将训练样本的任务相关隐藏层特征训练线性SVM分类器。
(10c)将预处理后的高分辨距离像HRRP测试样本输入训练后的高斯选控玻尔兹曼机网络，得到测试样本的任务相关隐藏层特征。
(10d)将测试样本的任务相关隐藏层特征输入训练好的线性SVM分类器进行分类，得到高分辨距离像HRRP噪声稳健识别结果。
本发明与现有的技术相比具有以下优点：
第一，由于本发明采用高斯选控玻尔兹曼机训练预处理后的高分辨距离像HRRP样本，将隐藏层分为任务相关隐藏层和任务无关隐藏层并通过选择因子来对原始输入进行特征选择，克服了现有技术采用玻尔兹曼机等深度学习方法对识别目标缺乏特征选择的不足，使本发明具有消除无关特征影响，噪声稳健识别率高的优点。
第二，由于本发明采用高斯选控玻尔兹曼机自动提取特征训练线性SVM分类器，克服了现有技术采用噪声先验来改进识别性能方法依赖对测试数据的信噪比进行估计，不能普遍使用的不足，使得本发明具有对高分辨距离像HRRP噪声稳健识别普遍适用，噪声稳健识别率高的优点。
附图说明
图1是本发明的流程图；
图2是本发明的仿真图。
具体实施方式
下面结合附图对本发明作进一步的描述。
参照附图1，对本发明的实现步骤作进一步的描述。
步骤1，预处理数据。
对雷达接收的飞机的目标高分辨距离像HRRP训练样本和测试样本进行预处理,得到预处理后的高分辨距离像HRRP训练样本和测试样本。
对高分辨距离像HRRP样本进行预处理可以克服高分辨距离像HRRP样本平移敏感性和强度敏感性带来的识别困难，便于后续高斯选控玻尔兹曼机网络的训练。
预处理数据的具体步骤如下：
第1步，按照下式，对雷达接收的飞机目标高分辨距离像HRRP的每个训练样本进行取模：
Figure BDA0001608555940000051
其中，Xm表示一维向量组成的第m个高分辨距离像HRRP取模后的训练样本，
Figure BDA0001608555940000052
表示开根号操作，
Figure BDA0001608555940000053
表示第m个高分辨距离像HRRP训练样本的实数部分，
Figure BDA0001608555940000054
表示第m个高分辨距离像HRRP训练样本的虚数部分。
第2步，按照下式，计算每个高分辨距离像HRRP取模后的训练样本的重心：
Figure BDA0001608555940000055
其中，cm表示第m个高分辨距离像HRRP取模后训练样本的重心，H表示高分辨距离像HRRP训练样本的维度，H＝256，∑表示求和操作，·表示相乘操作，，Xm(a)表示一维向量Xm的第a个元素。
第3步，按照下式，对每个高分辨距离像HRRP取模后的训练样本重心进行对齐操作：
Figure BDA0001608555940000061
其中，Ds表示第s个高分辨距离像HRRP对齐后的训练样本，circshift表示右循环移位操作，Xs表示第s个高分辨距离像HRRP取模后的训练样本，ceil表示向上取整操作。
第4步，按照下式，对每个高分辨距离像HRRP对齐后的训练样本进行最大值归一化操作，得到预处理后的高分辨距离像HRRP的训练样本：
Figure BDA0001608555940000062
其中，
Figure BDA0001608555940000063
表示对第t个高分辨距离像HRRP对齐后训练样本最大值归一化得到的预处理后的高分辨距离像HRRP训练样本，Dt表示第t个高分辨距离像HRRP对齐后的训练样本，min表示取最小值操作，max表示取最大值操作。
步骤2，构建高斯选控玻尔兹曼机网络。
搭建一个可见层和隐藏层全连接的2层高斯选控玻尔兹曼机网络，并设置网络参数如下：
设置可见层节点数为256，任务相关隐藏层节点数为500，任务无关隐藏层节点数为500，可见层节点标准差为0.15。
步骤3，初始化网络参数。
所述初始化网络参数的具体步骤如下：
第1步，用从均值为0、方差为0.02的高斯分布中，连续采样两次得到的两组随机数分别初始化可见层与任务相关隐藏层以及可见层与任务无关隐藏层的权重。
第2步，用零向量初始化可见层、任务相关隐藏层、任务无关隐藏层的偏置向量。
第3步，用全1向量初始化任务相关选择因子，用全0向量初始化任务无关选择因子。
步骤4，将预处理后的高分辨距离像HRRP训练样本输入高斯选控玻尔兹曼机。
步骤5，对隐藏层和选择因子进行迭代采样。
这一步骤是在已知可见层的情况下，通过迭代Gibbs采样得到符合高斯选控玻尔兹曼机模型所定义分布的隐藏层和选择因子的随机样本，相当于网络对输入的编码过程。
对隐藏层和选择因子进行迭代采样的具体步骤如下：
第1步，固定选择因子，按照下式，对高斯选控玻尔兹曼机的任务相关隐藏层节点进行采样：
Figure BDA0001608555940000071
其中，
Figure BDA0001608555940000072
表示高斯选控玻尔兹曼机的任务相关隐藏层中第j个节点，～表示采样操作，z0表示选择因子输入(第一次采用初始化的选择因子，之后采用上一次迭代更新的选择因子)，v0表示可见层输入(第一次采用预处理后的高分辨距离像HRRP训练样本，之后采用上一次迭代更新的可见层)，
Figure BDA0001608555940000073
表示高斯选控玻尔兹曼机的可见层v为v0与选择因子z为z0时高斯选控玻尔兹曼机的任务相关隐藏层中第j个节点输出为1的概率，e表示以自然常数为底的指数操作，I表示高斯选控玻尔兹曼机的可见层节点个数，
Figure BDA0001608555940000074
表示高斯选控玻尔兹曼机的可见层中第i个节点的任务相关选择因子，vi表示高斯选控玻尔兹曼机的可见层中第i个节点，σi表示高斯选控玻尔兹曼机的可见层中第i个节点的标准差，
Figure BDA0001608555940000075
表示高斯选控玻尔兹曼机的可见层中第i个节点与任务相关隐藏层节中第j个节点的权重，
Figure BDA0001608555940000076
表示高斯选控玻尔兹曼机的任务相关隐藏层中第j个节点的偏置向量。
第2步，固定选择因子，按照下式，对高斯选控玻尔兹曼机的任务无关隐藏层节点进行采样：
Figure BDA0001608555940000077
其中，
Figure BDA0001608555940000078
表示高斯选控玻尔兹曼机的任务无关隐藏层中第k个节点，
Figure BDA0001608555940000081
表示高斯选控玻尔兹曼机的可见层v为v0与选择因子z为z0时高斯选控玻尔兹曼机的任务无关隐藏层中第k个节点为1的概率，
Figure BDA0001608555940000082
表示高斯选控玻尔兹曼机的可见层中第i个节点的任务无关选择因子，
Figure BDA0001608555940000083
表示高斯选控玻尔兹曼机的可见层中第i个节点与高斯选控玻尔兹曼机的任务无关隐藏层中第k个节点的权重，
Figure BDA0001608555940000084
表示高斯选控玻尔兹曼机任务无关隐藏层中第k个节点的偏置向量。
第3步，固定隐藏层，按照下式，计算高斯选控玻尔兹曼机的任务相关选择因子为1的概率：
Figure BDA0001608555940000085
其中，
Figure BDA0001608555940000086
表示高斯选控玻尔兹曼机的可见层中第i个节点的任务相关选择因子，h1表示当前迭代的高斯选控玻尔兹曼机的隐藏层，
Figure BDA0001608555940000087
表示高斯选控玻尔兹曼机的可见层v为v0与隐藏层h为h1时高斯选控玻尔兹曼机的可见层中第i个节点的任务相关选择因子为1的概率，
Figure BDA0001608555940000088
表示高斯选控玻尔兹曼机的可见层中第i个节点的任务相关偏置向量，
Figure BDA0001608555940000089
表示高斯选控玻尔兹曼机的可见层中第i个节点的任务无关偏置向量，J1表示任务相关隐藏层节点个数，J0表示任务无关隐藏层节点个数。
第4步，固定隐藏层，按照下式，计算高斯选控玻尔兹曼机的任务相关选择因子为1的概率：
Figure BDA00016085559400000810
其中，
Figure BDA00016085559400000811
表示高斯选控玻尔兹曼机的可见层v为v0与隐藏层h为h1时高斯选控玻尔兹曼机的可见层中第i个节点的任务无关选择因子为1的概率。
第5步，判断对隐藏层和选择因子迭代采样的次数是否达到25次，若是，则停止迭代，执行步骤6，否则，执行第1步。
步骤6，按照下式，更新高斯选控玻尔兹曼机的可见层节点：
Figure BDA0001608555940000091
其中，vi表示高斯选控玻尔兹曼机的可见层中第i个节点。
步骤7，判断高斯选控玻尔兹曼机的可见层更新次数是否达到10次，若是，则执行步骤8，否则，执行步骤5。
步骤8，更新高斯选控玻尔兹曼机的权重以及偏置向量。
更新高斯选控玻尔兹曼机的权重以及偏置向量的具体步骤如下：
第1步，按照下式，更新高斯选控玻尔兹曼机的可见层与任务相关隐藏层的权重：
Figure BDA0001608555940000092
其中，
Figure BDA0001608555940000093
表示第t+1次更新后高斯选控玻尔兹曼机的可见层与任务相关隐藏层的权重，
Figure BDA0001608555940000094
表示第t次更新后高斯选控玻尔兹曼机的可见层与任务相关隐藏层的权重，·表示逐元素相乘操作，h1表示高斯选控玻尔兹曼机的任务相关隐藏层，v1表示初始可见层，v2表示更新后的可见层，
Figure BDA0001608555940000095
表示已知初始可见层时通过迭代Gibbs采样得到符合高斯选控玻尔兹曼机网络所定义分布的任务相关选择因子，
Figure BDA0001608555940000096
表示可见层更新后的任务相关选择因子，
Figure BDA0001608555940000097
表示高斯选控玻尔兹曼机的可见层v为v1与选择因子z为
Figure BDA0001608555940000098
时高斯选控玻尔兹曼机的任务相关隐藏层输出为1的概率，
Figure BDA0001608555940000099
表示高斯选控玻尔兹曼机的可见层v为v2与选择因子z为
Figure BDA00016085559400000910
时高斯选控玻尔兹曼机的任务相关隐藏层输出为1的概率，σ表示高斯选控玻尔兹曼机的可见层节点的标准差。
第2步，按照下式，更新高斯选控玻尔兹曼机的可见层的任务相关偏置向量：
Figure BDA00016085559400000911
其中，
Figure BDA0001608555940000101
表示第t+1次更新后高斯选控玻尔兹曼机的可见层的任务相关偏置向量，
Figure BDA0001608555940000102
表示第t次更新后高斯选控玻尔兹曼机的可见层的任务相关偏置向量，< >表示取均值操作。
第3步，按照下式，更新高斯选控玻尔兹曼机的任务相关隐藏层的偏置向量：
Figure BDA0001608555940000103
其中，
Figure BDA0001608555940000104
表示第t+1次更新后高斯选控玻尔兹曼机的任务相关隐藏层的偏置向量，
Figure BDA0001608555940000105
表示第t次更新后高斯选控玻尔兹曼机的任务相关隐藏层的偏置向量。
第4步，按照下式，更新高斯选控玻尔兹曼机的可见层与任务无关隐藏层的权重：
Figure BDA0001608555940000106
其中，
Figure BDA0001608555940000107
表示第t+1次更新后高斯选控玻尔兹曼机的可见层与任务无关隐藏层的权重，
Figure BDA0001608555940000108
表示第t次更新后高斯选控玻尔兹曼机的可见层与任务无关隐藏层的权重，h0表示高斯选控玻尔兹曼机的任务无关隐藏层，
Figure BDA0001608555940000109
表示已知初始可见层时通过迭代Gibbs采样得到符合高斯选控玻尔兹曼机网络所定义分布的任务无关选择因子，
Figure BDA00016085559400001010
表示可见层更新后的任务无关选择因子，
Figure BDA00016085559400001011
表示高斯选控玻尔兹曼机的可见层v为v1与选择因子z为
Figure BDA00016085559400001012
时高斯选控玻尔兹曼机的任务无关隐藏层输出为1的概率，
Figure BDA00016085559400001013
表示高斯选控玻尔兹曼机的可见层v为v2与选择因子z为
Figure BDA00016085559400001014
时高斯选控玻尔兹曼机的任务无关隐藏层输出为1的概率。
第5步，按照下式，更新高斯选控玻尔兹曼机的可见层的任务无关偏置向量：
Figure BDA00016085559400001015
其中，
Figure BDA00016085559400001016
表示第t+1次更新后高斯选控玻尔兹曼机的可见层的任务无关偏置向量，
Figure BDA0001608555940000111
表示第t次更新后高斯选控玻尔兹曼机的可见层的任务无关偏置向量。
第6步，按照下式，更新高斯选控玻尔兹曼机的任务无关隐藏层的偏置向量：
Figure BDA0001608555940000112
其中，
Figure BDA0001608555940000113
表示第t+1次更新后高斯选控玻尔兹曼机的任务无关隐藏层的偏置向量，
Figure BDA0001608555940000114
表示第t次更新后高斯选控玻尔兹曼机的任务无关隐藏层的偏置向量。
步骤9，判断高斯选控玻尔兹曼机的权重以及偏置向量的更新次数是否达到200次，若是，高斯选控玻尔兹曼机的参数更新完毕，得到训练好的高斯选控玻尔兹曼机，执行步骤9，否则，执行步骤5。
步骤10，训练线性SVM分类器。
所述训练线性SVM分类器的具体步骤如下：
第1步，将预处理后的高分辨距离像HRRP训练样本输入训练后的高斯选控玻尔兹曼机网络，按照步骤5对隐藏层和选择因子迭代采样，得到高斯选控玻尔兹曼机的任务相关隐藏层为1的概率，将其作为高分辨距离像HRRP训练样本的任务相关隐藏层特征。
第2步，将训练样本的任务相关隐藏层特征训练线性SVM分类器。
第3步，将预处理后的高分辨距离像HRRP测试样本输入训练后的高斯选控玻尔兹曼机网络，按照步骤5对隐藏层和选择因子迭代采样，得到高斯选控玻尔兹曼机的任务相关隐藏层为1的概率，将其作为高分辨距离像HRRP测试样本的任务相关隐藏层特征。
第4步，将测试样本的任务相关隐藏层特征输入训练后的线性SVM分类器进行分类，得到高分辨距离像HRRP噪声稳健识别结果。
下面结合仿真实验对本发明的效果做进一步的说明。
1.仿真实验条件：
本发明的仿真实验的硬件测试平台是：处理器为Intel Corei7CPU，主频为3.40GHz，内存8GB，软件平台为：Windows 7操作系统和Matlab R2017a。
2.仿真实验内容：
本发明的仿真实验内容是在高斯白噪声背景下对雅克-42、安-26、奖状三类飞机目标的高分辨距离像HRRP的识别，在仿真实验中，采用本发明和7种现有技术，分别对三类飞机目标的高分辨距离像HRRP的类别进行识别，并对比了这些方法的实验结果。
图2是本发明的仿真图，图2(a)-2(f)是利用本发明方法，在6个不同测试信噪比(依次为5dB、10dB、15dB、20dB、25dB、30dB)条件下，对高分辨距离像HRRP测试数据进行识别，得到高分辨距离像HRRP测试数据(对应于图2(a)-2(f)的实线部分)的任务相关选择因子(对应于图2(a)-2(f)的虚线部分)。
3.仿真结果分析：
由图2(a)-2(f)可见，每幅图中的虚线中间突出的区域与实线中间突出的区域基本吻合，表明本发明方法得到的高分辨距离像HRRP测试数据的任务相关可见层节点范围与测试数据支撑区范围一致，说明本发明方法确实能够有效的对不同信噪比的高分辨距离像HRRP数据进行特征选择。
本发明方法和7种现有技术方法分别在9个不同测试信噪比(依次为5dB、7.5dB、10dB、12.5dB、15dB、17.5dB、20dB、25dB和30dB)条件下，得到的高分辨距离像HRRP测试样本的识别结果如表1所示。本发明方法采用5dB、10dB、15dB、20dB、30dB的高分辨距离像HRRP训练样本作为训练数据，7种现有技术方法均采用30dB的高分辨距离像HRRP训练样本作为训练数据。
表1中的RBM表示采用现有技术的玻尔兹曼机提取特征并通过线性SVM分类器进行识别。表1中的GRBM表示采用现有技术的高斯玻尔兹曼机提取特征并通过线性SVM分类器进行识别。表1中的NN表示采用现有技术的神经网络进行识别。表1中的SVM表示采用现有技术的线性SVM分类器进行识别。表1中的AE表示采用现有技术的自编码器提取特征并通过线性SVM分类器进行识别。表1中的PCA表示采用现有技术的主成分分析方法提取特征并通过线性SVM分类器进行识别。表1中的SRC表示采用现有技术的稀疏表示分类方法进行识别。
为了评价本发明方法与7种现有技术方法，按照下式，分别计算本发明仿真实验的每种方法在不同测试信噪比条件下的高分辨距离像HRRP测试样本的识别率：
Figure BDA0001608555940000121
其中，Accuracy表示高分辨距离像HRRP测试样本的识别率，M表示对高分辨距离像HRRP测试样本分类正确的样本个数，N表示高分辨距离像HRRP测试样本的总个数，Accuracy值越大，说明对高分辨距离像HRRP测试样本识别性能越好。
将本发明仿真实验的每种方法在不同测试信噪比条件下的高分辨距离像HRRP测试样本的识别率列表如下：
表1不同方法高分辨距离像HRRP识别率一览表
Accuracy 5dB 7.5dB 10dB 12.5dB 15dB 17.5dB 20dB 25dB 30dB
本发明方法 0.6560 0.6846 0.7181 0.7504 0.7706 0.7867 0.7850 0.8000 0.8004
RBM 0.4808 0.5258 0.5629 0.5850 0.6019 0.6204 0.7123 0.8144 0.8169
GRBM 0.5037 0.5454 0.5692 0.5890 0.6042 0.6552 0.7446 0.8246 0.8273
NN 0.4760 0.5338 0.5788 0.5988 0.6077 0.6323 0.7437 0.8535 0.8615
SVM 0.4452 0.4790 0.5184 0.5512 0.5760 0.5994 0.6906 0.8083 0.8577
AE 0.4879 0.5046 0.5185 0.5433 0.5646 0.5783 0.6329 0.8017 0.8173
PCA 0.4331 0.4719 0.5150 0.5483 0.5775 0.5925 0.6604 0.8312 0.8452
SRC 0.5058 0.5323 0.5815 0.6215 0.6729 0.7119 0.7312 0.7448 0.7496
从表1可以看出，在高分辨距离像HRRP测试数据低信噪比情况下(20dB及以下)，本发明方法相比现有技术方法的识别性能具有明显优势，具体而言，在测试数据信噪比为20dB时，本发明方法相比现有技术方法的识别率高出约5-10个百分点，在测试数据信噪比为5dB时，本发明方法相比现有技术方法的识别率至少高出了15个百分点。以上实验结果验证了本发明方法对于高分辨距离像HRRP识别具有很好的噪声稳健特性。

Claims (8)

1.一种基于高斯选控玻尔兹曼机的高分辨距离像HRRP识别方法，其特征在于，采用高斯选控玻尔兹曼机训练预处理后的高分辨距离像HRRP样本，自动提取特征训练线性SVM分类器，该方法的具体步骤包括如下：
(1)预处理数据：
(1a)对雷达接收的飞机目标高分辨距离像HRRP训练样本进行预处理,得到预处理后的高分辨距离像HRRP训练样本；
(1b)对雷达接收的飞机目标高分辨距离像HRRP测试样本进行预处理，得到预处理后的高分辨距离像HRRP测试样本；
(2)构建高斯选控玻尔兹曼机网络：
搭建一个可见层和隐藏层全连接的2层高斯选控玻尔兹曼机网络，并设置网络参数；
(3)初始化网络参数：
(3a)用两组随机数分别初始化可见层与任务相关隐藏层以及可见层与任务无关隐藏层的权重；
(3b)用零向量初始化可见层、任务相关隐藏层、任务无关隐藏层的偏置向量；
(3c)用全1向量初始化任务相关选择因子,用全0向量初始化任务无关选择因子；
(4)将预处理后的高分辨距离像HRRP训练样本输入高斯选控玻尔兹曼机；
(5)对隐藏层和选择因子进行迭代采样：
(5a)固定选择因子，利用条件概率公式，对高斯选控玻尔兹曼机的任务相关隐藏层节点进行采样；
(5b)固定选择因子，利用条件概率公式，对高斯选控玻尔兹曼机的任务无关隐藏层节点进行采样；
(5c)固定隐藏层，利用条件概率公式，计算高斯选控玻尔兹曼机的任务相关选择因子为1的概率；
(5d)固定隐藏层，利用概率公式，计算高斯选控玻尔兹曼机的任务无关选择因子为1的概率：
(5e)判断对隐藏层和选择因子迭代采样的次数是否达到25次，若是，则执行步骤(6)；否则，执行步骤(5a)；
(6)按照下式，更新高斯选控玻尔兹曼机的可见层节点：
Figure FDA0002363057640000021
其中，vi表示高斯选控玻尔兹曼机的可见层中第i个节点，
Figure FDA0002363057640000022
表示高斯选控玻尔兹曼机的可见层中第i个节点的任务相关选择因子，σi表示高斯选控玻尔兹曼机的可见层中第i个节点的标准差，∑表示求和操作，J1表示任务相关隐藏层节点个数，
Figure FDA0002363057640000023
表示高斯选控玻尔兹曼机的可见层中第i个节点与任务相关隐藏层节中第j个节点的权重，
Figure FDA0002363057640000024
表示高斯选控玻尔兹曼机的任务相关隐藏层中第j个节点，
Figure FDA0002363057640000025
表示高斯选控玻尔兹曼机的可见层中第i个节点的任务相关偏置向量，
Figure FDA0002363057640000026
表示高斯选控玻尔兹曼机的可见层中第i个节点的任务无关选择因子，J0表示任务无关隐藏层节点个数，
Figure FDA0002363057640000027
表示高斯选控玻尔兹曼机的可见层中第i个节点与高斯选控玻尔兹曼机的任务无关隐藏层中第k个节点的权重，
Figure FDA0002363057640000028
表示高斯选控玻尔兹曼机的任务无关隐藏层中第k个节点，
Figure FDA0002363057640000029
表示高斯选控玻尔兹曼机的可见层中第i个节点的任务无关偏置向量；
(7)判断高斯选控玻尔兹曼机的可见层更新次数是否达到10次，若是，则执行步骤(8)；否则，执行步骤(5)；
(8)更新高斯选控玻尔兹曼机的权重以及偏置向量；
(9)判断高斯选控玻尔兹曼机的权重以及偏置向量的更新次数是否达到200次，若是，高斯选控玻尔兹曼机训练完成，执行步骤(10)；否则，执行步骤(5)；
(10)训练线性SVM分类器：
(10a)将预处理后的高分辨距离像HRRP训练样本输入训练后的高斯选控玻尔兹曼机网络，自动提取训练样本的任务相关隐藏层特征；
(10b)将训练样本的任务相关隐藏层特征训练线性SVM分类器；
(10c)将预处理后的高分辨距离像HRRP测试样本输入训练后的高斯选控玻尔兹曼机网络，自动提取测试样本的任务相关隐藏层特征；
(10d)将测试样本的任务相关隐藏层特征输入训练好的线性SVM分类器进行分类，得到高分辨距离像HRRP噪声稳健识别结果。
2.根据权利要求1所述的基于高斯选控玻尔兹曼机的HRRP识别方法，其特征在于，步骤(1a)中所述的对高分辨距离像HRRP进行预处理的具体步骤如下：
第1步，按照下式，对雷达接收的飞机目标高分辨距离像HRRP的每个训练样本进行取模：
Figure FDA0002363057640000031
其中，Xm表示一维向量组成的第m个高分辨距离像HRRP取模后的训练样本，
Figure FDA0002363057640000032
表示开根号操作，
Figure FDA0002363057640000033
表示第m个高分辨距离像HRRP训练样本的实数部分，
Figure FDA0002363057640000034
表示第m个高分辨距离像HRRP训练样本的虚数部分；
第2步，按照下式，计算每个高分辨距离像HRRP取模后的训练样本的重心：
Figure FDA0002363057640000035
其中，cm表示第m个高分辨距离像HRRP取模后训练样本的重心，H表示高分辨距离像HRRP训练样本的维度，H＝256，∑表示求和操作，·表示相乘操作，Xm(a)表示一维向量Xm的第a个元素；
第3步，按照下式，对每个高分辨距离像HRRP取模后的训练样本重心进行对齐操作：
Figure FDA0002363057640000036
其中，Ds表示第s个高分辨距离像HRRP对齐后的训练样本，circshift表示右循环移位操作，Xs表示第s个高分辨距离像HRRP取模后的训练样本，ceil表示向上取整操作；
第4步，按照下式，对每个高分辨距离像HRRP对齐后的训练样本进行最大值归一化操作，得到预处理后的高分辨距离像HRRP的训练样本：
Figure FDA0002363057640000041
其中，
Figure FDA0002363057640000042
表示对第t个高分辨距离像HRRP对齐后训练样本最大值归一化得到的预处理后的高分辨距离像HRRP训练样本，Dt表示第t个高分辨距离像HRRP对齐后的训练样本，min表示取最小值操作，max表示取最大值操作。
3.根据权利要求1所述的基于高斯选控玻尔兹曼机的HRRP识别方法，其特征在于，步骤(2)中所述的高斯选控玻尔兹曼机网络参数设置如下：
设置可见层节点数为256，任务相关隐藏层节点数为500，任务无关隐藏层节点数为500，可见层节点标准差为0.15。
4.根据权利要求1所述的基于高斯选控玻尔兹曼机的HRRP识别方法，其特征在于，步骤(3a)中采用的两组随机数是指，从均值为0、方差为0.02的高斯分布中，连续采样两次得到的两组随机数。
5.根据权利要求1所述的基于高斯选控玻尔兹曼机的HRRP识别方法，其特征在于，步骤(5a)中所述条件概率公式如下：
Figure FDA0002363057640000043
其中，～表示采样操作，z0表示选择因子输入，v0表示可见层输入，
Figure FDA0002363057640000044
表示高斯选控玻尔兹曼机的可见层v为v0与选择因子z为z0时高斯选控玻尔兹曼机的任务相关隐藏层中第j个节点输出为1的概率，e表示以自然常数为底的指数操作，I表示高斯选控玻尔兹曼机的可见层节点个数，vi表示高斯选控玻尔兹曼机的可见层中第i个节点，
Figure FDA0002363057640000045
表示高斯选控玻尔兹曼机的任务相关隐藏层中第j个节点的偏置向量。
6.根据权利要求1所述的基于高斯选控玻尔兹曼机的HRRP识别方法，其特征在于，步骤(5b)中所述条件概率公式如下：
Figure FDA0002363057640000051
其中，
Figure FDA0002363057640000052
表示高斯选控玻尔兹曼机的可见层为v与选择因子为z时高斯选控玻尔兹曼机的任务无关隐藏层中第k个节点为1的概率，
Figure FDA0002363057640000053
表示高斯选控玻尔兹曼机任务无关隐藏层中第k个节点的偏置向量。
7.根据权利要求1所述的基于高斯选控玻尔兹曼机的HRRP识别方法，其特征在于，步骤(5c)中所述条件概率公式如下：
Figure FDA0002363057640000054
其中，h1表示当前迭代的高斯选控玻尔兹曼机的隐藏层，
Figure FDA0002363057640000055
表示高斯选控玻尔兹曼机的可见层v为v0与隐藏层h为h1时高斯选控玻尔兹曼机的可见层中第i个节点的任务相关选择因子为1的概率。
8.根据权利要求1所述的基于高斯选控玻尔兹曼机的HRRP识别方法，其特征在于，步骤(5d)中所述概率公式如下：
Figure FDA0002363057640000056
其中，
Figure FDA0002363057640000057
表示高斯选控玻尔兹曼机的可见层v为v0与隐藏层h为h1时可见层中第i个节点的任务无关选择因子为1的概率。
CN201810254090.5A 2018-03-26 2018-03-26 基于高斯选控玻尔兹曼机的hrrp识别方法 Active CN108509989B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810254090.5A CN108509989B (zh) 2018-03-26 2018-03-26 基于高斯选控玻尔兹曼机的hrrp识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810254090.5A CN108509989B (zh) 2018-03-26 2018-03-26 基于高斯选控玻尔兹曼机的hrrp识别方法

Publications (2)

Publication Number Publication Date
CN108509989A CN108509989A (zh) 2018-09-07
CN108509989B true CN108509989B (zh) 2020-04-21

Family

ID=63378549

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810254090.5A Active CN108509989B (zh) 2018-03-26 2018-03-26 基于高斯选控玻尔兹曼机的hrrp识别方法

Country Status (1)

Country Link
CN (1) CN108509989B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110728230B (zh) * 2019-10-10 2023-08-22 江南大学 基于卷积受限玻尔兹曼机的信号调制方式的识别方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102628938A (zh) * 2012-04-29 2012-08-08 西安电子科技大学 基于噪声先验的联合高斯模型雷达目标稳健识别方法
CN103091674A (zh) * 2012-12-14 2013-05-08 西安电子科技大学 基于hrrp序列的空间目标高分辨成像方法
CN103810699A (zh) * 2013-12-24 2014-05-21 西安电子科技大学 基于无监督深度神经网络的sar图像变化检测方法
CN104331706A (zh) * 2014-10-29 2015-02-04 西安电子科技大学 基于rbm和svm的极化sar图像分类
CN104517284A (zh) * 2014-09-29 2015-04-15 西安电子科技大学 基于深度置信网的极化sar图像分割
CN105809198A (zh) * 2016-03-10 2016-07-27 西安电子科技大学 基于深度置信网络的sar图像目标识别方法
CN106886798A (zh) * 2017-03-10 2017-06-23 北京工业大学 基于矩阵变量的高斯分布受限玻尔兹曼机的图像识别方法
CN107194433A (zh) * 2017-06-14 2017-09-22 电子科技大学 一种基于深度自编码网络的雷达一维距离像目标识别方法
CN107437091A (zh) * 2016-03-23 2017-12-05 西安电子科技大学 多层限制玻尔兹曼机的sar图像正负类变化检测方法
CN107728142A (zh) * 2017-09-18 2018-02-23 西安电子科技大学 基于二维卷积网络的雷达高分辨距离像目标识别方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102628938A (zh) * 2012-04-29 2012-08-08 西安电子科技大学 基于噪声先验的联合高斯模型雷达目标稳健识别方法
CN103091674A (zh) * 2012-12-14 2013-05-08 西安电子科技大学 基于hrrp序列的空间目标高分辨成像方法
CN103810699A (zh) * 2013-12-24 2014-05-21 西安电子科技大学 基于无监督深度神经网络的sar图像变化检测方法
CN104517284A (zh) * 2014-09-29 2015-04-15 西安电子科技大学 基于深度置信网的极化sar图像分割
CN104331706A (zh) * 2014-10-29 2015-02-04 西安电子科技大学 基于rbm和svm的极化sar图像分类
CN105809198A (zh) * 2016-03-10 2016-07-27 西安电子科技大学 基于深度置信网络的sar图像目标识别方法
CN107437091A (zh) * 2016-03-23 2017-12-05 西安电子科技大学 多层限制玻尔兹曼机的sar图像正负类变化检测方法
CN106886798A (zh) * 2017-03-10 2017-06-23 北京工业大学 基于矩阵变量的高斯分布受限玻尔兹曼机的图像识别方法
CN107194433A (zh) * 2017-06-14 2017-09-22 电子科技大学 一种基于深度自编码网络的雷达一维距离像目标识别方法
CN107728142A (zh) * 2017-09-18 2018-02-23 西安电子科技大学 基于二维卷积网络的雷达高分辨距离像目标识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"A two-distribution compounded statistical model for Radar HRRP target recognition";Lan Du et al.;《IEEE TRANSACTIONS ON SIGNAL PROCESSING》;20060605;第6卷(第54期);第2226-2238页 *
"Learning and selecting features jointly with point-wise gated Boltzmann machines";Kihyuk Sohn et al.;《Proceedings of the 30th International Conference on Machine Learning》;20131231;第217-255页 *
"SAR automatic target recognition based on Euclidean distance restricted autoencoder";Sheng Deng et al.;《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》;20170131;第1-11页 *

Also Published As

Publication number Publication date
CN108509989A (zh) 2018-09-07

Similar Documents

Publication Publication Date Title
CN113378632B (zh) 一种基于伪标签优化的无监督域适应行人重识别方法
CN113326731B (zh) 一种基于动量网络指导的跨域行人重识别方法
CN111326148B (zh) 置信度校正及其模型训练方法、装置、设备及存储介质
JP6992709B2 (ja) マスク推定装置、マスク推定方法及びマスク推定プログラム
CN112949387B (zh) 基于迁移学习的智能抗干扰目标检测方法
CN111079847B (zh) 一种基于深度学习的遥感影像自动标注方法
CN113657491A (zh) 一种用于信号调制类型识别的神经网络设计方法
CN111880158A (zh) 一种基于卷积神经网络序列分类的雷达目标检测方法及系统
CN111144566A (zh) 神经网络权重参数的训练方法、特征分类方法及对应装置
CN114726692B (zh) 一种基于SEResNet-LSTM的辐射源调制方式识别方法
CN113505225A (zh) 一种基于多层注意力机制的小样本医疗关系分类方法
CN111144462B (zh) 一种雷达信号的未知个体识别方法及装置
CN116912568A (zh) 基于自适应类别均衡的含噪声标签图像识别方法
EP3956885A1 (en) Condition-invariant feature extraction network for speaker recognition
CN108509989B (zh) 基于高斯选控玻尔兹曼机的hrrp识别方法
CN114912489A (zh) 一种信号调制识别方法
CN112835008B (zh) 基于姿态自适应卷积网络的高分辨距离像目标识别方法
CN114863938A (zh) 一种基于注意力残差和特征融合的鸟语识别方法和系统
CN114863088A (zh) 一种面向长尾目标检测的分类对数归一化方法
CN110827809B (zh) 一种基于条件生成式对抗网络的语种识别分类方法
CN113109782B (zh) 一种直接应用于雷达辐射源幅度序列的分类方法
CN114417975A (zh) 基于深度pu学习与类别先验估计的数据分类方法及系统
CN116486150A (zh) 一种基于不确定性感知的图像分类模型回归误差消减方法
WO2019177130A1 (ja) 情報処理装置および情報処理方法
CN116227939A (zh) 基于图卷积神经网络和em算法的企业信用评级方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant