CN109932714A - 基于卷积神经网络的变体飞机高分辨回波恢复方法 - Google Patents

Abstract

本发明提出了一种基于卷积神经网络的变体飞机高分辨回波恢复方法，解决了因变体飞机与对应的非变体飞机高分辨回波存在差异导致的变体飞机识别率下降的问题。实现过程是：输入变体飞机高分辨回波；对样本进行标准化预处理；构建并训练一维卷积神经网络；变体飞机高分辨回波的恢复。本发明用卷积神经网络将变体飞机高分辨回波恢复成非变体飞机高分辨回波；构建并训练适用于高分辨回波的一维卷积神经网络，用于变体飞机高分辨回波恢复。本发明能将变体飞机高分辨回波恢复成对应的非变体飞机高分辨回波，大大降低变体部分对目标识别方法带来的影响，有效提高了变体飞机识别的识别率。可应用于雷达目标识别领域。

Description

基于卷积神经网络的变体飞机高分辨回波恢复方法

技术领域

本发明属于雷达技术领域，特别涉及变体飞机高分辨回波恢复方法，具体是一种基于卷积神经网络的变体飞机高分辨回波恢复方法，可用于雷达目标识别。

背景技术

雷达高分辨回波是一维图像，是宽带雷达获取的目标散射中心回波在雷达视线上投影的矢量和，其中包含了目标的尺寸和散射中心分布等结构信息，由于其具有获取容易以及处理简单的优点，在雷达目标识别领域受到了广泛的关注。

由于作战环境的不同，飞机目标的外形会发生变化，例如作战飞机是否悬挂副油箱以及是否挂载武器等情况，宽带雷达获得的高分辨回波与库内目标的高分辨回波在结构上会出现失配的问题，这类目标称为变体飞机。在进行目标识别时，获取的变体飞机目标的高分辨回波可能会被误判称其他类型的飞机目标，导致识别错误，从而会导致变体飞机目标的识别率严重下降。

目前现有的变体飞机高分辨回波恢复方法有一种是基于压缩感知的高分辨回波恢复方法，其在一定程度上能够将变体部分去除掉，但要求高分辨回波是稀疏的，在高分辨回波稀疏度不合适的情况下，恢复效果较差，进而导致变体飞机识别率较差。还有一种是基于稀疏贝叶斯模型的高分辨恢复方法，虽然恢复效果较好，识别率有所提高，但是并不是很理想，且处理时间较长。

发明内容

本发明的目的在于针对变体飞机导致识别率下降的情况，提出一种识别率更高的基于卷积神经网络的变体飞机高分辨回波恢复方法。

本发明是一种基于卷积神经网络的变体飞机高分辨回波恢复方法，其特征在于，包括有如下步骤：

1)输入变体飞机高分辨回波：将雷达收到的变体飞机高分辨回波和与之对应的非变体飞机高分辨回波实时接收并保存到数据文件中，然后将保存好的变体飞机高分辨回波和与之对应的非变体飞机高分辨回波数据作为样本均输入到一维卷积神经网络中；变体飞机高分辨回波数据为变体样本，非变体飞机高分辨回波数据为期望样本，变体样本和期望样本统称为样本；每个样本即一个样本向量；

2)对样本进行标准化预处理：对输入到一维卷积神经网络中的高分辨回波数据进行幅度归一化处理，幅度归一化采用最大值归一化处理，具体方法是用样本向量中的每个元素除以该样本向量中所有元素中的最大值；用该归一化方法遍历所有样本形成最大值归一化之后的样本集，其中在该样本集中随机选取一半的变体样本和与之对应的期望样本作为训练样本集，剩余的变体样本作为测试样本集；

3)构建并训练一维卷积神经网络：

构建一维卷积神经网络，其卷积层和池化层组成基础网络，基础网络的多层叠加和连接再连接全连接层作为一维卷积神经网络的输出层；

将标准化预处理之后的训练样本集输入到一维卷积神经网络中，首先训练首尾连接的所有基础网络，无监督地学习训练样本的特征，将最后一层基础网络输出的样本输入到全连接层中，计算全连接层的输出数据与归一化后的期望样本之间的误差，微调一维卷积神经网络中的参数，多次迭代得到优化好的一维卷积神经网络；

4)变体飞机高分辨回波的恢复：将标准化预处理之后的测试样本集中的变体样本输入到一维卷积神经网络中，一维卷积神经网络输出对应的非变体飞机的高分辨回波。

本发明使用卷积神经网络模型，通过训练卷积神经网络，从变体飞机高分辨回波中恢复出非变体飞机目标的高分辨回波，提高变体飞机高分辨回波的识别率。

与现有技术相比，本发明的优点如下：

本发明使用卷积神经网络模型，通过训练卷积神经网络，使得变体飞机高分辨回波输入到该网络后，卷积神经网络输出与之对应的非变体飞机高分辨回波，有效地滤除变体部分带来的影响，极大地提高变体飞机的高分辨回波的识别率。

本发明构建的适用于变体飞机高分辨回波的一维卷积神经网络模型，由多层基础网络和一层全连接层组成，其中基础网络由卷积层和池化层组成，卷积层中卷积核为适用于高分辨回波的一维卷积核，以变体飞机高分辨回波作为变体样本，对应的非变体高分辨回波作为期望样本对该网络进行训练，使得网络能够从变体高分辨回波中学习变体飞机与非变体飞机高分辨回波之间的特征，进而变体高分辨回波恢复成非变体飞机高分辨回波。

实验验证本发明能够将变体飞机高分辨回波恢复成非变体飞机高分辨回波，有效减低变体部分对基于高分辨回波的目标识别方法带来的的影响，大大提高变体飞机高分辨回波的识别率。

附图说明

图1是本发明的实现流程图；

图2是非变体飞机高分辨回波；

图3是图2对应的变体飞机高分辨回波；

图4是本发明对图3进行恢复之后的高分辨回波。

具体实施方式

下面结合附图和实施例对本发明详细说明：

实施例1

随着雷达目标识别的不断发展，基于高分辨回波的目标识别受到了广泛的关注，但是由于作战环境的不同，作战飞机会随着不同的作战环境改变飞机的配置，例如武器是否挂载和随着作战距离的远近会出现副油箱是否挂载的情况，这些都会导致飞机的外形发生变化，从而导致雷达获得的高分辨回波发生变化，图2为非变体飞机高分辨回波，图3为图2对应的变体飞机高分辨回波，对比图2和图3可以看出，变体飞机高分辨回波相对于非变体飞机高分辨回波发生了较大的变化，因此基于高分辨回波的目标识别方法在对其进行目标识别时可能会将其误判为其他类别的飞机，导致变体飞机识别率严重下降，因此将外形发生变化的飞机的高分辨回波恢复成外形未发生变化的飞机的高分辨回波尤为重要，目前现有的变体飞机高分辨回波恢复方法有一种是基于稀疏贝叶斯模型的高分辨回波恢复方法，该方法通过建立稀疏贝叶斯模型，将变体飞机高分辨回波恢复成非变体飞机高分辨回波，虽然恢复效果较好，提高了变体飞机识别的识别率，但还有待提高，且恢复时间较长，不能达到实时性的要求，本发明针对以上现状，经过研究与创新提出了一种基于卷积神经网络的变体飞机高分辨回波恢复方法，恢复效果相对较好，识别率明显提高，且有效的减少了恢复时间。

本发明是一种基于卷积神经网络的变体飞机高分辨回波恢复方法，参见图1，包括有如下步骤：

1)输入变体飞机高分辨回波：将雷达收到的变体飞机高分辨回波和与之对应的非变体飞机高分辨回波实时接收并保存到数据文件中，然后将保存好的变体飞机高分辨回波和与之对应的非变体飞机高分辨回波数据作为样本均输入到一维卷积神经网络中；变体飞机高分辨回波数据为变体样本，非变体飞机高分辨回波数据为期望样本，变体样本和期望样本统称为样本；每个样本即一个样本向量；

2)对样本进行标准化预处理：对输入到一维卷积神经网络中的高分辨回波数据进行幅度归一化处理，幅度归一化采用最大值归一化处理，具体方法是用样本向量中的每个元素除以该样本向量中所有元素中的最大值；用该归一化方法遍历所有样本形成最大值归一化之后的样本集，其中在该样本集中随机选取一半的变体样本和与之对应的期望样本作为训练样本集，剩余的变体样本作为测试样本集；

按照下式，对每个的高分辨回波进行最大值归一化：

其中，是进行最大值归一化之后的高分辨回波，max表示取最大值操作；

3)构建并训练一维卷积神经网络：

构建一维卷积神经网络，其卷积层和池化层组成基础网络，基础网络的多层叠加和连接再连接全连接层作为一维卷积神经网络的输出层；

将标准化预处理之后的训练样本集输入到一维卷积神经网络中，首先训练首尾连接的所有基础网络，无监督地学习训练样本的特征，将最后一层基础网络输出的样本输入到全连接层中，计算全连接层的输出数据与归一化后的期望样本之间的误差，微调一维卷积神经网络中的参数，多次迭代得到优化好的一维卷积神经网络；

4)变体飞机高分辨回波的恢复：将标准化预处理之后的测试样本集中的变体样本输入到一维卷积神经网络中，一维卷积神经网络输出对应的非变体飞机的高分辨回波。

目前现有的对变体飞机高分辨回波恢复的方法有一种是基于压缩感知的方法，该方法对要求高分辨回波是稀疏的，而且恢复效果的好坏取决于高分辨回波的稀疏程度，还有一种方法是基于稀疏贝叶斯的方法，虽然该方法对变体飞机高分辨回波的恢复效果较好，但还有待提高，且是以大量的恢复时间为代价的，不能满足实时性的需求，本发明提出的基于卷积神经网络的变体飞机高分辨回波恢复方法是将卷积神经网络应用在变体飞机识别领域。通过训练卷积神经网络，获得优化后的卷积神经网络，使得变体飞机目标高分辨回波输入优化好的卷积神经网络中能够输出与之对应的非变体飞机目标高分辨回波，有效地提高了目标识别的性能。不需要对高分辨回波有特定的要求，同时在满足恢复效果的前提下减少了恢复时间。

实施例2

基于卷积神经网络的变体飞机高分辨回波恢复方法同实施例1，步骤3)中所述的构建并训练一维卷积神经网络，具体包括：

3a)构建一维卷积神经网络：选取m层基础网络和一层全连接层组成一维卷积神经网络，其中基础网络中卷积层在前，其后连接池化层，m层基础网络首尾连接再与全连接层连接后构建形成一维卷积神经网络，一维卷积神经网络的输入层为卷积层，输出层为全连接层，m为基础网络的层数。m过小会导致一维卷积神经网络不能很好的学习到变体飞机高分辨回波和非变体飞机高分辨回波之间的特征，m过大会导致一维卷积神经网络的训练时间加长，因此需要不断更改m的值训练一维卷积神经网络选取合适的m的值，本例中m＝3。

3b)对一维卷积神经网络进行无监督预训练：将标准化预处理之后的训练样本集输入到一维卷积神经网络中，训练一维卷积神经网络中的m层基础网络，训练样本输入到第一层基础网络中，经过卷积层和池化层后进入到下一层基础网络中，依次类推，直到通过m层基础网络，无监督地学习训练样本的特征，得到学习后的样本。

3c)对一维卷积神经网络进行有监督训练：将最后一层基础网络的输出输入到顶层的全连接层中，训练全连接层并得到全连接层的输出数据，计算全连接层的输出数据和归一化之后的期望样本之间的误差，并将该误差自顶向下传播到整个一维卷积神经网络中，微调一维卷积神经网络中的参数，直到达到设置的最大迭代次数K，得到训练好的一维卷积神经网络。最大迭代次数K太小会导致一维卷积神经网络出现欠拟合的情况，即不能充分学习到样本集的特征，最大迭代次数太大会导致一维卷积神经网络出现过拟合的情况，即训练好的一维卷积神经网络对于训练样本集表现出良好性能，但是对于测试样本集不能很好的表现出一维卷积神经网络对变体飞机高分辨回波的恢复能力，因此需要多次更改最大迭代次数K，多次训练一维卷积神经网络，最终找到合适的最大迭代次数K，本例中K＝150。本发明的训练过程用时较短，能够很快的得出结果。

本发明构建并训练的一维卷积神经网络能够尽可能的学习到变体飞机高分辨回波和非变体飞机高分辨回波之间的特征，一维卷积神经网络的输出与非变体飞机的高分辨回波之间的误差较小，一维卷积神经网络的输出和非变体飞机的高分辨回波很接近，大大降低了变体部分带来的影响，有效的提高了变体飞机的识别率。

实施例3

基于卷积神经网络的变体飞机高分辨回波恢复方法同实施例1-2，步骤3b)所述的训练一维卷积神经网络中m层基础网络，具体包括：

本例中以基础网络层数m＝4为例：

3b1)设置第一层基础网络中的卷积层的一维卷积核大小为5，卷积核的个数为32，第一层基础网络中的池化层为最大值池化，将标准化预处理之后的所有训练样本输入到第一层基础网络，得到第一层基础网络的输出。

3b2)设置第二层基础网络中的卷积层的一维卷积核大小为5，卷积核的个数为16，第二层基础网络中的池化层为最大值池化，将第一层基础网络的输出作为第二层基础网络的输入，输入到第二层基础网络，得到第二层基础网络的输出。

3b3)设置第三层基础网络中的卷积层的一维卷积核大小为5，卷积核的个数为16，第三层基础网络中的池化层为最大值池化，将第二层基础网络的输出作为第三层基础网络的输入，输入到第三层基础网络，得到第三层基础网络的输出。

3b4)设置第四层基础网络中的卷积层的一维卷积核大小为5，卷积核的个数为8，第四层基础网络中的池化层为最大值池化，将第三层基础网络的输出作为第四层基础网络的输入，输入到第四层基础网络，得到第四层的网络输出。

高分辨回波是一维数据，因此基础网络中的卷积层中的卷积核设置为一维卷积核才能保证高分辨回波与卷积核相匹配，卷积核的大小和个数需要通过不断更改来训练一维卷积神经网络，通过一维卷积神经网络对变体飞机高分辨回波的恢复性能决定卷积核的大小和个数。

本发明设置的m层基础网络中的参数能够使得m层基础网络在无监督的情况下尽可能的学习训练样本的特征，学习到变体飞机高分辨回波和非变体高分辨回波之间的关系，提高一维卷积神经网络的学习效果。

实施例4

基于卷积神经网络的变体飞机高分辨回波恢复方法同实施例1-3，步骤3c)中所述的计算全连接层的输出数据和归一化之后的期望样本之间的误差，具体包括：

将全连接层的输出数据与归一化之后的期望样本之间的交叉熵作为误差，按照下式，计算交叉熵：

其中，C为全连接层的输出数据与归一化之后的期望样本之间的交叉熵，N表示高分辨回波的维度，d_i表示归一化之后的期望样本的样本向量的第i个元素，y_i表示全连接层的输出数据的样本向量的第i个元素。

本发明使用交叉熵作为全连接层的输出数据与归一化之后的期望样本之间的误差，交叉熵能够使得全连接层的输出数据与归一化之后的期望样本更加相近，使得一维卷积神经网络学习过程中通过该误差微调一维卷积神经网络的参数，能够保证一维卷积神经网络输出的数据尽可能的接近归一化之后的期望样本。

下面给出一个更加详细的例子，对本发明进一步说明：

实施例5

基于卷积神经网络的变体飞机高分辨回波恢复方法同实施例1-4，本发明实现过程包括：

步骤1：输入变体飞机高分辨回波：将雷达收到的变体飞机高分辨回波和与之对应的非变体飞机高分辨回波实时接收并保存到数据文件中，然后将保存好的变体飞机高分辨回波和与之对应的非变体飞机高分辨回波数据作为样本均输入到一维卷积神经网络中；变体飞机高分辨回波数据为变体样本，非变体飞机高分辨回波数据为期望样本，变体样本和期望样本统称为样本；每个样本即一个样本向量。

步骤2：对样本进行标准化预处理：对输入到一维卷积神经网络中的高分辨回波数据进行幅度归一化处理，幅度归一化采用最大值归一化处理，具体方法是用样本向量中的每个元素除以该样本向量中所有元素中的最大值；用该归一化方法遍历所有样本形成最大值归一化之后的样本集，其中在该样本集中随机选取一半的变体样本和与之对应的期望样本作为训练样本集，剩余的变体样本作为测试样本集；幅度归一化可以保证不同雷达获得的高分辨回波进行幅度归一化之后具有相同的高分辨回波，避免因为不同雷达获得的相同飞机的高分辨回波幅度大小不同影响一维卷积神经网络的恢复效果；

按照下式，对每个的高分辨回波进行最大值归一化：

其中，是进行最大值归一化之后的高分辨回波，max表示取最大值操作。

步骤3：构建并训练一维卷积神经网络：

3a)构建一维卷积神经网络：选取m层基础网络和一层全连接层组成一维卷积神经网络，其中基础网络中卷积层在前，其后连接池化层，构建形成一维卷积神经网络，一维卷积神经网络的输入层为卷积层，输出层为全连接层，m为基础网络的层数。m过小会导致一维卷积神经网络不能很好的学习到变体飞机高分辨回波和非变体飞机高分辨回波之间的特征，m过大会导致一维卷积神经网络的训练时间加长，因此需要不断更改m的值训练一维卷积神经网络选取合适的m的值；

3b)对一维卷积神经网络进行无监督预训练：将标准化预处理之后的训练样本集输入到一维卷积神经网络中，训练一维卷积神经网络中的m层基础网络，以m＝4为例：

3b1)设置第一层基础网络中的卷积层的一维卷积核大小为5，卷积核的个数为32，第一层基础网络中的池化层为最大值池化，将标准化预处理之后的所有训练样本输入到第一层基础网络，得到第一层基础网络的输出；

3b2)设置第二层基础网络中的卷积层的一维卷积核大小为5，卷积核的个数为16，第二层基础网络中的池化层为最大值池化，将第一层基础网络的输出作为第二层基础网络的输入，输入到第二层基础网络，得到第二层基础网络的输出；

3b3)设置第三层基础网络中的卷积层的一维卷积核大小为5，卷积核的个数为16，第三层基础网络中的池化层为最大值池化，将第二层基础网络的输出作为第三层基础网络的输入，输入到第三层基础网络，得到第三层基础网络的输出；

3b4)设置第四层基础网络中的卷积层的一维卷积核大小为5，卷积核的个数为8，第四层基础网络中的池化层为最大值池化，将第三层基础网络的输出作为第四层基础网络的输入，输入到第四层基础网络，得到第四层的网络输出。

高分辨回波是一维数据，因此基础网络中的卷积层中的卷积核设置为一维卷积核才能保证高分辨回波与卷积核相匹配，卷积核的大小和个数需要通过不断更改来训练一维卷积神经网络，通过一维卷积神经网络对变体飞机高分辨回波的恢复性能决定卷积核的大小和个数。

训练样本输入到第一层基础网络中，经过卷积层和池化层后进入到下一层基础网络中，依次类推，直到通过m层基础网络，无监督地学习训练样本的特征，得到学习后的样本；

3c)对一维卷积神经网络进行有监督训练：将最后一层基础网络的输出输入到顶层的全连接层中，训练全连接层并得到全连接层的输出数据，计算全连接层的输出数据和归一化之后的期望样本之间的误差，将全连接层的输出数据与归一化之后的期望样本之间的交叉熵作为误差，按照下式，计算交叉熵：

其中，C为全连接层的输出数据与归一化之后的期望样本之间的交叉熵，N表示高分辨回波的维度，d_i表示归一化之后的期望样本的样本向量的第i个元素，y_i表示全连接层的输出数据的样本向量的第i个元素。

将该误差自顶向下传播到整个一维卷积神经网络中，微调一维卷积神经网络中的参数，直到达到设置的最大迭代次数K，得到训练好的一维卷积神经网络。最大迭代次数K太小会导致一维卷积神经网络出现欠拟合的情况，即不能充分学习到样本集的特征，最大迭代次数太大会导致一维卷积神经网络出现过拟合的情况，即训练好的一维卷积神经网络对于训练样本集表现出良好性能，但是对于测试样本集不能很好的表现出一维卷积神经网络对变体飞机高分辨回波的恢复能力，因此需要多次更改最大迭代次数K，多次训练一维卷积神经网络，最终找到合适的最大迭代次数K。

步骤4：变体飞机高分辨回波的恢复：将标准化预处理之后的测试样本集输入到步骤3)训练好的一维卷积神经网络中，一维卷积神经网络输出对应的非变体飞机的高分辨回波。

本发明构建的适用于变体飞机高分辨回波的一维卷积神经网络模型，由多层基础网络和一层全连接层组成，其中基础网络由卷积层和池化层组成，卷积层中卷积核为适用于高分辨回波的一维卷积核，以变体飞机高分辨回波作为变体样本，对应的非变体高分辨回波作为期望样本对该网络进行训练，使得网络能够从变体高分辨回波中学习变体飞机与非变体飞机高分辨回波之间的特征，进而将变体高分辨回波恢复成非变体飞机高分辨回波，大大降低变体部分对基于高分辨回波的目标识别方法带来的影响，有效的提高变体飞机识别率。

本发明的效果可通过以下对实测数据的实验进一步说明：

实施例6

基于卷积神经网络的变体飞机高分辨回波恢复方法同实施例1-5，

实验参数

实验采用三类飞机目标的高分辨回波来检测本发明方法的恢复效果。其中录取三类飞机目标高分辨回波的雷达的具体参数为：中心频率5520MHz，带宽400MHz。三类飞机目标的参数如表1所示：

表1三类飞机目标的参数

飞机	长度(m)	宽度(m)	高度(m)
				雅克-42	36.38	34.88	9.83
安-26	23.80	29.20	8.58
				奖状	14.40	15.90	4.91

其中，“雅克-42”飞机目标包含七段高分辨回波数据，“安-26”飞机目标包含七段高分辨回波数据，“奖状”飞机目标包含五段高分辨回波数据。所有高分辨回波均为128维。本实验选取“雅克-42”飞机目标的第二段和第五段高分辨回波数据、“奖状”飞机目标的第六段和第七段高分辨回波数据以及“安-26”飞机目标的第五段和第六段高分辨回波数据作为训练样本，其余数据段内的抽取部分高分辨回波人为的加入变体分量后作为测试样本。

实验内容及结果分析

实验1：用本发明对变体飞机高分辨回波进行恢复

从“奖状”飞机非变体飞机的高分辨回波数据抽取其中一个高分辨回波，如图2所示，在距离单元为40到90的区间内为该高分辨回波的主要区域，是基于高分辨回波的目标识别方法的主要依据，距离单元为80时为该高分辨回波的高峰；

与图2中高分辨回波对应的变体飞机高分辨回波如图3所示，在距离单元在60到80的区间内与图2发生了很大的变化，该区间即为变体部分，对比图2和图3可以看出变体飞机高分辨回波相对于非变体飞机高分辨回波产生了明显的形变，存在明显的结构失陪的情况。

利用训练样本集和本发明中训练一维卷积神经网络的方法对一维卷积神经网络进行训练，然后将测试样本输入到该一维卷积神经网络中，得到恢复出的高分辨回波，其中对图3中高分辨回波恢复出的高分辨回波如图4。

对比图2和图4可以看出通过本发明的方法恢复出的高分辨回波与对应的非变体飞机高分辨回波很相近，基本相同，本发明对图3中高分辨回波恢复后可以大大降低变体所造成的影响。本发明的方法能够较好的将变体飞机高分辨回波恢复成对应的非变体飞机的高分辨回波，验证了本发明的方法的有效性。

实施例7

基于卷积神经网络的变体飞机高分辨回波恢复方法同实施例1-5，实验参数同实施例6。

实验2，分别对未恢复的高分辨回波和用本发明恢复出的高分辨回波进行目标识别，分离器为自适应高斯分类器，其识别率对比如下：

使用自适应高斯分类器对非变体飞机的三类飞机的高分辨回波测试数据进行目标识别，平均识率为86.99％。

使用自适应高斯分类器对三类飞机的变体飞机高分辨回波测试数据进行目标识别，平均识别率为71.28％，平均识别率下降了15.71％。

使用本发明的方法对三类飞机的变体飞机高分辨回波测试数据进行恢复，得到本发明恢复后三类飞机的高分辨回波测试数据。

再使用自适应高斯分类器对本发明恢复后的三类飞机的高分辨回波测试数据进行目标识别，得到的平均识别率为85.88％；相较于未处理前的三类飞机的变体飞机高分辨回波，平均识别率提升了14.60％，提高了变体飞机高分辨回波的识别率，而且相对于非变体飞机高分辨回波的平均识别率仅有1.11％的下降。实验结果证明本发明的方法大大降低了变体部分对高分辨回波目标识别带来的影响，能够使得经本发明恢复后的三类飞机的高分辨回波测试数据的平均识别率均远远高于变体飞机高分辨回波测试数据的平均识别率，并接近于三类飞机的非变体飞机高分辨回波测试数据的平均识别率，实验验证了本发明的方法的有效性。

简而言之，本发明提出的基于卷积神经网络的变体飞机高分辨回波恢复方法，主要解决由于变体飞机与对应的非变体飞机外形不同导致的变体飞机高分辨回波与对应的非变体飞机高分辨回波存在差异，从而导致变体飞机识别率下降的问题。具体实现过程是：1.输入变体飞机高分辨回波；2.对样本进行标准化预处理；3.构建并训练一维卷积神经网络；4.变体飞机高分辨回波的恢复。本发明利用卷积神经网络将变体飞机高分辨回波恢复成非变体飞机高分辨回波；构建并训练适用于高分辨回波的一维卷积神经网络；应用于变体飞机高分辨回波恢复。本发明能够将变体飞机高分辨回波恢复成对应的非变体飞机高分辨回波，大大降低变体部分对基于高分辨回波的目标识别方法带来的影响，有效的提高变体飞机识别的识别率。可以应用于雷达目标识别领域。

Claims (3)

1.一种基于卷积神经网络的变体飞机高分辨回波恢复方法，其特征在于，

包括有如下步骤：

1)输入变体飞机高分辨回波：将雷达收到的变体飞机高分辨回波和与之对应的非变体飞机高分辨回波实时接收并保存到数据文件中，然后将保存好的变体飞机高分辨回波和与之对应的非变体飞机高分辨回波数据作为样本均输入到一维卷积神经网络中；变体飞机高分辨回波数据为变体样本，非变体飞机高分辨回波数据为期望样本，变体样本和期望样本统称为样本；每个样本即一个样本向量；

2)对样本进行标准化预处理：对输入到一维卷积神经网络中的高分辨回波数据进行幅度归一化处理，幅度归一化采用最大值归一化处理，具体方法是用样本向量中的每个元素除以该样本向量中所有元素中的最大值；用该归一化方法遍历所有样本形成最大值归一化之后的样本集，其中在该样本集中随机选取一半的变体样本和与之对应的期望样本作为训练样本集，剩余的变体样本作为测试样本集；

3)构建并训练一维卷积神经网络：

构建一维卷积神经网络，其卷积层和池化层组成基础网络，基础网络的多层叠加和连接再连接全连接层作为一维卷积神经网络的输出层；

将标准化预处理之后的训练样本集输入到一维卷积神经网络中，首先训练首尾连接的所有基础网络，无监督地学习训练样本的特征，将最后一层基础网络输出的样本输入到全连接层中，计算全连接层的输出数据与归一化后的期望样本之间的误差，微调一维卷积神经网络中的参数，多次迭代得到优化好的一维卷积神经网络；

4)变体飞机高分辨回波的恢复：将标准化预处理之后的测试样本集中的变体样本输入到一维卷积神经网络中，一维卷积神经网络输出对应的非变体飞机的高分辨回波。

2.根据权利要求1所述的基于卷积神经网络的变体飞机高分辨回波恢复方法，其特征在于，步骤3)中所述的构建并训练一维卷积神经网络，具体包括：

3a)构建一维卷积神经网络：选取m层基础网络和一层全连接层组成一维卷积神经网络，其中基础网络中卷积层在前，其后连接池化层，构建形成一维卷积神经网络，一维卷积神经网络的输入层为卷积层，输出层为全连接层，m为基础网络的层数；

3b)对一维卷积神经网络进行无监督预训练：将标准化预处理之后的训练样本集输入到一维卷积神经网络中，训练一维卷积神经网络中的m层基础网络，训练样本输入到第一层基础网络中，经过卷积层和池化层后进入到下一层基础网络中，依次类推，直到通过m层基础网络，无监督地学习训练样本的特征，得到学习后的样本；

3c)对一维卷积神经网络进行有监督训练：将最后一层基础网络的输出输入到顶层的全连接层中，训练全连接层并得到全连接层的输出数据，通过误差公式计算全连接层的输出数据和归一化之后的期望样本之间的误差，并将该误差自顶向下传播到整个一维卷积神经网络中，微调一维卷积神经网络中的参数，直到达到设置的最大迭代次数K，得到训练好的一维卷积神经网络。

3.根据权利要求2所述的基于卷积神经网络的变体飞机高分辨回波恢复方法，其特征在于，步骤3b)所述的训练一维卷积神经网络中的m层基础网络，以m＝4为例：具体包括如下步骤：

3b1)设置第一层基础网络中的卷积层的一维卷积核大小为5，卷积核的个数为32，第一层基础网络中的池化层为最大值池化，将标准化预处理之后的所有训练样本输入到第一层基础网络，得到第一层基础网络的输出；

3b2)设置第二层基础网络中的卷积层的一维卷积核大小为5，卷积核的个数为16，第二层基础网络中的池化层为最大值池化，将第一层基础网络的输出作为第二层基础网络的输入，输入到第二层基础网络，得到第二层基础网络的输出；

3b3)设置第三层基础网络中的卷积层的一维卷积核大小为5，卷积核的个数为16，第三层基础网络中的池化层为最大值池化，将第二层基础网络的输出作为第三层基础网络的输入，输入到第三层基础网络，得到第三层基础网络的输出；

3b4)设置第四层基础网络中的卷积层的一维卷积核大小为5，卷积核的个数为8，第四层基础网络中的池化层为最大值池化，将第三层基础网络的输出作为第四层基础网络的输入，输入到第四层基础网络，得到第四层的网络输出。