CN110969203A - 基于自相关和cam网络的hrrp数据去冗余方法 - Google Patents

基于自相关和cam网络的hrrp数据去冗余方法 Download PDF

Info

Publication number
CN110969203A
CN110969203A CN201911194741.7A CN201911194741A CN110969203A CN 110969203 A CN110969203 A CN 110969203A CN 201911194741 A CN201911194741 A CN 201911194741A CN 110969203 A CN110969203 A CN 110969203A
Authority
CN
China
Prior art keywords
data
target
cam
autocorrelation
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.)
Granted
Application number
CN201911194741.7A
Other languages
English (en)
Other versions
CN110969203B (zh
Inventor
林财永
方宇强
徐灿
殷智勇
周海俊
韩蕾
许洁平
李智
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.)
Space Engineering University
Original Assignee
Space Engineering University
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 Space Engineering University filed Critical Space Engineering University
Priority to CN201911194741.7A priority Critical patent/CN110969203B/zh
Publication of CN110969203A publication Critical patent/CN110969203A/zh
Application granted granted Critical
Publication of CN110969203B publication Critical patent/CN110969203B/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
    • G06F18/24—Classification techniques
    • 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
    • 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
    • G06N3/045—Combinations of 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
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明属于雷达信号处理领域，尤其涉及一种基于自相关和CAM网络的HRRP数据去冗余方法。包括以下步骤：S1自相关处理；S2生成训练集；S3构建CAM网络；S4计算自相关函数的权重值；S5设定门限，确定冗余区域；S6X(k)去冗余。本发明的有益效果是：(1)本发明利用深度学习方法确定数据中对识别起关键作用的区域，实现对不同类别目标样本数据精准的去冗余处理；(2)本发明对HRRP数据自相关函数每一个距离单元都赋予权重，通过权重大小量化了每个单元对识别的贡献程度，凸显数据中对分类起重要作用的关键区域，增加了网络的可解释性；(3)本发明无需对HRRP数据进行包络对齐处理，大大简化了处理过程，同时保证了分类识别效果。

Description

基于自相关和CAM网络的HRRP数据去冗余方法
技术领域
本发明属于雷达信号处理领域，尤其涉及一种基于自相关和类激活映射(ClassActivationMap,CAM)网络的高精度距离像(High Resolution Range Profile,HRRP)数据去冗余方法。
背景技术
随着现代电子信息技术的快速发展和智能化水平的提高，雷达目标自动识别技术也得到了飞速发展，在军事、无人驾驶、安防以及空间遥感等多个领域得到了广泛应用。HRRP是利用宽带雷达信号获得的目标散射点子回波沿雷达视线方向上投影的矢量和，它包含了目标结构信息，能够提供目标径向的相对几何关系，对目标识别与分类具有十分重要的价值。同时，HRRP具有易于获取和便于处理的优势，因此在雷达目标自动识别领域受到了广泛的关注。
利用HRRP进行雷达目标识别，传统方法通常先提取HRRP的统计特征或变换域统计特征，包括提取HRRP的频谱强度，双谱特征和散射点个数等，然后采用相关技术或匹配滤波技术对提取的特征进行模式分类。但是这些特征都是基于人在回路中的方式进行设计选择，需要花费大量时间精力，同时存在很大的不确定性，对不同雷达，不同目标类型的泛化能力较弱。随着人工智能的快速发展，许多学者提出了基于人工神经网络的目标识别方法，包括卷积神经网络(Convolutional Neural Network,CNN)，多层感知机(Multiple LayerPerceptron,MLP)、递归神经网络(Recurrent Neural Network,RNN)和残差神经网络(Residential Network，ResNet)等。基于人工神经网络的识别方法取得了很好的识别效果，不仅可以大大降低特征提取的时间精力，还可提高对目标的识别精度。实际中，雷达为了保证有效进行目标观测和跟踪，获得的HRRP数据是存在冗余的，包含目标信息的关键区域只占其中一部分。这部分区域由于受到噪声影响，很难将其从HRRP数据中有效划分出来，必然存在大量冗余信息。不论是传统识别方法的特征提取还是人工神经网络的训练，这些冗余信息无疑增加计算开销，给计算平台的存储和计算性能提出了更高要求，同时还会导致识别时间的增加。
发明内容
本发明的目的在于克服上述已有技术的不足，提出一种基于自相关和CAM网络的HRRP数据去冗余方法。数据自相关处理不仅能够保留反映目标回波包络变化的信息，同时能够实现数据的对齐，化简了数据预处理过程。CAM网络则通过在网络的特征输出层后加入全局平均池化(Global Average Pooling,GAP)层，将输出的多维特征向量转换成一维特征向量，并利用训练得到的类别权重计算HRRP数据自相关处理结果中不同距离单元对识别贡献的权重，从而确定包含目标信息的关键区域和冗余区域。本发明能够实现数据的对齐，并确定数据的冗余区域，通过删除冗余区域从而实现数据的去冗余。
为达到上述目的，本发明通过以下技术方案来具体实现，一种基于自相关和CAM网络的HRRP数据去冗余方法，包括以下步骤：
S1自相关处理
S1.1 HRRP数据自相关。对HRRP数据进行自相关操作，其公式如下
Figure BDA0002294411090000021
其中x(m)表示HRRP数据序列，N表示序列长度，k表示数据平移的距离单元数。自相关函数R(k)在k＝0时取得最大值，且关于零点轴对称分布。
S1.2数据截取。
自相关函数R(k)的长度为HRRP数据序列x(m)长度的两倍，考虑到自相关函数具有对称性，峰值两侧包含同样的数据信息，因此对S1.1中得到的自相关结果进行截取，去除冗余的一半对称数据，截取公式如下
R′(k)＝R(k),k≥0 (2)
截取后自相关函数长度同HRRP数据序列长度一致，均为N。
S1.3幅度归一化。
HRRP样本数据的包络幅度受到目标环境，雷达系统参数和目标散射特性的综合影响，为消除幅度的影响，需要对S1.2数据截取后得到的R′(k)进行幅度归一化，公式如下
Figure BDA0002294411090000022
其中，max||表示取最大值。
S2生成训练集。将S1.3中经过幅度归一化的X(k)样本作为数据集，同时根据每个样本数据所属目标类别进行标记，构建标签集。将标记好的标签结构化成one-hot编码，编码大小对应训练集中的目标类别数，得到标签集。这样数据集和数据集对应的标签集构成了训练集，训练集作为输入用于CAM网络训练。
S3构建CAM网络，具体实现过程如下：
S3.1选取特征提取网络作为特征层，用于提取S2训练集中数据X(k)的高维不变特征，输出多个通道特征向量A(k)。通常选用当前应用较多的VGG、ResNnet、GoogLeNet以及FCN(Fully Convolutional Network)等特征提取网络作为特征层。
S3.2加入GAP层；在选取的特征层后加入GAP层，将输出的多通道特征向量转换成一维特征向量，向量长度对应输入的特征通道数，GAP层第l个滤波器的输出结果为
Figure BDA0002294411090000023
其中，Al(k)表示GAP层第l个滤波器对应的输入特征向量。
S3.3构造输出层；输出层为一个Softmax层，其输出单元数对应目标分类数，以各输出单元结果中概率最高者为输入数据X(k)对应的目标类别；
S3.4连接GAP层和输出层；将GAP层同输出层进行全连接，GAP层同输出层之间的权重
Figure BDA0002294411090000024
将用于计算数据X(k)中不同距离单元对应的CAM值，其中c对应输出层的输出类别，l对应GAP层第l个滤波器。
S4计算数据X(k)的权重值
S1中自相关处理后的X(k)包含目标回波的包络信息，但HRRP数据的冗余也给X(k)带来大量无用的噪声数据。这些噪声数据不包含目标信息，对于目标识别没有贡献，而包含目标信息的区域对目标识别贡献度大。因此为了实现数据去冗余，应保留对目标识别贡献度大的关键区域而删除贡献度低的噪声区域。数据X(k)不同距离单元对目标识别贡献度的大小可以通过CAM网络计算求得，具体实现过程如下：
S4.1训练CAM网络。利用S2生成的训练集对S3中构建好的CAM网络进行训练，得到训练好的网络模型和权重
Figure BDA0002294411090000031
S4.2计算样本数据的CAM值。利用S4.1训练好的权重
Figure BDA0002294411090000032
可以计算出类别c对应神经元的输入为
Figure BDA0002294411090000033
则类别c对应的第k个距离单元的CAM值为
Figure BDA0002294411090000034
CAM本质上就是不同特征层输出的加权求和，即将每个距离单元对类别识别的贡献大小以数值的方式展现，数值大则表示对识别贡献大，反之则表示贡献小。
S4.3求样本数据权重值。
根据步骤S4.2，计算训练集中每个样本数据的CAM值。为了更好反映目标本质特征，减少噪声干扰，按照目标类别，对同一类目标训练集中样本数据的CAM值求平均，以平均值作为该类目标的数据权重值，权重计算公式如下
Figure BDA0002294411090000035
其中，S表示目标样本数。
S5设定门限，确定冗余区域。根据S4.3中得到的每一类目标的数据权重值，设定门限，求得门限同权重值曲线的交点，以原点至最远交点为目标识别关键区域，剩余区域即为冗余区域。
S6 X(k)去冗余。根据S5确定的每一类目标数据冗余区域，删除S1中X(k)数据的相应区域，完成去冗余处理。
本发明的有益效果是：
(1)本发明所提出的基于自相关和CAM网络的HRRP数据去冗余方法以数据为驱动，利用深度学习方法确定数据中对识别起关键作用的区域，保留关键区域，删除其他区域，从而实现对不同类别目标样本数据精准的去冗余处理。
(2)本发明对HRRP数据自相关处理结果的每一个距离单元都赋予权重，通过权重大小量化了每个单元对识别的贡献程度，同时能够以热力图的方式将数据不同区域贡献程度可视化，凸显数据中对分类起重要作用的关键区域，增加了网络的可解释性。
(3)本发明无需对HRRP数据进行包络对齐处理，大大简化了处理过程。在去冗余的同时，能够保留不同类别HRRP数据各自的差异性特征，保证了分类识别效果。
附图说明
图1所示为本发明实现的流程图；
图2所示为HRRP数据自相关操作后的结果图；
图3所示为幅度归一化后的自相关函数图；
图4所示为本发明提供的CAM网络结构示意图；
图5所示为本发明提供的一种目标样本数据的CAM热力图；
图6所示为本发明提供的一种目标样本数据的权重值；
图7所示为本发明提供的去冗余后的样本数据。
具体实施方式
下面结合附图及具体实施例对本发明的技术方案进行具体阐述，需要指出的是，本发明的技术方案不限于实施例所述的实施方式，本领域的技术人员参考和借鉴本发明技术方案的内容，在本发明的基础上进行的改进和设计，应属于本发明的保护范围。
本发明实施例提供了一种基于自相关和CAM的HRRP数据去冗余的方法，HRRP数据包含两类飞机目标，每类目标HRRP样本均为20000条，每条HRRP数据长度均为300。图1给出了本发明实现的流程图。
本发明具体包含以下步骤：
S1自相关处理
S1.1 HRRP数据自相关。对HRRP数据进行自相关操作，其公式如下
Figure BDA0002294411090000041
其中x(m)表示HRRP数据序列，N表示序列长度，k表示数据平移的距离单元数。自相关函数R(k)在k＝0时取得最大值，且关于零点轴对称分布。
图2给出了一类目标HRRP数据的自相关操作结果。
S1.2数据截取。
自相关函数R(k)的长度为HRRP数据序列x(m)长度的两倍，考虑到自相关函数具有对称性，峰值两侧包含同样的数据信息，因此对S1.1中得到的自相关结果进行截取，去除冗余的一半对称数据，截取公式如下
R′(k)＝R(k),k≥0 (2)
截取后自相关函数长度同HRRP数据序列长度一致，均为N。数据截取后便自动实现了数据的对齐，即所有自相关函数R′(k)都是以k＝0为起始点，且能够反映目标回波包络变化的过程。
S1.3幅度归一化。
HRRP样本数据的包络幅度受到目标环境，雷达系统参数和目标散射特性的综合影响，为消除幅度的影响，需要对S1.2数据截取后得到的R′(k)进行幅度归一化，公式如下
Figure BDA0002294411090000051
其中，max||表示取最大值。
图3给出了自相关函数R′(k)幅度归一化之后的结果。
S2生成训练集。将S1.3中经过幅度归一化的X(k)样本作为数据集，同时根据每个样本数据所属目标类别进行标记，构建标签集。将标记好的标签结构化成one-hot编码，编码大小对应训练集中的目标类别数，得到标签集。这样数据集和数据集对应的标签集构成了训练集，训练集作为输入用于CAM网络训练。
本实施例中，将S1.3中经过幅度归一化的两类飞机目标自相关函数样本作为数据集，同时根据每个样本数据所属目标类别进行标记，记为{0，1}中的一类，组成标签集{yn}。将标记好的标签集{yn}结构化成one-hot编码Y，编码大小对应训练集中{0，1}的两类目标，相应的one-hot编码分别为01和10。最后由数据集和数据集对应的标签集构成了训练集(X,Y)，训练集作为输入用于CAM网络训练。
S3.构建CAM网络：CAM网络由特征层、GAP层和输出层组成。其中，特征层用于提取S2训练集中数据集的特征，可以选用当前应用较多的VGG、残差网络(ResidentialNetwork，ResNet)、GoogLeNet以及FCN(Fully Convolutional Network)等网络的特征提取层。在选取的特征层之后加入GAP层，将输出的多通道特征向量转换成一维特征向量，特征向量长度对应特征通道数。输出层为一个Softmax层，其输出单元数对应目标分类数，以各输出单元结果中概率最高者为数据对应的目标类别。最后将GAP层同输出层进行全连接，得到CAM网络。具体实现过程如下：
S3.1选择特征提取网络作为特征层，用于提取S2训练集中数据X(k)的高维不变特征，输出多个通道特征向量A(k)。考虑本发明例的数据特点，选用目前应用较多、效果较好的ResNet网络用以数据X(k)的特征提取。设置ResNet网络的特征提取部分由3个block组成，每个block则是由3个卷积层构成，卷积核大小依次为8、5和3。ResNet网络卷积处理后的特征维数依次设为16-16-16-32-32-32-64-64-64。
S3.2加入GAP层；在选择的特征层后加入GAP层，将输出的多通道特征向量转换成一维特征向量，向量长度对应输入的特征通道数，GAP层第l个滤波器的输出结果为
Figure BDA0002294411090000052
其中，Al(k)表示GAP层第l个滤波器对应的输入特征向量。
S3.3构造输出层；输出层为一个Softmax层，其输出单元数对应目标分类数，以各输出单元结果中概率最高者为输入数据X(k)对应的目标类别；
S3.4连接GAP层和输出层；将GAP层同输出层进行全连接，GAP层同输出层之间的权重
Figure BDA0002294411090000061
将用于计算数据X(k)中不同距离单元对应的CAM值，其中c对应输出层的输出类别，l对应GAP层第l个滤波器；
图4给出了本实施例中CAM网络的结构示意图。
S4.计算数据X(k)的的权重值
S1中自相关处理后的X(k)包含目标回波的包络信息，但HRRP数据的冗余也给X(k)带来大量无用的噪声数据。这些噪声数据不包含目标信息，对于目标识别没有贡献，而包含目标信息的区域对目标识别贡献度大。因此为了实现数据去冗余，应保留对目标识别贡献度大的关键区域而删除贡献度低的噪声区域。数据X(k)不同距离单元对目标识别贡献度的大小可以通过CAM网络计算求得，具体实现过程如下：
S4.1训练CAM网络。利用S2生成的训练集对S3中构建好的CAM网络进行训练，得到训练好的网络模型和权重
Figure BDA0002294411090000062
本实施例中CAM网络使用Adam(adaptive momentestimation)优化器，损失函数选用多类交叉熵，网络的学习率设置为10-5。批次大小(batchsize)指每一次迭代使用的样本数，本发明例的运行平台为Win7,系统内存32G，GPU为NVIDIAQuadroP2000，因此为了合理利用平台资源缩短网络训练时间，批次大小设置为1024。epoch指所有样本重复训练的次数，一般需要根据损失函数的输出结果来合理设置，本发明例设置为500。
S4.2计算样本数据的CAM值。利用S4.1训练好的权重
Figure BDA0002294411090000063
可以计算出类别c对应神经元的输入为
Figure BDA0002294411090000064
则类别c对应的第k个距离单元的CAM值为
Figure BDA0002294411090000065
CAM本质上就是不同特征层输出的加权求和，即将每个距离单元对类别识别的贡献大小以数值的方式展现，数值大则表示对识别贡献大，反之则表示贡献小。
本实施例计算了两种目标样本数据的CAM值，为便于区别数据X(k)不同位置权重大小，图5分别给出了一种目标100条样本数据的热力图。
S4.3求样本数据权重值。
根据步骤S4.2，计算训练集中每个样本数据的CAM值。为了更好反映目标本质特征，减少噪声干扰，按照目标类别，对同一类目标训练集中样本数据的CAM值求平均，以平均值作为该类目标的数据权重值，权重计算公式如下
Figure BDA0002294411090000066
其中，S表示目标样本数。
根据公式(7)，本实施例计算得到了训练集中两类目标数据X(k)的权重值，图6给出了一类目标样本数据的权重值。
S5设定门限，确定冗余区域。根据S4.3中得到的每一类目标的数据权重值，设定门限，求得门限同权重值曲线的交点，以原点至最远交点为目标识别关键区域，剩余区域即为冗余区域。
本实施例中，以数据权重值的均值为门限，求得门限同数据权重值曲线的交点，确定原点至最远交点区域为目标识别关键区域。考虑到实际情况中的噪声干扰，应适当扩展目标识别关键区域以增加算法的鲁棒性。因此设置区域扩展比例系数为1.2，即扩展后的关键区域范围为扩展前范围的1.2倍，则剩余区域即为冗余区域。
S6.X(k)去冗余。根据S5确定的每一类目标数据冗余区域，删除S1中X(k)数据的相应区域，完成去冗余处理。
图7给出了本实施例中一种目标自相关函数去冗余后的结果。比较图7和图3，可以看出经过去冗余处理后，目标HRRP数据中包含目标特征信息的关键区域得到了保留，数据长度却得到有效缩减，大大降低了数据存储的空间。
从本实施例的结果可以看出，本发明的HRRP数据去冗余方法，能够对自相关处理结果的每一个距离单元都赋予权重，通过权重大小确定数据中对识别起作用的关键区域，从而实现去冗余处理。同时，本发明无需回波包络对齐操作，避免了不同对齐基准带来的影响，简化了处理步骤，并且能够以热力图的方式将数据不同区域贡献程度进行可视化，提高了网络的可解释性。

Claims (5)

1.一种基于自相关和CAM网络的HRRP数据去冗余方法，其特征在于，该方法包括以下步骤：
S1自相关处理
S1.1 HRRP数据自相关；
对HRRP数据进行自相关操作，其公式如下
Figure FDA0002294411080000011
其中x(m)表示HRRP数据序列，N表示序列长度，k表示数据平移的距离单元数；自相关函数R(k)在k＝0时取得最大值，且关于零点轴对称分布；
S1.2数据截取；
自相关函数R(k)的长度为HRRP数据序列x(m)长度的两倍，考虑到自相关函数具有对称性，峰值两侧包含同样的数据信息，因此对S1.1中得到的自相关结果进行截取，去除冗余的一半对称数据，截取公式如下
R′(k)＝R(k),k≥0 (2)
截取后自相关函数长度同HRRP数据序列长度一致，均为N；
S1.3幅度归一化；
HRRP样本数据的包络幅度受到目标环境，雷达系统参数和目标散射特性的综合影响，为消除幅度的影响，需要对S1.2数据截取后得到的R′(k)进行幅度归一化，公式如下
Figure FDA0002294411080000012
其中，max| |表示取最大值；
S2生成训练集
将S1.3中经过幅度归一化的X(k)样本作为数据集，同时根据每个样本数据所属目标类别进行标记，构建标签集；将标记好的标签结构化成one-hot编码，编码大小对应训练集中的目标类别数，得到标签集；这样数据集和数据集对应的标签集构成了训练集，训练集作为输入用于CAM网络训练；
S3构建CAM网络
具体实现过程如下：
S3.1选取特征提取网络作为特征层，用于提取S2训练集中数据X(k)的高维不变特征，输出多个通道特征向量A(k)；
S3.2加入GAP层；
在选取的特征层后加入GAP层，将输出的多通道特征向量转换成一维特征向量，向量长度对应输入的特征通道数，GAP层第l个滤波器的输出结果为
Figure FDA0002294411080000013
其中，Al(k)表示GAP层第l个滤波器对应的输入特征向量；
S3.3构造输出层；
输出层为一个Softmax层，其输出单元数对应目标分类数，以各输出单元结果中概率最高者为输入数据X(k)对应的目标类别；
S3.4连接GAP层和输出层；
将GAP层同输出层进行全连接，GAP层同输出层之间的权重
Figure FDA0002294411080000021
将用于计算数据X(k)中不同距离单元对应的CAM值，其中c对应输出层的输出类别，l对应GAP层第l个滤波器；
S4计算数据X(k)的权重值
数据X(k)不同距离单元对目标识别贡献度的大小可以通过CAM网络计算求得，具体实现过程如下：
S4.1训练CAM网络；利用S2生成的训练集对S3中构建好的CAM网络进行训练，得到训练好的网络模型和权重
Figure FDA0002294411080000022
S4.2计算样本数据的CAM值；利用S4.1训练好的权重
Figure FDA0002294411080000023
可以计算出类别c对应神经元的输入为
Figure FDA0002294411080000024
则类别c对应的第k个距离单元的CAM值为
Figure FDA0002294411080000025
CAM本质上就是不同特征层输出的加权求和，即将每个距离单元对类别识别的贡献大小以数值的方式展现，数值大则表示对识别贡献大，反之则表示贡献小；
S4.3求样本数据权重值；
根据步骤S4.2，计算训练集中每个样本数据的CAM值；为了更好反映目标本质特征，减少噪声干扰，按照目标类别，对同一类目标训练集中样本数据的CAM值求平均，以平均值作为该类目标的数据权重值，权重计算公式如下
Figure FDA0002294411080000026
其中，S表示目标样本数；
S5设定门限，确定冗余区域
根据S4.3中得到的每一类目标的数据权重值，设定门限，求得门限同权重值曲线的交点，以原点至最远交点为目标识别关键区域，剩余区域即为冗余区域；
S6 X(k)去冗余
根据S5确定的每一类目标数据冗余区域，删除S1中X(k)数据的相应区域，完成去冗余处理。
2.一种根据权利要求1所述基于自相关和CAM网络的HRRP数据去冗余方法，其特征在于：S3.1中，选用应用较多的VGG、ResNnet、GoogLeNet以及FCN这些特征提取网络作为特征层。
3.一种根据权利要求1所述基于自相关和CAM网络的HRRP数据去冗余方法，其特征在于：S5中，以数据权重值的均值为门限。
4.一种根据权利要求1所述基于自相关和CAM网络的HRRP数据去冗余方法，其特征在于：考虑到实际情况中的噪声干扰，应适当扩展目标识别关键区域以增加算法的鲁棒性。
5.一种根据权利要求4所述基于自相关和CAM网络的HRRP数据去冗余方法，其特征在于：设置区域扩展比例系数为1.2，即扩展后的关键区域范围为扩展前范围的1.2倍，则剩余区域即为冗余区域。
CN201911194741.7A 2019-11-28 2019-11-28 基于自相关和cam网络的hrrp数据去冗余方法 Active CN110969203B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911194741.7A CN110969203B (zh) 2019-11-28 2019-11-28 基于自相关和cam网络的hrrp数据去冗余方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911194741.7A CN110969203B (zh) 2019-11-28 2019-11-28 基于自相关和cam网络的hrrp数据去冗余方法

Publications (2)

Publication Number Publication Date
CN110969203A true CN110969203A (zh) 2020-04-07
CN110969203B CN110969203B (zh) 2022-09-30

Family

ID=70032034

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911194741.7A Active CN110969203B (zh) 2019-11-28 2019-11-28 基于自相关和cam网络的hrrp数据去冗余方法

Country Status (1)

Country Link
CN (1) CN110969203B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114821335A (zh) * 2022-05-20 2022-07-29 电子科技大学 基于深度特征与线性判别特征融合的未知目标判别方法
CN115223020A (zh) * 2022-07-20 2022-10-21 腾讯科技（深圳）有限公司 图像处理方法、装置、电子设备以及可读存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109948722A (zh) * 2019-03-27 2019-06-28 中国人民解放军战略支援部队航天工程大学 一种识别空间目标的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109948722A (zh) * 2019-03-27 2019-06-28 中国人民解放军战略支援部队航天工程大学 一种识别空间目标的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王容川等: "基于卷积神经网络的雷达目标HRRP分类识别方法", 《现代雷达》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114821335A (zh) * 2022-05-20 2022-07-29 电子科技大学 基于深度特征与线性判别特征融合的未知目标判别方法
CN115223020A (zh) * 2022-07-20 2022-10-21 腾讯科技（深圳）有限公司 图像处理方法、装置、电子设备以及可读存储介质
CN115223020B (zh) * 2022-07-20 2024-04-19 腾讯科技（深圳）有限公司 图像处理方法、装置、设备、存储介质及计算机程序产品

Also Published As

Publication number Publication date
CN110969203B (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
CN110826630B (zh) 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法
CN110334741B (zh) 基于循环神经网络的雷达一维距离像识别方法
CN110472483B (zh) 一种面向sar图像的小样本语义特征增强的方法及装置
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
CN111913156B (zh) 基于深度学习模型与特征联合的雷达辐射源个体识别方法
CN110109059B (zh) 一种基于深度学习网络的雷达辐射源信号识别方法
CN110298235B (zh) 基于流形约束自编码网络的高光谱异常检测方法及系统
CN103440505B (zh) 空间邻域信息加权的高光谱遥感图像分类方法
CN110008948B (zh) 基于变分自编码网络的高光谱图像目标检测方法
CN114429156A (zh) 雷达干扰多域特征对抗学习与检测识别方法
CN111126134A (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
CN110969203B (zh) 基于自相关和cam网络的hrrp数据去冗余方法
CN109948722B (zh) 一种识别空间目标的方法
CN112766223B (zh) 基于样本挖掘与背景重构的高光谱图像目标检测方法
CN112001433A (zh) 一种航迹关联方法、系统、设备及可读取存储介质
CN114255403A (zh) 基于深度学习的光学遥感图像数据处理方法及系统
Ye et al. Recognition algorithm of emitter signals based on PCA+ CNN
CN114675249A (zh) 基于注意力机制的雷达信号调制方式识别方法
CN113095417B (zh) 基于融合图卷积和卷积神经网络的sar目标识别方法
CN111368653B (zh) 一种基于r-d图与深度神经网络的低空小目标检测方法
CN112784777A (zh) 基于对抗学习的无监督高光谱图像变化检测方法
Zhu et al. Multi-task self-supervised learning for vehicle classification based on carrier-free UWB radars
CN116778225A (zh) 基于解耦与重构学习的sar真假目标鉴别与目标识别方法
CN114049551B (zh) 一种基于ResNet18的SAR原始数据目标识别方法
CN115661576A (zh) 一种样本不平衡下的飞机群组意图识别方法

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