CN108957418A - 一种基于循环神经网络模型的雷达目标识别方法 - Google Patents
一种基于循环神经网络模型的雷达目标识别方法 Download PDFInfo
- Publication number
- CN108957418A CN108957418A CN201810539882.7A CN201810539882A CN108957418A CN 108957418 A CN108957418 A CN 108957418A CN 201810539882 A CN201810539882 A CN 201810539882A CN 108957418 A CN108957418 A CN 108957418A
- Authority
- CN
- China
- Prior art keywords
- training
- sample
- data
- network
- time
- 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.)
- Pending
Links
- 230000000306 recurrent effect Effects 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000003062 neural network model Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 128
- 238000012360 testing method Methods 0.000 claims abstract description 85
- 230000006870 function Effects 0.000 claims description 42
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 description 7
- 230000005484 gravity Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Remote Sensing (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Analysis (AREA)
Abstract
本发明属于雷达技术领域，公开了一种基于循环神经网络模型的雷达目标识别方法，包括：获取雷达高分辨距离像HRRP数据；选取训练样本和测试样本；利用训练样本和测试样本对循环神经网络模型进行训练，直至确定训练结束，得到训练完成的循环神经网络模型；利用训练完成的循环神经网络模型对待识别样本进行目标识别，确定待识别样本的分类类别。本发明能够提高目标识别准确率，并且能够自动学习数据中的特征，无需人工干预，有效提高了识别效率。
Description
技术领域
本发明属于雷达技术领域，涉及一种基于循环神经网络模型的雷达目标识别方法，可用于各类雷达对目标高分辨距离像(High Resolution Range Profile，HRRP)数据的识别。
背景技术
随着科技的进步以及飞机、军舰和坦克这些战争武器装备的多样化发展，雷达目标识别所面临的挑战也越来越严峻。近几十年来的数次局部冲突表明雷达目标的识别正确与否发挥着举足轻重的地位，研究具有高识别率的雷达目标识别方法意义重大。
HRRP是用宽带雷达信号获取的目标散射点复子回波在雷达射线上投影的向量和，它提供了目标散射点沿距离方向的分布信息，其特点是通过发出某一波长的高频信号，通过反射成像时间和位置，从而得出高分辨率距离像，具有目标重要的结构特征，对目标识别与分类十分有价值，因而成为雷达目标识别的新技术。
雷达目标识别中最重要的步骤就是目标特征提取，所提取的目标特征直接影响后续的分类和识别。已有文献证明从HRRP中提取出来的一些特征，如FFT幅度特征，能够较为有效地完成分类和识别任务。但是这些方法都有一个共同的缺陷：无法自动的提取原始HRRP数据的特征，并且特征提取需要大量工作，这使得现有此类方法的目标识别速度以及准确率较低。同时，由于现有的雷达目标识别方法需要花费大量时间在特征提取上，无法实现实时数据处理。
发明内容
有鉴于此，本发明提出一种基于循环神经网络模型的雷达目标识别方法，能够提高目标识别准确率，并且能够自动学习数据中的特征，无需人工干预，有效提高了识别效率。
为达到上述目的，本发明的实施例采用如下技术方案：
提供一种基于循环神经网络模型的雷达目标识别方法，包括：
步骤1，获取雷达高分辨距离像HRRP数据，所述HRRP数据包括N个距离像以及所述N个距离像中各距离像对应的类别标识，N为正整数；
将所述N个距离像中的每个距离像作为一个样本、各距离像对应的类别标识作为样本的类别标识，即得到N个样本及其类别标识；
对所述N个样本分别进行预处理，得到N个预处理后的样本；
步骤2，将所述N个预处理后的样本随机分为训练样本或测试样本，所有训练样本构成训练样本集合，所有测试样本构成测试样本集合；
步骤3，利用所述训练样本集合，对循环神经网络模型进行一次训练，得到此次训练对应的第一识别准确率和损失函数以及此次训练得到的循环神经网络模型；
利用此次训练得到的循环神经网络模型对所述测试样本集合中各测试样本进行目标识别，确定测试样本的分类类别，并根据各测试样本的分类类别及类别标识，判断各测试样本是否被正确识别，进而得到所述测试集合中测试样本的识别准确率，记作此次训练对应的第二识别准确率；
步骤4，根据所述第一识别准确率、所述损失函数以及所述第二识别准确率，确定训练是否结束：若确定训练结束，则将此次训练得到的循环神经网络模型作为训练完成的循环神经网络模型，并转至步骤5；若确定训练未结束，则重复执行步骤2-步骤3，直至训练结束；
步骤5，获取待识别样本，利用所述训练完成的循环神经网络模型对所述待识别样本进行目标识别，确定所述待识别样本的分类类别。
基于本发明上述方法，通过提取雷达高分辨距离像的特征，能够充分利用HRRP数据距离单元之间的相邻距离单元的相关特性，进而提高了原始雷达高分辨距离像的识别率。同时，本发明方法通过利用机器学习自动训练网络模型，从而基于训练得到的网络模型自动学习数据中的特征，无需人工干预，且运算效率高。
此外，考虑到原始循环神经网络只使用最后时刻的输出作为网络的输出，而预处理后的雷达高分辨距离像在最初和最末的时刻只包含很少的信息，本发明方法使用“投票”的方式使得中间任一时刻的数据都可以平等的参与目标的识别，最终采取其中投票数目最多的结果作为网络的输出结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于循环神经网络模型的雷达目标识别方法的流程示意图；
图2为本发明实施例的仿真实验中使用的原始高分辨距离像的雷达实测数据的示意图；其中，图2a是Yark-42飞机的实测场景图，图2b是Cessna Citation S/II飞机的实测场景图，图2c是An-26飞机的实测场景图；
图3为本发明实施例仿真实验中得到的识别准确率随迭代次数变化的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1所示为本发明实施例提供的一种基于循环神经网络模型的雷达目标识别方法的流程示意图；
如图1所示，发明实施例提供的一种基于循环神经网络模型的雷达目标识别方法包括以下步骤：
步骤1，获取HRRP数据，将HRRP数据中N个距离像中每个距离像作为一个样本、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，对N个样本分别进行预处理，得到N个预处理后的样本。
其中，HRRP数据包括N个距离像以及N个距离像中各距离像对应的类别标识，N为正整数。
步骤1中，对所述N个样本分别进行预处理，得到N个预处理后的样本，具体包括以下步骤：
步骤1.1，利用所述N个样本中各样本对应的距离像，计算得到所述各样本的重心。
其中，所述N个样本中第n个样本对应的距离像为所述N个距离像中的第n个距离像sn，第n个样本的重心为sn＝[sn1，sn2，…，sni，…，snD]T，Sni表示N个距离像中的第n个距离像sn在第i个距离单元内所有散射点回波向量的模，n＝1，2，…，N，i＝1，2，…，D，D表示距离单元个数；
步骤1.2，将所述各样本的中心平移至其重心处，得到N个平移后的样本，所述N个平移后的样本即为N个预处理后的样本。
其中，第n个平移后的样本为xn，xn＝[xn1，xn2，…，xni，…，xnD]，xni表示第n个平移后的样本在第i个距离单元内的值，FFT表示傅里叶变换，IFFT表示逆傅里叶变换，表示N个距离像中的第n个距离像sn的中心，φ[Wn]表示N个距离像中的第n个距离像sn的重心所对应的相位，φ[Cn]表示N个距离像中的第n个距离像sn的中心所对应的相位，a表示中心Cn所在距离单元与重心Wn所在距离单元之间的距离。
步骤2，将N个预处理后的样本随机分为训练样本或测试样本，所有训练样本构成训练样本集合，所有测试样本构成测试样本集合。
步骤3，利用训练样本集合，对循环神经网络模型进行一次训练，得到此次训练对应的第一识别准确率和损失函数以及此次训练得到的循环神经网络模型；利用此次训练得到的循环神经网络模型对测试样本集合中各测试样本进行目标识别，确定测试样本的分类类别，并根据各测试样本的分类类别及类别标识，判断各测试样本是否被正确识别，进而得到测试集合中测试样本的识别准确率，记作此次训练对应的第二识别准确率。
具体的，步骤3中，利用所述训练样本集合，对循环神经网络模型进行一次训练，得到此次训练得到的循环神经网络模型此次训练对应的第一识别准确率和损失函数，可以包括：
步骤3.1，对迭代次数i进行初始化：令i取1。
步骤3.2，对训练集合中的第i个训练样本进行滑窗操作，以将第i个训练样本划分为T时刻数据，并使得其中第k+1个时刻数据的前个数据与第k个时刻数据的后个数据对应相同，P表示每时刻数据中距离单元的个数，k＝1，2，…，T-1；对T时刻数据分别进行短时傅里叶变换，得到傅里叶变换后的T时刻数据
其中，的维度为P×1。
步骤3.3，将傅里叶变换后的T时刻数据分T时刻依次输入循环神经网络，得到每一时刻下网络的隐藏状态H1，H2，…，Hj，…，HT；根据每一时刻下网络的隐藏状态H1，H2，…，Hj，…，HT，计算得到每一时刻下网络的输出数据，进而根据T时刻网络的输出数据计算得到此次训练对应的损失函数；根据每一时刻网络的输出数据，利用投票法，确定第i个训练样本的分类类别；确定第i个训练样本的分类类别与第i个训练样本的对应的类别标识是否一致：若一致，则确定第i个训练样本被正确识别；若不一致，则确定第i个训练样本未被正确识别。
其中，第j个时刻下网络的隐藏状态为其维度为s×1，S表示隐层神经单元的节点个数；下标j表示时刻，j＝1，2，…，T；fH(·)表示sigmoid函数，Ui-1表示第i-1次迭代得到的输入层到隐层的连接权，其维度为s×P；Wi-1表示第i-1次迭代得到的隐层自循环参数，其维度为s×s；表示第j个时刻输入网络的数据；Hj-1表示第j-1个时刻网络的隐藏状态。
第j个时刻网络的输出数据为Yj＝fY(Vi-1·Hj)，Yj为Q维行向量，表示为Yj＝{a1，a2，…，aq，…，aQ)，aq表示网络识别第i个训练样本为类别q的概率，Q表示类别个数；Vi-1表示第i-1次迭代得到的隐层到输出层的连接权，fY(·)表示softmax函数，损失函数为θ表示网络参数，Li表示第i个训练样本的类别向量，∑表示求和符号，ln表示取对数符号。
其中，Li的维度为Q×1，采用“one-hot”编码方式得到，“one-hot”编码方式是指：假设第i个训练样本的类别为q，那么Li＝{l1，l2，…，ll，...，lQ}，
一种具体的实现方式中，步骤3.3中，根据每一时刻网络的输出数据，利用投票法，确定所述第i个训练样本的分类类别，包括：
确定第j个时刻网络的输出数据Yj中取值最大的元素将该取值最大的元素对应的分类类别确定为第j个时刻网络识别的分类类别，j取1到T之间的所有整数。
统计T个时刻网络识别的分类类别中重复次数最多的分类类别，该该分类类别确定为第i个训练样本的分类类别。
即，所谓投票法是指对于输入数据的T个时刻的网络输入，计算得到T个时刻的网络输出，取其中概率值最大的一项的下标作为时刻j的预测分类结果，统计得到T个输出中次数出现最多的分类结果作为该样本的网络分类结果。
步骤3.4，利用损失函数以及T时刻网络的输出数据，计算得到损失函数对于隐层到输出层的连接权的梯度、损失函数对于隐层自循环参数的梯度以及损失函数对于输入层到隐层的连接权的梯度。
其中，损失函数对于隐层与输出层间连接权的梯度为损失函数对于隐层自循环参数的梯度为损失函数对于输入层到隐层的连接权的梯度为I表示全1向量，上标T表示转置符号，表示Hadamard乘法符号。
步骤3.5，利用损失函数对于隐层到输出层的连接权的梯度、损失函数对于隐层自循环参数的梯度以及损失函数对于输入层到隐层的连接权的梯度，计算得到第i次迭代得到的隐层到输出层的连接权、隐层自循环参数以及输入层到隐层的连接权。
其中，第i次迭代得到的隐层到输出层的连接权为第i次迭代得到的隐层自循环参数为第i次迭代得到的输入层到隐层的连接权为α表示学习率，W0、U0及V0为服从[-1，1]内均匀分布的随机数。
步骤3.6，令i加1，返回至步骤3.2，直至i＝M，M表示训练集合中训练样本的个数；将第M次迭代得到的隐层到输出层的连接权VM、隐层自循环参数WM以及输入层到隐层的连接权UM作为循环神经网络模型的网络参数，得到此次训练得到循环神经网络模型。
步骤3.7，确定训练集合中被正确识别的训练样本个数，进而计算得到此次训练对应的第一识别准确率
其中，M1表示训练集合中被正确识别的训练样本个数。
本发明实施例的一种具体实现方式中，步骤3中，利用此次训练得到的循环神经网络模型对测试样本集合中各测试样本进行目标识别，确定测试样本的分类类别，并根据各测试样本的分类类别及类别标识，判断各测试样本是否被正确识别，进而得到测试集合中测试样本的识别准确率，具体可以包括以下步骤：
步骤4.1，对测试样本序号l进行初始化：令l取1。
步骤4.2，对测试集合中的第l个测试样本进行滑窗操作，以将第l个测试样本划分为T时刻数据，并使得其中第k+1个时刻数据的前个数据与第k个时刻数据的后个数据对应相同，P表示每时刻数据中距离单元的个数，k＝1，2，…，T-1；对T时刻数据分别进行短时傅里叶变换，得到傅里叶变换后的T时刻数据
步骤4.3，将傅里叶变换后的T时刻数据分T时刻依次输入此次训练得到的循环神经网络，得到每一时刻下网络的隐藏状态H1，H2，…，Hj，…，HT；根据每一时刻下网络的隐藏状态H1，H2，…，Hj，…，HT，计算得到每一时刻下网络的输出数据。
其中，第j个时刻下网络的隐藏状态为第j个时刻网络的输出数据为Yj＝fY(VM·Hj)，Hj-1表示第j-1个时刻网络的隐藏状态，下标j表示时刻，j＝1，2，…，T。
步骤4.4，根据每一时刻网络的输出数据，利用投票法，确定第l个测试样本的分类类别；确定第l个测试样本的分类类别与第l个测试样本的对应的类别标识是否一致：若一致，则确定第l个测试样本被正确识别；若不一致，则确定第l个测试样本未被正确识别。
其中，步骤4.4中利用投票法确定测试样本的分类类别的具体过程与步骤3.3中利用投票法确定训练样本的分类类别的过程相类似，此处不再赘述。
步骤4.5，令l加1，返回至步骤4.2，直至l＝K。
其中，K表示测试集合中测试样本的个数，K+M＝N。
步骤4.6，确定测试集合中识别正确的测试样本的个数，进而计算得到测试集合中测试样本的识别准确率
其中，K1表示测试集合中被正确识别的测试样本个数。
步骤4，根据第一识别准确率、损失函数以及第二识别准确率，确定训练是否结束：若确定训练结束，则将此次训练得到的循环神经网络模型作为训练完成的循环神经网络模型，并转至步骤5；若确定训练未结束，则重复执行步骤2-步骤3，直至训练结束。
其中，步骤4中，根据第一识别准确率、损失函数以及第二识别准确率，确定训练是否结束，具体包括：
判断此次训练对应的第一识别准确率与上一次训练对应的第一识别准确率差值的绝对值、此次训练对应的损失函数与上一次训练对应的损失函数差值的绝对值、此次训练对应的第二识别准确率与上一次训练对应的第二识别准确率差值的绝对值，是否均小于预设阈值：若是，则令累计值C加1，并判断累计值C是否等于预设累计值，若累计值C等于预设累计值，则确定训练结束；若累计值C不等于预设累计值，确定训练未结束；若否，则令累计值C等于0，确定训练未结束。
其中，初次迭代时，C＝0；所述预设阈值具体可以是0.01，所述预设累计值具体可以是20。
步骤5，获取待识别样本，利用训练完成的循环神经网络模型对待识别样本进行目标识别，确定待识别样本的分类类别。
一种具体的实现方式中，步骤5中，利用训练完成的循环神经网络模型对待识别样本进行目标识别，确定待识别样本的分类类别，具体可以包括以下步骤：
步骤5.1，对待识别样本进行预处理，对经过预处理的待识别样本进行滑窗操作，以将待识别样本划分为T时刻数据，并使得其中第k+1个时刻数据的前个数据与第k个时刻数据的后个数据对应相同，P表示每时刻数据中距离单元的个数，k＝1，2，…，T-1；对T时刻数据分别进行短时傅里叶变换，得到傅里叶变换后的T时刻数据G1，G2，…，Gi，…，GT。
其中，步骤5.1中对待识别样本进行预处理的具体过程同步骤1中的预处理相同，此处不再赘述。
步骤5.2，将傅里叶变换后的T时刻数据G1，G2，…，Gj，…，GT分T时刻依次输入训练完成的循环神经网络，得到每一时刻下网络的隐藏状态H1，H2，…，Hj，…，HT；根据每一时刻下网络的隐藏状态H1，H2，…，Hj，…，HT，计算得到每一时刻下网络的输出数据。
其中，第j个时刻下网络的隐藏状态为Hj＝fH(U·Gj+W·Hj-1)，U表示训练完成的循环神经网络的输入层到隐层的连接权，W表示训练完成的循环神经网络的隐层自循环参数；第j个时刻网络的输出数据为Yj＝fY(V·Hj)，V表示训练完成的循环神经网络的隐层到输出层的连接权，Hj-1表示第j-1个时刻网络的隐藏状态，下标j表示时刻，j＝1，2，…，T。
步骤5.3，根据每一时刻网络的输出数据，利用投票法，确定待识别样本的分类类别。
其中，步骤5.3中利用投票法确定待识别样本的分类类别的具体过程与步骤3.3中利用投票法确定训练样本的分类类别的过程相类似，此处不再赘述。
至此，本发明实施例提供的基于循环神经网络模型的雷达目标识别方法即结束。
基于本发明实施例提供的方法，通过提取雷达高分辨距离像的特征，能够充分利用HRRP数据距离单元之间的相邻距离单元的相关特性，进而提高了原始雷达高分辨距离像的识别率。同时，本发明方法通过利用机器学习自动训练网络模型，从而基于训练得到的网络模型自动学习数据中的特征，无需人工干预，且运算效率高。此外，考虑到原始循环神经网络只使用最后时刻的输出作为网络的输出，而预处理后的雷达高分辨距离像在最初和最末的时刻只包含很少的信息，本发明方法使用“投票”的方式使得中间任一时刻的数据都可以平等的参与目标的识别，最终采取其中投票数目最多的结果作为网络的输出结果。
以下将通过仿真实验对本发明实施例上述方法的效果进行验证：
1.仿真数据
获取原始高分辨距离像的雷达实测数据如图2所示，其中，图2a是Yark-42飞机的实测场景图，图2b是Cessna Citation S/II飞机的实测场景图，图2c是An-26飞机的实测场景图。具体参数如表1所示：
表1
2.仿真内容：
选择Yark-42飞机的2～5段，Cessna Citation S/II飞机的6～7段以及An-26飞机的5～6段获取的原始雷达高分辨距离像作为训练样本Tr，其余的作为测试样本Te。按照本发明实施例提供的方法对原始雷达高分辨距离像进行分类识别仿真，计算不同迭代次数下网络的识别准确率，并绘制识别准确率随迭代次数变化的示意图。
图3所示即为仿真得到的识别准确率随迭代次数变化的示意图，如图3所示，随着迭代次数的增加，本发明方法对于训练数据的识别准确率接近100％，对于测试数据的识别准确率高达90％。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (6)
1.一种基于循环神经网络模型的雷达目标识别方法，其特征在于，所述方法包括：
步骤1，获取雷达高分辨距离像HRRP数据，所述HRRP数据包括N个距离像以及所述N个距离像中各距离像对应的类别标识，N为正整数；
将所述N个距离像中的每个距离像作为一个样本、各距离像对应的类别标识作为样本的类别标识，即得到N个样本及其类别标识；
对所述N个样本分别进行预处理，得到N个预处理后的样本；
步骤2，将所述N个预处理后的样本随机分为训练样本或测试样本，所有训练样本构成训练样本集合，所有测试样本构成测试样本集合；
步骤3，利用所述训练样本集合，对循环神经网络模型进行一次训练，得到此次训练对应的第一识别准确率和损失函数以及此次训练得到的循环神经网络模型；
利用此次训练得到的循环神经网络模型对所述测试样本集合中各测试样本进行目标识别，确定测试样本的分类类别，并根据各测试样本的分类类别及类别标识，判断各测试样本是否被正确识别，进而得到所述测试集合中测试样本的识别准确率，记作此次训练对应的第二识别准确率；
步骤4，根据所述第一识别准确率、所述损失函数以及所述第二识别准确率，确定训练是否结束：若确定训练结束，则将此次训练得到的循环神经网络模型作为训练完成的循环神经网络模型，并转至步骤5；若确定训练未结束，则重复执行步骤2-步骤3，直至训练结束；
步骤5，获取待识别样本，利用所述训练完成的循环神经网络模型对所述待识别样本进行目标识别，确定所述待识别样本的分类类别。
2.根据权利要求3所述的方法，其特征在于，步骤4中，所述根据所述第一识别准确率、所述损失函数以及所述第二识别准确率，确定训练是否结束，具体包括：
判断此次训练对应的第一识别准确率与上一次训练对应的第一识别准确率差值的绝对值、此次训练对应的损失函数与上一次训练对应的损失函数差值的绝对值、此次训练对应的第二识别准确率与上一次训练对应的第二识别准确率差值的绝对值，是否均小于预设阈值：
若是，则令累计值C加1，并判断累计值C是否等于预设累计值，若累计值C等于所述预设累计值，则确定训练结束；若累计值C不等于所述预设累计值，确定训练未结束；其中，初次迭代时，C＝0；
若否，则令累计值C等于0，确定训练未结束。
3.根据权利要求1所述的方法，其特征在于，步骤3中，所述利用所述训练样本集合，对循环神经网络模型进行一次训练，得到此次训练得到的循环神经网络模型此次训练对应的第一识别准确率和损失函数，包括：
步骤3.1，对迭代次数i进行初始化：令i取1；
步骤3.2，对所述训练集合中的第i个训练样本进行滑窗操作，以将所述第i个训练样本划分为T时刻数据，并使得其中第k+1个时刻数据的前个数据与第k个时刻数据的后个数据对应相同，P表示每时刻数据中距离单元的个数，k＝1，2，…，T-1；
对所述T时刻数据分别进行短时傅里叶变换，得到傅里叶变换后的T时刻数据
步骤3.3，将所述傅里叶变换后的T时刻数据分T时刻依次输入循环神经网络，得到每一时刻下网络的隐藏状态H1，H2，…，Hj，…，HT；根据每一时刻下网络的隐藏状态H1，H2，…，Hj，…，HT，计算得到每一时刻下网络的输出数据，进而根据T时刻网络的输出数据计算得到此次训练对应的损失函数；
根据每一时刻网络的输出数据，利用投票法，确定所述第i个训练样本的分类类别；确定所述第i个训练样本的分类类别与所述第i个训练样本的对应的类别标识是否一致：若一致，则确定所述第i个训练样本被正确识别；若不一致，则确定所述第i个训练样本未被正确识别；
其中，第j个时刻下网络的隐藏状态为下标j表示时刻，j＝1，2，…，T；fH(·)表示sigmoid函数；Ui-1表示第i-1次迭代得到的输入层到隐层的连接权；Wi-1表示第i-1次迭代得到的隐层自循环参数；表示第j个时刻输入网络的数据；Hj-1表示第j-1个时刻网络的隐藏状态；
第j个时刻网络的输出数据为Yj＝fY(Vi-1·Hj)，Yj为Q维行向量，表示为Yj＝{a1，a2，…，aq，…，aQ}，aq表示网络识别第i个训练样本为类别q的概率，Q表示类别个数；Vi-1表示第i-1次迭代得到的隐层到输出层的连接权，fY(·)表示softmax函数；损失函数为θ表示网络参数，Li表示第i个训练样本的类别向量，∑表示求和符号，ln表示取对数符号；
步骤3.4，利用所述损失函数以及T时刻网络的输出数据，计算得到所述损失函数对于隐层到输出层的连接权的梯度、所述损失函数对于隐层自循环参数的梯度以及所述损失函数对于输入层到隐层的连接权的梯度；
其中，损失函数对于隐层与输出层间连接权的梯度为损失函数对于隐层自循环参数的梯度为损失函数对于输入层到隐层的连接权的梯度为I表示全1向量，上标T表示转置符号，表示Hadamard乘法符号；
步骤3.5，利用所述损失函数对于隐层到输出层的连接权的梯度、所述损失函数对于隐层自循环参数的梯度以及所述损失函数对于输入层到隐层的连接权的梯度，计算得到第i次迭代得到的隐层到输出层的连接权、隐层自循环参数以及输入层到隐层的连接权；
其中，第i次迭代得到的隐层到输出层的连接权为第i次迭代得到的隐层自循环参数为第i次迭代得到的输入层到隐层的连接权为α表示学习率，W0、U0及V0为服从[-1，1]内均匀分布的随机数；
步骤3.6，令i加1，返回至步骤3.2，直至i＝M，M表示所述训练集合中训练样本的个数；
将第M次迭代得到的隐层到输出层的连接权VM、隐层自循环参数WM以及输入层到隐层的连接权UM作为循环神经网络模型的网络参数，得到此次训练得到循环神经网络模型；
步骤3.7，确定所述训练集合中被正确识别的训练样本个数，进而计算得到此次训练对应的第一识别准确率M1表示训练集合中被正确识别的训练样本个数。
4.根据权利要求2所述的方法，其特征在于，步骤3中，所述利用此次训练得到的循环神经网络模型对所述测试样本集合中各测试样本进行目标识别，确定测试样本的分类类别，并根据各测试样本的分类类别及类别标识，判断各测试样本是否被正确识别，进而得到所述测试集合中测试样本的识别准确率，包括：
步骤4.1，对测试样本序号l进行初始化：令l取1；
步骤4.2，对所述测试集合中的第l个测试样本进行滑窗操作，以将所述第l个测试样本划分为T时刻数据，并使得其中第k+1个时刻数据的前个数据与第k个时刻数据的后个数据对应相同，P表示每时刻数据中距离单元的个数，k＝1，2，…，T-1；
对所述T时刻数据分别进行短时傅里叶变换，得到傅里叶变换后的T时刻数据
步骤4.3，将所述傅里叶变换后的T时刻数据分T时刻依次输入此次训练得到的循环神经网络，得到每一时刻下网络的隐藏状态H1，H2，…，Hj，…，HT；根据每一时刻下网络的隐藏状态H1，H2，…，Hj，…，HT，计算得到每一时刻下网络的输出数据；
其中，第j个时刻下网络的隐藏状态为第j个时刻网络的输出数据为Yj＝fY(VM·Hj)，Hj-1表示第j-1个时刻网络的隐藏状态，下标j表示时刻，j＝1，2，…，T；
步骤4.4，根据每一时刻网络的输出数据，利用投票法，确定所述第l个测试样本的分类类别；
确定所述第l个测试样本的分类类别与所述第l个测试样本的对应的类别标识是否一致：若一致，则确定所述第l个测试样本被正确识别；若不一致，则确定所述第l个测试样本未被正确识别；
步骤4.5，令l加1，返回至步骤4.2，直至l＝K，K表示所述测试集合中测试样本的个数；
步骤4.6，确定所述测试集合中识别正确的测试样本的个数，进而计算得到所述测试集合中测试样本的识别准确率K1表示测试集合中被正确识别的测试样本个数。
5.根据权利要求2所述的方法，其特征在于，步骤5中，所述利用所述训练完成的循环神经网络模型对所述待识别样本进行目标识别，确定所述待识别样本的分类类别，包括：
步骤5.1，对所述待识别样本进行预处理，对经过预处理的待识别样本进行滑窗操作，以将所述待识别样本划分为T时刻数据，并使得其中第k+1个时刻数据的前个数据与第k个时刻数据的后个数据对应相同，P表示每时刻数据中距离单元的个数，k＝1，2，…，T-1；
对所述T时刻数据分别进行短时傅里叶变换，得到傅里叶变换后的T时刻数据G1，G2，…，Gj，…，GT；
步骤5.2，将所述傅里叶变换后的T时刻数据G1，G2，…，Gj…，GT分T时刻依次输入所述训练完成的循环神经网络，得到每一时刻下网络的隐藏状态H1，H2，…，Hj，…，HT；根据每一时刻下网络的隐藏状态H1，H2，…，Hj，…，HT，计算得到每一时刻下网络的输出数据；
其中，第j个时刻下网络的隐藏状态为Hj＝fH(U·Gj+W·Hj-1)，U表示训练完成的循环神经网络的输入层到隐层的连接权，W表示训练完成的循环神经网络的隐层自循环参数；第j个时刻网络的输出数据为Yj＝fY(V·Hj)，V表示训练完成的循环神经网络的隐层到输出层的连接权，Hj-1表示第j-1个时刻网络的隐藏状态，下标j表示时刻，j＝1，2，…，T；
步骤5.3，根据每一时刻网络的输出数据，利用投票法，确定所述待识别样本的分类类别。
6.根据权利要求2所述的方法，其特征在于，步骤3.3中，所述根据每一时刻网络的输出数据，利用投票法，确定所述第i个训练样本的分类类别，包括：
确定第j个时刻网络的输出数据Yj中取值最大的元素将该取值最大的元素对应的分类类别确定为第j个时刻网络识别的分类类别；其中，j取1到T之间的所有整数；
统计T个时刻网络识别的分类类别中重复次数最多的分类类别，该该分类类别确定为所述第i个训练样本的分类类别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810539882.7A CN108957418A (zh) | 2018-05-30 | 2018-05-30 | 一种基于循环神经网络模型的雷达目标识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810539882.7A CN108957418A (zh) | 2018-05-30 | 2018-05-30 | 一种基于循环神经网络模型的雷达目标识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108957418A true CN108957418A (zh) | 2018-12-07 |
Family
ID=64492180
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810539882.7A Pending CN108957418A (zh) | 2018-05-30 | 2018-05-30 | 一种基于循环神经网络模型的雷达目标识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108957418A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109507887A (zh) * | 2018-12-28 | 2019-03-22 | 浙江大学 | 模糊神经网络结合群智能寻优的工业熔融指数软测量方法 |
| CN109977871A (zh) * | 2019-03-27 | 2019-07-05 | 中国人民解放军战略支援部队航天工程大学 | 一种基于宽带雷达数据和gru神经网络的卫星目标识别方法 |
| CN110082738A (zh) * | 2019-06-18 | 2019-08-02 | 西安电子科技大学 | 基于高斯混合和张量循环神经网络的雷达目标识别方法 |
| CN110309528A (zh) * | 2019-04-15 | 2019-10-08 | 南京航空航天大学 | 一种基于机器学习的雷达方案设计方法 |
| CN112465042A (zh) * | 2020-12-02 | 2021-03-09 | 中国联合网络通信集团有限公司 | 一种分类网络模型的生成方法及装置 |
| CN113406623A (zh) * | 2021-05-07 | 2021-09-17 | 中山大学 | 基于雷达高分辨距离像的目标识别方法、装置及介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103400145A (zh) * | 2013-07-19 | 2013-11-20 | 北京理工大学 | 基于线索神经网络的语音-视觉融合情感识别方法 |
| CN104459668A (zh) * | 2014-12-03 | 2015-03-25 | 西安电子科技大学 | 基于深度学习网络的雷达目标识别方法 |
| CN106202054A (zh) * | 2016-07-25 | 2016-12-07 | 哈尔滨工业大学 | 一种面向医疗领域基于深度学习的命名实体识别方法 |
| US20170011280A1 (en) * | 2015-07-07 | 2017-01-12 | Xerox Corporation | Extracting gradient features from neural networks |
| CN106777874A (zh) * | 2016-11-18 | 2017-05-31 | 中国科学院自动化研究所 | 基于循环神经网络构建预测模型的方法 |
| US20180005107A1 (en) * | 2016-06-30 | 2018-01-04 | Samsung Electronics Co., Ltd. | Hybrid memory cell unit and recurrent neural network including hybrid memory cell units |
| CN107563574A (zh) * | 2017-09-29 | 2018-01-09 | 北京理工大学 | 一种基于长短时记忆模型循环神经网络的地磁场预测方法 |
| CN107766937A (zh) * | 2017-09-11 | 2018-03-06 | 重庆大学 | 基于特征选取和循环神经网络的风电场功率超短期预测方法 |
| CN107784320A (zh) * | 2017-09-27 | 2018-03-09 | 电子科技大学 | 基于卷积支持向量机的雷达一维距离像目标识别方法 |
| CN107909206A (zh) * | 2017-11-15 | 2018-04-13 | 电子科技大学 | 一种基于深层结构循环神经网络的pm2.5预测方法 |
| CN108009525A (zh) * | 2017-12-25 | 2018-05-08 | 北京航空航天大学 | 一种基于卷积神经网络的无人机对地特定目标识别方法 |
-
2018
- 2018-05-30 CN CN201810539882.7A patent/CN108957418A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103400145A (zh) * | 2013-07-19 | 2013-11-20 | 北京理工大学 | 基于线索神经网络的语音-视觉融合情感识别方法 |
| CN104459668A (zh) * | 2014-12-03 | 2015-03-25 | 西安电子科技大学 | 基于深度学习网络的雷达目标识别方法 |
| US20170011280A1 (en) * | 2015-07-07 | 2017-01-12 | Xerox Corporation | Extracting gradient features from neural networks |
| US20180005107A1 (en) * | 2016-06-30 | 2018-01-04 | Samsung Electronics Co., Ltd. | Hybrid memory cell unit and recurrent neural network including hybrid memory cell units |
| CN106202054A (zh) * | 2016-07-25 | 2016-12-07 | 哈尔滨工业大学 | 一种面向医疗领域基于深度学习的命名实体识别方法 |
| CN106777874A (zh) * | 2016-11-18 | 2017-05-31 | 中国科学院自动化研究所 | 基于循环神经网络构建预测模型的方法 |
| CN107766937A (zh) * | 2017-09-11 | 2018-03-06 | 重庆大学 | 基于特征选取和循环神经网络的风电场功率超短期预测方法 |
| CN107784320A (zh) * | 2017-09-27 | 2018-03-09 | 电子科技大学 | 基于卷积支持向量机的雷达一维距离像目标识别方法 |
| CN107563574A (zh) * | 2017-09-29 | 2018-01-09 | 北京理工大学 | 一种基于长短时记忆模型循环神经网络的地磁场预测方法 |
| CN107909206A (zh) * | 2017-11-15 | 2018-04-13 | 电子科技大学 | 一种基于深层结构循环神经网络的pm2.5预测方法 |
| CN108009525A (zh) * | 2017-12-25 | 2018-05-08 | 北京航空航天大学 | 一种基于卷积神经网络的无人机对地特定目标识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| BO CHEN等: ""Deep Learning with Hierarchical Convolutional Factor Analysis"", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
| 冯博等: ""基于稳健深层网络的雷达高分辨距离像目标特征提取算法"", 《电子与信息学报》 * |
| 徐彬等: ""基于注意循环神经网络模型的雷达高分辨率距离像目标识别"", 《电子与信息学报》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109507887A (zh) * | 2018-12-28 | 2019-03-22 | 浙江大学 | 模糊神经网络结合群智能寻优的工业熔融指数软测量方法 |
| CN109977871A (zh) * | 2019-03-27 | 2019-07-05 | 中国人民解放军战略支援部队航天工程大学 | 一种基于宽带雷达数据和gru神经网络的卫星目标识别方法 |
| CN110309528A (zh) * | 2019-04-15 | 2019-10-08 | 南京航空航天大学 | 一种基于机器学习的雷达方案设计方法 |
| CN110082738A (zh) * | 2019-06-18 | 2019-08-02 | 西安电子科技大学 | 基于高斯混合和张量循环神经网络的雷达目标识别方法 |
| CN110082738B (zh) * | 2019-06-18 | 2023-03-28 | 西安电子科技大学 | 基于高斯混合和张量循环神经网络的雷达目标识别方法 |
| CN112465042A (zh) * | 2020-12-02 | 2021-03-09 | 中国联合网络通信集团有限公司 | 一种分类网络模型的生成方法及装置 |
| CN112465042B (zh) * | 2020-12-02 | 2023-10-24 | 中国联合网络通信集团有限公司 | 一种分类网络模型的生成方法及装置 |
| CN113406623A (zh) * | 2021-05-07 | 2021-09-17 | 中山大学 | 基于雷达高分辨距离像的目标识别方法、装置及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110334741B (zh) | 基于循环神经网络的雷达一维距离像识别方法 | |
| CN109086700B (zh) | 基于深度卷积神经网络的雷达一维距离像目标识别方法 | |
| CN108957418A (zh) | 一种基于循环神经网络模型的雷达目标识别方法 | |
| CN104459668B (zh) | 基于深度学习网络的雷达目标识别方法 | |
| CN107784320B (zh) | 基于卷积支持向量机的雷达一维距离像目标识别方法 | |
| CN107220606B (zh) | 基于一维卷积神经网络的雷达辐射源信号的识别方法 | |
| CN111160176B (zh) | 基于融合特征的一维卷积神经网络地面雷达目标分类方法 | |
| CN109522857B (zh) | 一种基于生成式对抗网络模型的人数估计方法 | |
| CN109766835B (zh) | 基于多参数优化生成对抗网络的sar目标识别方法 | |
| CN110335261A (zh) | 一种基于时空循环注意力机制的ct淋巴结检测系统 | |
| CN111126134B (zh) | 基于非指纹信号消除器的雷达辐射源深度学习识别方法 | |
| CN106054155B (zh) | 基于卷积因子分析模型的雷达高分辨距离像目标识别方法 | |
| CN106250931A (zh) | 一种基于随机卷积神经网络的高分辨率图像场景分类方法 | |
| CN108764310B (zh) | 基于多尺度多特征深度森林的sar目标识别方法 | |
| CN112884059B (zh) | 一种融合先验知识的小样本雷达工作模式分类方法 | |
| CN112965062B (zh) | 基于lstm-dam网络的雷达距离像目标识别方法 | |
| CN110082738B (zh) | 基于高斯混合和张量循环神经网络的雷达目标识别方法 | |
| CN110716792B (zh) | 一种目标检测器及其构建方法和应用 | |
| CN112052762A (zh) | 基于高斯原型的小样本isar图像目标识别方法 | |
| CN114428234A (zh) | 基于gan和自注意力的雷达高分辨距离像降噪识别方法 | |
| CN114675249A (zh) | 基于注意力机制的雷达信号调制方式识别方法 | |
| CN108983187B (zh) | 基于ewc的在线雷达目标识别方法 | |
| CN110223342B (zh) | 一种基于深度神经网络的空间目标尺寸估计方法 | |
| CN116595313A (zh) | 基于多尺度残差注意力网络的故障诊断方法及系统 | |
| CN115616503A (zh) | 一种基于卷积神经网络模型的雷达干扰信号类型识别方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181207 |
|
| RJ01 | Rejection of invention patent application after publication |