CN109086700B - 基于深度卷积神经网络的雷达一维距离像目标识别方法 - Google Patents
基于深度卷积神经网络的雷达一维距离像目标识别方法 Download PDFInfo
- Publication number
- CN109086700B CN109086700B CN201810806078.0A CN201810806078A CN109086700B CN 109086700 B CN109086700 B CN 109086700B CN 201810806078 A CN201810806078 A CN 201810806078A CN 109086700 B CN109086700 B CN 109086700B
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- neural network
- layer
- hrrp
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- 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
Abstract
本发明公开了基于深度卷积神经网络的雷达一维距离像目标识别方法,包括以下步骤:采集数据集,对采集到的数据进行预处理,从预处理后的数据中提取特征,设立阈值将采集到的雷达HRRP信号分成低信噪比和高信噪比样本两个部分,构建基于稳健玻尔兹曼的特征增强算法,构建基于卷积神经网络和基于LSTM的双向循环神经网络的HRRP目标识别模型,使用梯度下降算法对构建的网络模型的参数进行微调,得到有效的目标识别模型。本发明构建小样本稳健性和噪声稳健性的雷达HRRP自动目标识别技术具有很强的工程实用性,从特征提取和分类器的设计方面,提出了一种基于卷积神经网络+循环神经网络的雷达一维距离像目标识别模型。
Description
技术领域
本发明属于雷达目标识别领域,涉及一种基于深度卷积神经网络的雷达一维距离像目标识别方法。
背景技术
雷达自动目标识别是依据电磁散射理论,通过提取雷达回波信号中的特征,并对特征进行处理,来确定雷达目标所属的种类、型号等属性。自从20世纪60年代以来,美国专门建立了“弹道导弹预警系统”,从此便将雷达识别列入了重要开发计划,随后又将HRRP(高分辨率距离像)自动目标识别列入重要研发计划,并且在美国的高校内建立了雷达识别平台,在这个基础上,美国的多所高校运用雷达仿真软件建立用于仿真的HRRP信号,并以此为基础建立了很多完备的多目标HRRP数据库。随后,在90年代,俄罗斯也针对雷达识别领域建立了完备的目标数据库,这些都为雷达目标的识别奠定了坚实的基础。经过多年发展,雷达的自动识别已经能在完备的数据库中达到很好的效果。随着技术的发展,在实际的雷达目标识别中,待识别的目标一般不是出自于雷达HRRP数据库,而是实际作战中的高速非合作目标,因此雷达HRRP自动目标识别的内容逐步从合作目标、完备目标数据库识别发展向非合作目标的HRRP自动识别过渡。相比合作目标、完备HRRP数据库的雷达HRRP目标识别,高速非合作目标的识别存在两大难题:1.小样本识别;2.低信噪比HRRP稳健识别,小样本识别难题指的是当训练样本个数接近或小于样本维度时产生的诸如参数估计不准确、分类器的识别性能以及推广性能急剧下降等一系列问题。解决这些问题最简单的办法是增加训练样本数量,然而通常对于高速非合作的敌方目标(如战斗机等),雷达很难检测并持续跟踪获得大量HRRP样本,无法满足很多分类器估计模型参数的基本要求,导致算法失效。低信噪比HRRP稳健识别的成因是在实际工程中,用于训练样本库中的HRRP数据集通常由合作情况下的实验获取或者直接由电磁仿真程序生成,其信噪比较高;但测试阶段一般在实际战场条件下进行,一方面此时电磁环境非常复杂,目标回波中总会含有一定的噪声导致所获取的HRRP信噪比较低,而高信噪比下训练,低信噪比下识别是雷达实际工作应用中不可避免的模式。因此解决高信噪比下训练低信噪比下测试是非常有意义的。
发明内容
为解决上述问题,本发明针对上述提到的高速非合作目标HRRP识别中存在的不足,构建小样本稳健性和噪声稳健性的雷达HRRP目标自动识别技术具有很强的工程实用性,从特征提取和分类器的设计方面,提出了一种基于深度卷积神经网络的雷达一维距离像目标识别技术。
为实现上述目的,本发明的技术方案为基于深度卷积神经网络的雷达一维距离像目标识别方法,包括以下步骤:
S1:采集数据集,将N个雷达采集到的HRRP数据集依据目标的种类进行合并,其中目标的种类为5,每种种类的数据分别在不同的数据段里选择训练样本和测试样本,在训练集和测试集样本的选取过程中,保证所选取的训练集的数据与雷达所成姿态涵盖测试数据集与雷达所成的姿态,各类目标训练集和测试集的样本数的比例为8:2,将挑选的数据集记作其中Xi表示第i个样本,yk表示第k种目标,i0表示样本总数。
S2:对S1采集到的数据进行预处理,对挑选的数据集T中的每一个样本使用补偿对齐法进行对齐,然后再对对齐的样本加入小强度的高斯随机噪声,随机左右平移很小的单位扩充数据集,再对扩充后的数据集进行能量归一化得到归一化后的数据;
S3:从预处理后的数据中提取特征,对S2预处理后的数据进行幂次变换,并将幂次变换的结果进行横向相连,再对幂次变换后的数据进行谱图特征提取;
S4:设立一个阈值将采集到的雷达HRRP信号分成低信噪比和高信噪比样本两个部分;
S5:构建基于稳健玻尔兹曼的特征增强算法,算法利用信噪比较高的训练样本特征包含的先验信息,对信噪比较低的样本特征进行特征增强;
S6:构建基于卷积神经网络和基于LSTM(长短期记忆网络)的双向循环神经网络的HRRP目标识别模型,实现雷达HRRP的自动识别功能;
S7:对经过步骤S6构建好的模型,使用梯度下降算法对构建的卷积池化和循环神经网络的模型参数进行微调,使用训练数据迭代num_steps步后,得到有效的目标识别模型,其中损失函数使用的是交叉熵损失,其表达式为:其中pi表示对应样本的标签,ai表示模型计算得到的概率值,num_steps=30000。
优选地,所述S2具体为:
S2.1:对步骤S1中的数据集T中的样本进行对齐,T中的每个数据样本皆为256维度,原始数据样本表示为:X=[x1,x2…,x256];
S2.1.1:新的数据样本将三个原始样本按照横向粘贴在一起构成一个256*3的数据集,表示为X′=abs([X,X,X])=[x′1,x′2,…,x′768],其中,abs()为对其中每个元素的值取绝对值;
S2.1.2:构建一个256维的序列Y=[y1,y2…,y256],其中,yi=exp(k||i-128.5||2)其中k表示控制因子,||·||2表示求二范数操作;
S2.1.4:将S1中数据集T中的每一个样本重复步骤S2.1.1,S2.1.2,S2.1.3得到对齐后的样本数据,记为T1;’
优选地,所述S3具体为:
S3.1:对经过S2.2处理的数据T2进行幂次变换,得到xpower=(X∴)r,其中r为幂次变换的次数,(.)r表示将括号内的向量中每一个元素分别取r次方,其中幂次变换r分别取0.3,0.4,0.5,0.6,0.7,并将幂次变换后的结果横向相连,
横向拼成一个新的特征X∵=[(X∴)0.3,(X∴)0.4,(X∴)0.5,(X∴)0.6,(X∴)0.7];
S3.2:谱图特征提取,由如下公式得到:
Xspectrogram(m,n)=|STFT(X∵)|2,
其中,STFT(·)表示对括号内的信号做离散短时傅里叶变换,|·|2表示对内部的矩阵的每一个元素取模再平方;变换后将二维谱图特征中的每一个元素取绝对值得到最终的特征,得到:
X'spectrogram=abs(Xsepctrogram)。
优选地,所述S4具体为,设立阈值将HRRP信号分为高信噪比样本和低信噪比样本两个部分,HRRP的信噪比定义为:
其中,Pl表示原始测试HRRP在第l个距离单元内的功率,256表示距离单元个数,表示添加噪声的功率。设定阈值为20,即当SNR≥20dB时,判断为高信噪比样本,当SNR<20dB时,判定为低信噪比样本。
优选地,所述S5具体为:
S5.1:构建模型,基于稳健玻尔兹曼机特征增强算法的能量函数定义如下:
其中,第一行描述了噪声以及控制高信噪比HRRP特征模型和噪声模型之间的交互,f表示高信噪比HRRP数据的特征集,fi表示第i个高信噪比HRRP数据特征节点,h表示高信噪比HRRP数据特征的隐含层,hi表示第i个高信噪比HRRP数据特征的隐含节点,s表示控制噪声的指示变量,si表示第i个控制噪声的节点,g表示噪声的隐含层,gi表示噪声的隐含节点,表示表示低信噪比HRRP数据的特征,μ表示耦合因子,控制高信噪比HRRP数据特征和低信噪比HRRP数据特征的耦合程度,第二行描述了高信噪比HRRP的高斯受限玻尔兹曼机模型,第三行表示噪声的受限玻尔兹曼机模型,其中表示噪声在第i个节点的均值和方差,bi、σi表示高斯受限玻尔兹曼机模型第i个可视节点的均值和方差,cj表示高斯受限玻尔兹曼机模型第j个隐藏节点的偏移量,Wij表示高斯受限玻尔兹曼机模型第i个可视节点到第j个隐藏节点权重,di表示受限玻尔兹曼机模型第i个可视节点的偏移量,ek表示受限玻尔兹曼机模型第k个隐藏节点的偏移量,Uik表示受限玻尔兹曼机模型第i个可视节点到第k个隐藏节点权重,λ1,λ2表示权重因子;
S5.2:利用步骤S4提取的高信噪比HRRP样本提取的特征训练学习一个高斯受限玻尔兹曼机模型,将训练所得的模型参数作为基于先验知识的稳健玻尔兹曼机特征增强算法中高斯受限玻尔兹曼机模型部分的初始化参数,再在高信噪比HRRP中加入噪声,提取特征,训练得到基于先验知识的稳健玻尔兹曼机特征增强算法的所有参数;
S5.3:判断经过S3处理后的样本是属于低信噪比样本还是属于高信噪比样本,若是属于高信噪比样本,则不作处理,若是属于低信噪比样本,则将从低信噪比样本中提取的特征经过S5.1和S5.2构造的玻尔兹曼机模型作特征增强处理得到增强的特征。
优选地,所述S6具体为:
S6.1:将S3和S4所提取的特征图数据集记为x,x作为卷积神经网络的输入,在送进输入网络之前,x为64*960的固定大小的谱图送入神经网络,雷达谱图是单通道的特征,在训练和测试的过程中每次送入网络一个batch=128张图片,神经网络的输入为一个64*960*128的谱图;
S6.2.1:使用4个卷积层和4个池化层交替连接,组成卷积神经网络,每个卷积层使用pi个大小为mi×ni的卷积核进行卷积操作,对于每个卷积层的输入xi,卷积之后得到输出其中pi表示第i个卷积层,卷积核的个数,mi,ni表示第i个卷积层的卷积核大小,yi表示输入xi与卷积核执行卷积操作,并经过激活函数f(·)后的输出值,表示第i个卷基层第j个卷积核的权重和偏置,其中,p1=64,m1×n1=5*5;p2=32,m2×n2=5*5;p3=16,m3×n3=3*3;p4=1,m4×n4=3*3;初始化为服从标准正态分布的权重分布;全部设置为常数1;激活函数f(x)采用relu激活函数,
S6.2.2:池化层池化窗口大小为3*3,偏移值为2,池化方法采用最大池化方法。提取卷积核视野内最最大化的特征,对于卷积层卷积得到的输出yi进行池化可以得到ypooli=max(yi),i=1,2,3,4其中yi代表第i个卷基层的输出,即第i个池化层的输入,max(yi)代表从当池化窗口从yi上滑动的时候,在滑动的视野内提取最大值组成池化特征图;
S6.2.3:在卷积池化的过程中,特征图均使用全0填充,卷积过程中卷积核的移动步长设置为1,池化过程中池化窗口的移动步长设置为2,根据公式ylength=(xlength/步长),ylength=(xlength/步长),经过S5.1处理后的特征图在经过四层卷积池化层之后变为4*60*p4=4*60*1,其中,1代表池化特征图的深度,xlength代表输入图像的长度,xwidth代表输入图像的宽度,ylength代表输出图像的长度,ywidth代表输出图像的宽度;
S6.2.4经过S6.2.1,6.2.2和6.2.3处理后第四个池化层的输出为4*60*1,由于batch=128,故ypool4=(128,4,60,1),其中,第一维代表batch,即每次送入神经网络的谱图数量,4,60,1分别代表第四个池化层输出的谱图的长度、宽度及深度;
S6.3:构建基于LSTM的循环神经网络,具体为:
S6.3.1:双向循环神经网络的主体结构为两个单向循环神经网络的结合,在每一个时刻t,输入同时提供给这两个方向相反的循环神经网络,输出为这两个单向循环神经网络共同决定,设置n_inputs=60,n_steps=4,n_hidden_units=128,n_class=5,其中n_inputs=60输入层神经元数目,即谱图特征中每行60列的数值,n_steps=4代表4行的数据,以一行一行像素值处理,便是4行;n_hidden_units=12表示隐层的神经元数目,n_class=5表示输出层的神经元数目,即代表所挑选的类别数目为5类;
S6.3.2:对双向循环神经网络的权重和偏置进行初始化,输入层和隐层之间的权重记为Weights1,其维度为shape=(n_inputs,n_hidden_units),隐层和输出层之间的权重记为Weights2,其维度为shape=(n_hidden_units,n_class),权重初始化采用与卷积神经网络相同的标准正太分布,输入层和隐层之间的偏置记为biases1,其维度为shape=(n_hidden_units),隐层和输出层之间的偏置记为biases2,其维度为shape=(n_class),均初始化为常量1,双向的初始状态皆记为state=0,双向循环神经网络的所有时刻共享权重,偏置和初始状态state;
S6.3.3:将通过步骤S5得到的4*60的特征谱图按列拆分,拆分出来的每一列作为一个序列,每一个序列由4个像素组成的向量,双向循环神经网络不同时刻的输入分别是拆分出来的batch个序列,从第四个池化层得到的特征图为三维,通过tensorflow中的reshape函数将输入数据变成(batch*n_steps,n_inputs)二维的适合循环神经网络输入层的形式,将reshape后的数据记作X1_in,则第一层的输出为X1_out=tanh(X1_in*Weights1+biases1),同时作为隐层的输入,其中tanh()是激活函数,
lstm_fw_cell=tf.contrib.rnn.BasicLSTMCell(n_hidden_units,forget_bias=1.0)
lstm_bw_cell=tf.contrib.rnn.BasicLSRMCell(n_hidden_units,forget_bias=1.0)
outputs,_,_=tf.contrib.rnn.static_bidirectional_rnn(lstm_fw_cell,lstm_bw_cell,X1_out)
其中,lstm_fw_cell代表前向的循环神经网络,lstm_bw_cell代表反向循环神经网络,forget_bias=1.0代表LSTM不会忘记任何信息,outputs,_,_分别代表X1_out经过的输出,前向循环神经网络被更新后的状态和反向循环神经网络被更新后的状态;取输出序列中的最后一个X2_out=outputs[-1],作为输出层的输入,a=tanh(X2_out*Weights2+biases2),为双向循环神经网络每一个时刻batch个输出的组合,输出的batch中的每一个序列的维度是n_class,a={a1,a2,a3,a4,a5};
S6.4:构建softmax层,将a作为softmax分类器的输入特征,进行分类,假设用于训练的雷达HRRP样本来自5个不同的目标,训练得到softmax回归模型的参数集θ之后,雷达测试HRRP样本的特征a对应于第i个目标的概率值p(a|i)定义为:
S6.5:通过最大后验概率来对样本进行判决,将测试样本分类到最大目标条件似然值所对应的目标c中:
代表模型判断a属于5个类别分别会有一个对应的概率,从判断的5个概率中挑选最大概率所属的类别赋给c,即为目标模型。
本发明的至少有如下具体有益效果:
1.本发明可以解决在目标HRRP样本较少情况下,通过对数据的预处理使数据集得到扩充,提高模型在小数据集下的识别效果。
2.本发明使用稳健玻尔兹曼机对低信噪比HRRP样本所提取的特征进行特征增强,改善了系统的噪声鲁棒性,能够得到较稳定的HRRP样本特征,使模型可以在低信噪比样本条件下取得较好的识别效果。
3.本发明构建了深度卷积神经网络和双向循环神经网络,发掘了数据的空间结构特性和内在特征,可取得较好的识别结果。
附图说明
图1为本发明实施例的基于深度卷积神经网络的雷达一维距离像目标识别方法的步骤流程图;
图2为本发明实施例的基于深度卷积神经网络的雷达一维距离像目标识别方法中基于先验知识的稳健玻尔兹曼机特征增强算法示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
相反,本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步,为了使公众对本发明有更好的了解,在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
参见图1,为本发明实施例的本发明的技术方案为基于深度卷积神经网络的雷达一维距离像目标识别方法的步骤流程图,包括以下步骤:
S1:采集数据集,将N个雷达采集到的HRRP数据集依据目标的种类进行合并,其中目标的种类为5,每种种类的数据分别在不同的数据段里选择训练样本和测试样本,在训练集和测试集样本的选取过程中,保证所选取的训练集的数据与雷达所成姿态涵盖测试数据集与雷达所成的姿态,各类目标训练集和测试集的样本数的比例为8:2,将挑选的数据集记作其中Xi表示第i个样本,yk表示第k种目标,i0表示样本总数。
S2:对S1采集到的数据进行预处理,对挑选的数据集T中的每一个样本使用补偿对齐法进行对齐,然后再对对齐的样本加入小强度的高斯随机噪声,随机左右平移很小的单位扩充数据集,再对扩充后的数据集进行能量归一化得到归一化后的数据;
S3:从预处理后的数据中提取特征,对S2预处理后的数据进行幂次变换,并将幂次变换的结果进行横向相连,再对幂次变换后的数据进行谱图特征提取;
S4:设立一个阈值将采集到的雷达HRRP信号分成低信噪比和高信噪比样本两个部分;
S5:构建基于稳健玻尔兹曼的特征增强算法,算法利用信噪比较高的训练样本特征包含的先验信息,对信噪比较低的样本特征进行特征增强;
S6:构建基于卷积神经网络和基于LSTM的双向循环神经网络的HRRP目标识别模型,实现雷达HRRP的自动识别功能;
S7:对经过步骤S6构建好的模型,使用梯度下降算法对构建的卷积池化和循环神经网络的模型参数进行微调,使用训练数据迭代num_steps步后,得到有效的目标识别模型,其中损失函数使用的是逻辑斯特损失函数,其表达式为:
在具体实施例中,S2具体为:
S2.1:对步骤S1中的数据集T中的样本进行对齐,T中的每个数据样本皆为256维度,原始数据样本表示为:X=[x1,x2…,x256];
S2.1.1:新的数据样本将三个原始样本按照横向粘贴在一起构成一个256*3的数据集,表示为X′=abs([X,X,X])=[x′1,x′2,…,x′768],其中,abs()为对其中每个元素的值取绝对值;
S2.1.2:构建一个256维的序列Y=[y1,y2…,y256],其中,yi=exp(k||i-128.5||2)其中k表示控制因子,||·||2表示求二范数操作;
S2.1.4:将S1中数据集T中的每一个样本重复步骤S2.1.1,S2.1.2,S2.1.3得到对齐后的样本数据,记为T1;’
S3具体为:
S3.1:对经过S2.2处理的数据T2进行幂次变换,得到xpower=(X∴)r,其中r为幂次变换的次数,(.)r表示将括号内的向量中每一个元素分别取r次方,其中幂次变换r分别取0.3,0.4,0.5,0.6,0.7,并将幂次变换后的结果横向相连,
横向拼成一个新的特征X∵=[(X∴)0.3,(X∴)0.4,(X∴)0.5,(X∴)0.6,(X∴)0.7];
S3.2:谱图特征提取,由如下公式得到:
Xspectrogram(m,n)=|STFT(X∵)|2,
其中,STFT(·)表示对括号内的信号做离散短时傅里叶变换,|·|2表示对内部的矩阵的每一个元素取模再平方;变换后将二维谱图特征中的每一个元素取绝对值得到最终的特征,得到:
X'spectrogram=abs(Xsepctrogram)。
S4具体为,设立阈值将HRRP信号分为高信噪比样本和低信噪比样本两个部分,HRRP的信噪比定义为:
其中,Pl表示原始测试HRRP在第l个距离单元内的功率,256表示距离单元个数,表示添加噪声的功率。设定阈值为20,即当SNR≥20dB时,判断为高信噪比样本,当SNR<20dB时,判定为低信噪比样本。
S5.1:构建模型,基于稳健玻尔兹曼机特征增强算法的能量函数定义如下:
其中,第一行描述了噪声以及控制高信噪比HRRP特征模型和噪声模型之间的交互,f表示高信噪比HRRP数据的特征,h表示高信噪比HRRP数据特征的隐含层节点,s表示控制噪声的指示变量,g表示噪声的隐含层节点,si表示第i个控制噪声的节点,gi表示噪声的隐含节点,表示低信噪比HRRP数据的特征,μ表示耦合因子,控制高信噪比HRRP数据特征和低信噪比HRRP数据特征的耦合程度;第二行描述了高信噪比HRRP的高斯受限玻尔兹曼机模型,第三行表示噪声的受限玻尔兹曼机模型,其中表示噪声在第i个节点的均值和方差,bi、σi表示高斯受限玻尔兹曼机模型第i个可视节点的均值和方差,cj表示高斯受限玻尔兹曼机模型第j个隐藏节点的偏移量,Wij表示高斯受限玻尔兹曼机模型第i个可视节点到第j个隐藏节点权重,di表示受限玻尔兹曼机模型第i个可视节点的偏移量,ek表示受限玻尔兹曼机模型第k个隐藏节点的偏移量,Uik表示受限玻尔兹曼机模型第i个可视节点到第k个隐藏节点权重,λ1,λ2表示权重因子;
S5.2:利用步骤S4提取的高信噪比HRRP样本提取的特征训练学习一个高斯受限玻尔兹曼机模型,将训练所得的模型参数作为基于先验知识的稳健玻尔兹曼机特征增强算法中高斯受限玻尔兹曼机模型部分的初始化参数,再在高信噪比HRRP中加入噪声,提取特征,训练得到基于先验知识的稳健玻尔兹曼机特征增强算法的所有参数;
S5.3:判断经过S3处理后的样本是属于低信噪比样本还是属于高信噪比样本,若是属于高信噪比样本,则不作处理,若是属于低信噪比样本,则将从低信噪比样本中提取的特征经过S5.1和S5.2构造的玻尔兹曼机模型作特征增强处理得到增强的特征。
S6具体为:
S6.1:将S3和S4所提取的特征图数据集记为x,x作为卷积神经网络的输入,在送进输入网络之前,x为64*960大小的谱图,固定大小的谱图送入神经网络,雷达谱图是单通道的特征,在训练和测试的过程中每次送入网络一个batch=128张图片,神经网络的输入为一个64*960*128的谱图;
S6.2.1:使用4个卷积层和4个池化层交替连接,组成卷积神经网络,每个卷积层使用pi个大小为mi×ni的卷积核进行卷积操作,对于每个卷积层的输入xi,卷积之后得到输出其中pi表示第i个卷积层,卷积核的个数,mi,ni表示第i个卷积层的卷积核大小,yi表示输入xi与卷积核执行卷积操作,并经过激活函数f(·)后的输出值,表示第i个卷基层第j个卷积核的权重和偏置,其中,p1=64,m1×n1=5*5;p2=32,m2×n2=5*5;p3=16,m3×n3=3*3;p4=1,m4×n4=3*3;初始化为服从标准正态分布的权重分布;全部设置为常数1;激活函数f(x)采用relu激活函数,
S6.2.2:池化层池化窗口大小为3*3,偏移值为2,池化方法采用最大池化方法。提取卷积核视野内最最大化的特征,对于卷积层卷积得到的输出yi进行池化可以得到ypooli=max(yi),i=1,2,3,4其中yi代表第i层的输出,即第i个池化层的输入,max(yi)代表从当池化窗口从yi上滑动的时候,在滑动的视野内提取最大值组成池化特征图;
S6.2.3:在卷积池化的过程中,特征图均使用全0填充,卷积过程中卷积核的移动步长设置为1,池化过程中池化窗口的移动步长设置为2,根据公式ylength=(xlength/步长),ywidth=(xwidth/步长),经过S5.1处理后的特征图在经过四层卷积池化层之后变为4*60*p4=4*60*1,其中,1代表池化特征图的深度,xlength代表输入图像的长度,xwidth代表输入图像的宽度,ylength代表输出图像的长度,ywidth代表输出图像的宽度;
S6.2.4经过S6.2.1,6.2.2和6.2.3处理后第四个池化层的输出为4*60*1,由于batch=128,故ypool4=(128,4,60,1),其中,第一维代表batch,即每次送入神经网络的谱图数量,14,14,1分别代表第四个池化层输出的谱图的长度、宽度及深度;
S6.3:构建基于LSTM的循环神经网络,具体为:
S6.3.1:双向循环神经网络的主体结构为两个单向循环神经网络的结合,在每一个时刻t,输入同时提供给这两个方向相反的循环神经网络,输出为这两个单向循环神经网络共同决定,设置n_inputs=60,n_steps=4,n_hidden_units=128,n_class=5,其中n_inputs=60输入层神经元数目,即谱图特征中每行60列的数值,n_steps=4代表4行的数据,以一行一行像素值处理,便是4行;n_hidden_units=12表示隐层的神经元数目,n_class=5表示输出层的神经元数目,即代表所挑选的类别数目为5类;
S6.3.2:对双向循环神经网络的权重和偏置进行初始化,输入层和隐层之间的权重记为Weights1,其维度为shape=(n_inputs,n_hidden_units),隐层和输出层之间的权重记为Weights2,其维度为shape=(n_hidden_units,n_class),权重初始化采用与卷积神经网络相同的标准正态分布,输入层和隐层之间的偏置记为biases1,其维度为shape=(n_hidden_units),隐层和输出层之间的偏置记为biases2,其维度为shape=(n_class),均初始化为常量1,双向的初始状态皆记为state=0,双向循环神经网络的所有时刻共享权重,偏置和初始状态state;
S6.3.3:将通过步骤S5得到的4*60的特征谱图按列拆分,拆分出来的每一列作为一个序列,每一个序列未由14个像素组成的向量,双向循环神经网络不同时刻的输入分别是拆分出来的batch个序列,从第四个池化层得到的特征图为三维,通过tensorflow中的reshape函数将输入数据变成(batch*n_steps,n_inputs)二维的适合循环神经网络输入层的形式,将reshape后的数据记作X1_in,则第一层的输出为X1_out=tanh(X1_in*Weights1+biases1),同时作为隐层的输入,其中tanh()是激活函数,
lstm_fw_cell=tf.contrib.rnn.BasicLSTMCell(n_hidden_units,forget_bias=1.0)
lstm_bw_cell=tf.contrib.rnn.BasicLSRMCell(n_hidden_units,forget_bias=1.0)
outputs,_,_=tf.contrib.rnn.static_bidirectional_rnn(lstm_fw_cell,lstm_bw_cell,X1_out)
其中,lstm_fw_cell代表前向的循环神经网络,lstm_bw_cell代表反向循环神经网络,forget_bias=1.0代表LSTM不会忘记任何信息,outputs,_,_分别代表X1_out经过的输出,前向循环神经网络被更新后的状态和反向循环神经网络被更新后的状态;取输出序列中的最后一个X2_out=outputs[-1],作为输出层的输入,a=tanh(X2_out*Weights2+biases2),为双向循环神经网络每一个时刻batch个输出的组合,输出的batch中的每一个序列的维度是n_class,a={a1,a2,a3,a4,a5};
S6.4:构建softmax层,将a作为softmax分类器的输入特征,进行分类,假设用于训练的雷达HRRP样本来自5个不同的目标,训练得到softmax回归模型的参数集θ之后,雷达测试HRRP样本的特征a对应于第i个目标的概率值p(a|i)定义为:
S6.5:通过最大后验概率来对样本进行判决,将测试样本分类到最大目标条件似然值所对应的目标c中:
代表模型判断a属于5个类别分别会有一个对应的概率,从判断的5个概率中挑选最大概率所属的类别赋给c,即为目标模型。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.基于深度卷积神经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:采集数据集,将N个雷达采集到的HRRP数据集依据目标的种类进行合并,其中目标的种类为5,每种种类的数据分别在不同的数据段里选择训练样本和测试样本,在训练集和测试集样本的选取过程中,保证所选取的训练集的数据与雷达所成姿态涵盖测试数据集与雷达所成的姿态,各类目标训练集和测试集的样本数的比例为8:2,将挑选的数据集记作其中Xi表示第i个样本,yk表示第k种目标,i0表示样本总数;
S2:对S1采集到的数据进行预处理,对挑选的数据集T中的每一个样本使用补偿对齐法进行对齐,然后再对对齐的样本加入小强度的高斯随机噪声,随机左右平移很小的单位扩充数据集,再对扩充后的数据集进行能量归一化得到归一化后的数据;
S3:从预处理后的数据中提取特征,对S2预处理后的数据进行幂次变换,并将幂次变换的结果进行横向相连,再对幂次变换后的数据进行谱图特征提取;
S4:设立一个阈值将采集到的雷达HRRP信号分成低信噪比和高信噪比样本两个部分;
S5:构建基于稳健玻尔兹曼机的特征增强算法,算法利用信噪比较高的训练样本特征包含的先验信息,对信噪比较低的样本特征进行特征增强;
S6:构建基于卷积神经网络和基于LSTM的双向循环神经网络的HRRP目标识别模型,实现雷达HRRP的自动识别功能;
S7:对经过步骤S6构建好的模型,使用梯度下降算法对构建的卷积池化和循环神经网络的模型参数进行微调,使用训练数据迭代num_steps步后,得到有效的目标识别模型,其中损失函数使用的是交叉熵损失,其表达式为:其中pi表示对应样本的标签,ai表示模型计算得到的概率值,num_steps=30000;
所述S2具体为:
S2.1:对步骤S1中的数据集T中的样本进行对齐,T中的每个数据样本皆为256维度,原始数据样本表示为:X=[x1,x2…,x256];
S2.1.1:新的数据样本将三个原始样本按照横向粘贴在一起构成一个256*3的数据集,表示为X′=abs([X,X,X])=[x′1,x′2,…,x′768],其中,abs()为对其中每个元素的值取绝对值;
S2.1.2:构建一个256维的序列Y=[y1,y2…,y256],其中,yi=exp(k||i-128.5||2)其中k表示控制因子,||·||2表示求二范数操作;
S2.1.4:将S1中数据集T中的每一个样本重复步骤S2.1.1,S2.1.2,S2.1.3得到的对齐后的样本数据集记为T1;
所述S3具体为:
S3.1:对经过S2.2处理的数据T2中的每一个样本进行幂次变换,得到xpower=(X∴)r,其中r为幂次变换的次数,(.)r表示将括号内的向量中每一个元素分别取r次方,其中幂次变换r分别取0.3,0.4,0.5,0.6,0.7,并将幂次变换后的结果横向相连,横向拼成一个新的特征
X∵=[(X∴)0.3,(X∴)0.4,(X∴)0.5,(X∴)0.6,(X∴)0.7];
S3.2:谱图特征提取,由如下公式得到:Xspectrogram(m,n)=|STFT(X∵)|2,
其中,STFT(·)表示对括号内的信号做离散短时傅里叶变换,|·|2表示对内部的矩阵的每一个元素取模再平方;变换后将二维谱图特征中的每一个元素取绝对值得到最终的特征,得到:
X'spectrogram=abs(Xsepctrogram);
所述S4具体为,设立阈值将HRRP信号分为高信噪比样本和低信噪比样本两个部分,HRRP的信噪比定义为:
其中,Pl表示原始测试HRRP在第l个距离单元内的功率,256表示距离单元个数,表示接收机在未接收到信号时的热噪声方差,设定阈值为20,即当SNR≥20dB时,判断为高信噪比样本,当SNR<20dB时,判定为低信噪比样本;
所述S5具体为:
S5.1:构建模型,基于稳健玻尔兹曼机特征增强算法的能量函数定义如下:
其中,第一行描述了噪声以及控制高信噪比HRRP特征模型和噪声模型之间的交互,f表示高信噪比HRRP数据的特征,h表示高信噪比HRRP数据特征的隐含层节点,s表示控制噪声的指示变量,si表示第i个控制噪声的节点,
gk表示噪声的隐含节点,g表示噪声的隐含层节点,表示表示低信噪比HRRP 数据的特征,μ表示耦合因子,控制高信噪比HRRP数据特征和低信噪比HRRP数据特征的耦合程度;第二行描述了高信噪比HRRP的高斯受限玻尔兹曼机模型,第三行表示噪声的受限玻尔兹曼机模型,其中特表示噪声在第i个节点的均值和方差,bi、σi表示高斯受限玻尔兹曼机模型第i个可视节点的均值和方差,cj表示高斯受限玻尔兹曼机模型第j个隐藏节点的偏移量,Wij表示高斯受限玻尔兹曼机模型第i个可视节点到第j个隐藏节点权重,di表示受限玻尔兹曼机模型第i个可视节点的偏移量,ek表示受限玻尔兹曼机模型第k个隐藏节点的偏移量,Uik表示受限玻尔兹曼机模型第i个可视节点到第k个隐藏节点权重,λ1,λ2表示权重因子;
S5.2:利用步骤S4提取的高信噪比HRRP样本提取的特征训练学习一个高斯受限玻尔兹曼机模型,将训练所得的模型参数作为基于先验知识的稳健玻尔兹曼机特征增强算法中高斯受限玻尔兹曼机模型部分的初始化参数,再在高信噪比HRRP中加入噪声,提取特征,训练得到基于先验知识的稳健玻尔兹曼机特征增强算法的所有参数;
S5.3:判断经过S3处理后的样本是属于低信噪比样本还是属于高信噪比样本,若是属于高信噪比样本,则不作处理,若是属于低信噪比样本,则将从低信噪比样本中提取的特征经过S5.1和S5.2构造的玻尔兹曼机模型作特征增强处理得到增强的特征;
所述S6具体为:
S6.1:将S3和S4所提取的特征图数据集记为x,x作为卷积神经网络的输入,在送进输入网络之前,x为64×960固定大小的谱图送入神经网络,雷达谱图是单通道的特征,在训练和测试的过程中每次送入网络一个batch=128张图片,神经网络的输入为一个64*960*128的三维矩阵,
S6.2.1:使用4个卷积层和4个池化层交替连接,组成卷积神经网络,每个卷积层使用pi个大小为mi×ni的卷积核进行卷积操作,对于每个卷积层的输入xi,卷积之后得到输出其中pi表示第i个卷积层,卷积核的个数,mi,ni表示第i个卷积层的卷积核大小,yi表示输入xi与卷积核执行卷积操作,并经过激活函数f(·)后的输出值,Wij,bij分别表示第i个卷积层的第j个卷积核的权重和偏置,其中,p1=64,m1×n1=5*5;p2=32,m2×n2=5*5;p3=16,m3×n3=3*3;p4=1,m4×n4=3*3;初始化为服从标准正态分布的权重分布;全部设置为常数1;激活函数f(x)采用relu激活函数,
S6.2.2:池化层池化窗口大小为3*3,偏移值为2,池化方法采用最大池化方法,提取卷积核视野内最最大化的特征,对于卷积层卷积得到的输出yi进行池化可以得到ypooli=max(yi),i=1,2,3,4其中yi代表第i个卷基层的输出,即第i个池化层的输入,max(yi)代表从当池化窗口从yi上滑动的时候,在滑动的视野内提取最大值组成池化特征图;
S6.2.3:在卷积池化的过程中,特征图均使用全0填充,卷积过程中卷积核的移动步长设置为1,池化过程中池化窗口的移动步长设置为2,根据公式ylength=(xlength/步长),ywidth=(xwidth/步长),经过S5.1处理后的特征图在经过四层卷积池化层之后变为4*60*p4=4*60*1,其中,1代表池化特征图的深度,xlength代表输入图像的长度,xwidth代表输入图像的宽度,ylength代表输出图像的长度,ywidth代表输出图像的宽度;
S6.2.4经过S6.2.1,6.2.2和6.2.3处理后第四个池化层的输出为4*60*1,由于batch=128,故ypool4=(128,4,60,1),其中,第一维代表batch,即每次送入神经网络的谱图数量,4,60,1分别代表第四个池化层输出的谱图的长度、宽度及深度;
S6.3:构建基于LSTM的循环神经网络,具体为:
S6.3.1:双向循环神经网络的主体结构为两个单向循环神经网络的结合,在每一个时刻t,输入同时提供给这两个方向相反的循环神经网络,输出为这两个单向循环神经网络共同决定,设置n_inputs=60,n_steps=4,n_hidden_units=128,n_class=5,其中n_inputs=60代表输入层神经元数目,即谱图特征中每行60列的数值,n_steps=4代表4行的数据,以一行一行像素值处理,便是4行;n_hidden_units=12表示隐层的神经元数目,n_class=5表示输出层的神经元数目,即代表所挑选的类别数目为5类;
S6.3.2:对双向循环神经网络的权重和偏置进行初始化,输入层和隐层之间的权重记为Weights1,其维度为shape=(n_inputs,n_hidden_units),隐层和输出层之间的权重记为Weights2,其维度为shape=(n_hidden_units,n_class),权重初始化采用与卷积神经网络相同的高斯分布,输入层和隐层之间的偏置记为biases1,其维度为shape=(n_hidden_units),隐层和输出层之间的偏置记为biases2,其维度为shape=(n_class),均初始化为常量1,双向的初始状态皆记为state=0,双向循环神经网络的所有时刻共享权重,偏置和初始状态state;
S6.3.3:将通过步骤S5得到的4*60的特征谱图按列拆分,拆分出来的每一列作为一个序列,每一个序列未由4个像素组成的向量,双向循环神经网络不同时刻的输入分别是拆分出来的batch个序列,从第四个池化层得到的特征图为三维,通过tensorflow中的reshape函数将输入数据变成(batch*n_steps,n_inputs)二维的适合循环神经网络输入层的形式,将reshape后的数据记作X1_in,则第一层的输出为X1_out=tanh(X1_in*Weights1+biases1),同时作为隐层的输入,其中tanh()是激活函数,
lstm_fw_cell=tf.contrib.rnn.BasicLSTMCell(n_hidden_units,forget_bias=1.0)
lstm_bw_cell=tf.contrib.rnn.BasicLSRMCell(n_hidden_units,forget_bias=1.0)
outputs=tf.contrib.rnn.static_bidirectional_rnn(lstm_fw_cell,lstm_bw_cell,X1_out)
其中,lstm_fw_cell代表前向的循环神经网络,lstm_bw_cell代表反向循环神经网络,forget_bias=1.0代表LSTM不会忘记任何信息,outputs代表X1_out经过的输出;取输出序列中的最后一个X2_out=outputs[-1],作为输出层的输入,a=tanh(X2_out*Weights2+biases2),为双向循环神经网络每一个时刻batch个输出的组合,输出的batch中的每一个序列的维度是n_class,a={a1,a2,a3,a4,a5};
S6.4:构建softmax层,将a作为softmax分类器的输入特征,进行分类,假设用于训练的雷达HRRP样本来自5个不同的目标,训练得到softmax回归模型的参数集θ之后,雷达测试HRRP样本的特征a对应于第i个目标的概率值p(a|i)定义为:
S6.5:通过最大后验概率来对样本进行判决,将测试样本分类到最大目标条件似然值所对应的目标c中:
代表模型判断a属于5个类别分别会有一个对应的概率,从判断的5个概率中挑选最大概率所属的类别赋给c,即为目标模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810806078.0A CN109086700B (zh) | 2018-07-20 | 2018-07-20 | 基于深度卷积神经网络的雷达一维距离像目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810806078.0A CN109086700B (zh) | 2018-07-20 | 2018-07-20 | 基于深度卷积神经网络的雷达一维距离像目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109086700A CN109086700A (zh) | 2018-12-25 |
CN109086700B true CN109086700B (zh) | 2021-08-13 |
Family
ID=64838436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810806078.0A Active CN109086700B (zh) | 2018-07-20 | 2018-07-20 | 基于深度卷积神经网络的雷达一维距离像目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109086700B (zh) |
Families Citing this family (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109753948B (zh) * | 2019-01-28 | 2021-06-04 | 珠海格力电器股份有限公司 | 基于微波雷达的空调控制方法和装置、存储介质和处理器 |
CN109871805B (zh) * | 2019-02-20 | 2020-10-27 | 中国电子科技集团公司第三十六研究所 | 一种电磁信号开集识别方法 |
CN109978164B (zh) * | 2019-03-18 | 2022-12-06 | 西安电子科技大学 | 基于深度置信网络识别变体飞机的高分辨距离像的方法 |
CN110033043B (zh) * | 2019-04-16 | 2020-11-10 | 杭州电子科技大学 | 基于条件生成式对抗网络的雷达一维距离像拒判方法 |
CN110147788B (zh) * | 2019-05-27 | 2021-09-21 | 东北大学 | 一种基于特征增强crnn的金属板带产品标签文字识别方法 |
CN110334741B (zh) * | 2019-06-06 | 2023-03-31 | 西安电子科技大学 | 基于循环神经网络的雷达一维距离像识别方法 |
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 |
CN110378799B (zh) * | 2019-07-16 | 2022-07-12 | 东北大学 | 基于多尺度深度卷积网络的氧化铝综合生产指标决策方法 |
CN110490915B (zh) * | 2019-08-19 | 2023-11-24 | 重庆大学 | 一种基于卷积受限玻尔兹曼机的点云配准方法 |
CN110532932B (zh) * | 2019-08-26 | 2022-12-13 | 哈尔滨工程大学 | 一种多分量雷达信号脉内调制方式识别方法 |
CN110569928B (zh) * | 2019-09-23 | 2023-04-07 | 深圳大学 | 一种卷积神经网的微多普勒雷达人体动作分类方法 |
CN110929842B (zh) * | 2019-10-15 | 2023-06-20 | 中国人民解放军国防科技大学 | 非合作无线电信号突发时间区域精确智能检测方法 |
US11747442B2 (en) | 2019-12-11 | 2023-09-05 | Samsung Electronics Co., Ltd. | Method and apparatus with radar data recognition |
CN111126226B (zh) * | 2019-12-17 | 2023-07-28 | 杭州电子科技大学 | 一种基于小样本学习和特征增强的辐射源个体识别方法 |
CN111273246B (zh) * | 2020-01-20 | 2021-10-22 | 中国人民解放军海军七〇一工厂 | 一种基于宽带雷达hrrp舰船目标数目自动判断方法及系统 |
CN111352086B (zh) * | 2020-03-06 | 2022-08-02 | 电子科技大学 | 一种基于深度卷积神经网络的未知目标识别方法 |
CN111273288B (zh) * | 2020-03-06 | 2022-05-24 | 电子科技大学 | 一种基于长短期记忆网络的雷达未知目标识别方法 |
CN111401226B (zh) * | 2020-03-13 | 2022-11-01 | 电子科技大学 | 一种辐射源快速识别方法 |
CN111580097A (zh) * | 2020-04-02 | 2020-08-25 | 杭州电子科技大学 | 基于单层双向循环神经网络的雷达目标识别方法 |
CN111580058A (zh) * | 2020-04-02 | 2020-08-25 | 杭州电子科技大学 | 基于多尺度卷积神经网络的雷达hrrp目标识别方法 |
CN111736125B (zh) * | 2020-04-02 | 2023-07-07 | 杭州电子科技大学 | 基于注意力机制和双向堆叠循环神经网络的雷达目标识别方法 |
CN111580059A (zh) * | 2020-04-02 | 2020-08-25 | 杭州电子科技大学 | 基于谱图切分预处理和卷积神经网络的雷达hrrp目标识别方法 |
CN111596276B (zh) * | 2020-04-02 | 2023-07-04 | 杭州电子科技大学 | 基于谱图变换和注意力机制循环神经网络的雷达hrrp目标识别方法 |
CN111596292B (zh) * | 2020-04-02 | 2023-08-25 | 杭州电子科技大学 | 基于重要性网络和双向堆叠循环神经网络的雷达目标识别方法 |
CN112764024B (zh) * | 2020-12-29 | 2023-06-16 | 杭州电子科技大学 | 基于卷积神经网络和Bert的雷达目标识别方法 |
CN112882010B (zh) * | 2021-01-12 | 2022-04-05 | 西安电子科技大学 | 基于信噪比领域知识网络的高分辨距离像目标识别方法 |
CN112731330B (zh) * | 2021-01-12 | 2022-04-19 | 西安电子科技大学 | 基于迁移学习的雷达载频参数变化稳健目标识别方法 |
CN113109780B (zh) * | 2021-03-02 | 2022-08-05 | 西安电子科技大学 | 基于复数密集连接神经网络的高分辨距离像目标识别方法 |
CN112904299B (zh) * | 2021-03-03 | 2023-06-30 | 西安电子科技大学 | 基于深层类内分裂的雷达高分辨距离像开集目标识别方法 |
CN112946600B (zh) * | 2021-03-17 | 2022-03-04 | 西安电子科技大学 | 基于wgan-gp的雷达hrrp数据库构建方法 |
CN113033894B (zh) * | 2021-03-24 | 2023-05-02 | 南方电网数字电网研究院有限公司 | 日用电量预测方法、装置、计算机设备和存储介质 |
CN112932344A (zh) * | 2021-04-02 | 2021-06-11 | 深圳乐居智能电子有限公司 | 一种扫地机器人清扫方法及一种扫地机器人 |
CN112966667B (zh) * | 2021-04-06 | 2022-12-16 | 中国人民解放军海军航空大学 | 海面目标一维距离像降噪卷积神经网络识别方法 |
CN113468824A (zh) * | 2021-07-29 | 2021-10-01 | 北京全四维动力科技有限公司 | 计算叶轮机械叶片的损失系数的模型训练方法及计算方法 |
CN113812965B (zh) * | 2021-08-19 | 2024-04-09 | 杭州回车电子科技有限公司 | 睡眠状态识别方法、装置、电子装置和存储介质 |
CN114509736B (zh) * | 2022-01-19 | 2023-08-15 | 电子科技大学 | 一种基于超宽带电磁散射特征的雷达目标识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175999A (zh) * | 2011-01-21 | 2011-09-07 | 西安电子科技大学 | 基于谱图特征的雷达目标高分辨距离像识别方法 |
CN102184408A (zh) * | 2011-04-11 | 2011-09-14 | 西安电子科技大学 | 基于自回归模型的雷达高分辨距离像目标识别方法 |
CN105044697A (zh) * | 2015-06-26 | 2015-11-11 | 西安电子科技大学 | 基于广义特征分解的全极化高分辨距离像目标检测方法 |
CN105116397A (zh) * | 2015-08-25 | 2015-12-02 | 西安电子科技大学 | 基于mmfa模型的雷达高分辨率距离像目标识别方法 |
CN105512680A (zh) * | 2015-12-02 | 2016-04-20 | 北京航空航天大学 | 一种基于深度神经网络的多视sar图像目标识别方法 |
CN107229918A (zh) * | 2017-05-26 | 2017-10-03 | 西安电子科技大学 | 一种基于全卷积神经网络的sar图像目标检测方法 |
CN107463966A (zh) * | 2017-08-17 | 2017-12-12 | 电子科技大学 | 基于双深度神经网络的雷达一维距离像目标识别方法 |
CN107870321A (zh) * | 2017-11-03 | 2018-04-03 | 电子科技大学 | 基于伪标签学习的雷达一维距离像目标识别方法 |
-
2018
- 2018-07-20 CN CN201810806078.0A patent/CN109086700B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175999A (zh) * | 2011-01-21 | 2011-09-07 | 西安电子科技大学 | 基于谱图特征的雷达目标高分辨距离像识别方法 |
CN102184408A (zh) * | 2011-04-11 | 2011-09-14 | 西安电子科技大学 | 基于自回归模型的雷达高分辨距离像目标识别方法 |
CN105044697A (zh) * | 2015-06-26 | 2015-11-11 | 西安电子科技大学 | 基于广义特征分解的全极化高分辨距离像目标检测方法 |
CN105116397A (zh) * | 2015-08-25 | 2015-12-02 | 西安电子科技大学 | 基于mmfa模型的雷达高分辨率距离像目标识别方法 |
CN105512680A (zh) * | 2015-12-02 | 2016-04-20 | 北京航空航天大学 | 一种基于深度神经网络的多视sar图像目标识别方法 |
CN107229918A (zh) * | 2017-05-26 | 2017-10-03 | 西安电子科技大学 | 一种基于全卷积神经网络的sar图像目标检测方法 |
CN107463966A (zh) * | 2017-08-17 | 2017-12-12 | 电子科技大学 | 基于双深度神经网络的雷达一维距离像目标识别方法 |
CN107870321A (zh) * | 2017-11-03 | 2018-04-03 | 电子科技大学 | 基于伪标签学习的雷达一维距离像目标识别方法 |
Non-Patent Citations (4)
Title |
---|
"Radar HRRP Target Recognition Based on t-SNE Segmentation and Discriminant Deep Belief Network";Mian Pan 等;《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》;20170930;第14卷(第9期);第1609-1613页 * |
"基于TSB-HMM模型的雷达高分辨距离像目标识别方法";潘勉 等;《电子与信息学报》;20130731;第35卷(第7期);第1547-1554页 * |
"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";徐彬 等;《电子与信息学报》;20161231;第38卷(第12期);第2988-2995页 * |
"基于深度双向长短时记忆网络的文本情感分类";刘建兴 等;《桂林电子科技大学学报》;20180430;第38卷(第2期);第122-126页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109086700A (zh) | 2018-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN110135267B (zh) | 一种大场景sar图像细微目标检测方法 | |
US11402496B2 (en) | Method and apparatus for enhancing semantic features of SAR image oriented small set of samples | |
CN108229404B (zh) | 一种基于深度学习的雷达回波信号目标识别方法 | |
CN110334741B (zh) | 基于循环神经网络的雷达一维距离像识别方法 | |
CN108038445B (zh) | 一种基于多视角深度学习框架的sar自动目标识别方法 | |
CN109766835B (zh) | 基于多参数优化生成对抗网络的sar目标识别方法 | |
CN107145830B (zh) | 基于空间信息增强和深度信念网络的高光谱图像分类方法 | |
CN110531313A (zh) | 一种基于深度神经网络回归模型的近场信号源定位方法 | |
CN106355151A (zh) | 一种基于深度置信网络的三维sar图像目标识别方法 | |
CN108846426A (zh) | 基于深度双向lstm孪生网络的极化sar分类方法 | |
CN106228201A (zh) | 一种基于阴影特性的合成孔径雷达抗欺骗式干扰方法 | |
CN108008385A (zh) | 基于稀疏贝叶斯学习的干扰环境isar高分辨成像方法 | |
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 | |
CN108256436A (zh) | 一种基于联合分类的雷达hrrp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 | |
CN108447057A (zh) | 基于显著性和深度卷积网络的sar图像变化检测方法 | |
CN112560966B (zh) | 基于散射图卷积网络的极化sar图像分类方法、介质及设备 | |
CN105913081A (zh) | 基于改进的PCAnet的SAR图像分类方法 | |
CN108932455B (zh) | 遥感图像场景识别方法及装置 | |
CN105989336A (zh) | 基于带权重的解卷积深度网络学习的场景识别方法 | |
CN114155397B (zh) | 一种小样本图像分类方法及系统 | |
CN104680169A (zh) | 一种面向高空间分辨率遥感图像专题信息提取的半监督诊断性特征选择方法 | |
CN107862329A (zh) | 一种基于深度置信网络的雷达一维距离像真假目标识别方法 | |
CN106908774B (zh) | 基于多尺度核稀疏保持投影的一维距离像识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |