CN112835008B - 基于姿态自适应卷积网络的高分辨距离像目标识别方法 - Google Patents

Abstract

本发明公开了一种基于姿态自适应卷积网络的高分辨距离像目标识别方法，其步骤为：(1)构建姿态自适应卷积网络；(2)生成训练数据集和辅助数据集；(3)对训练数据集进行预处理；(4)生成自适应卷积核；(5)训练姿态自适应卷积网络；(6)目标识别。本发明通过构建姿态自适应卷积网络，利用目标高分辨距离像回波与目标姿态角信息训练网络，能够有效地解决高分辨距离像回波姿态敏感性问题。而且本发明构造的网络是一种端到端的模型，易训练和使用，识别性能更高，收敛速度更快。

Description

基于姿态自适应卷积网络的高分辨距离像目标识别方法

技术领域

本发明属于雷达技术领域，更进一步涉及雷达自动目标识别RATR技术领域中的一种基于姿态自适应卷积网络的高分辨距离像目标识别方法。本发明可以针对高分辨距离像姿态敏感性的问题，对空中、地面运动的不同目标进行实时识别。

背景技术

高分辨距离像是用宽带雷达获取的目标散射点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情况，是目标重要的结构特征，对于目标识别很有价值。但是目标的高分辨距离像对目标的姿态角非常敏感，通常只能在一定的小范围内进行松弛，当运动目标的姿态角发生变化时，雷达接收到的高分辨距离像的幅度与相位均会产生明显变化，增大了高分辨距离像目标识别难度，降低了目标识别的准确率。

厦门大学在其申请的专利文献“基于深度迁移学习的直推式雷达高分辨距离像识别方法”(专利申请号：CN201810932270.4，申请公开号：CN109117793 A)中提出了一种雷达高分辨距离像识别方法。该方法的具体步骤是：第一步，对真实目标信号与辅助仿真数据进行预处理；第二步，利用训练数据集训练深度模型；第三步，采用域适应的方法将直推式迁移学习策略引入深度学习。该方法有效提高样本量少、姿态非完备的雷达高分辨距离像的识别性能，考虑到了高分辨距离像的姿态敏感性问题。但是，该方法仍然存在的不足之处是：该方法利用将直推式迁移学习策略引入深度学习，在训练和测试过程操作流程复杂，需要较多的处理时间，导致该方法在实时性方面的性能较差。

西安电子科技大学在其申请的专利文献“基于一维卷积神经网络的雷达高分辨距离像目标识别方法”(专利申请号：CN201710838721.3，申请公开号：CN107728143 A)中提出了一种雷达高分辨距离像目标识别方法。该方法的具体步骤是：第一步，确定Q个不同雷达，并获取Q个不同雷达的高分辨雷达回波；第二步，从Q个不同雷达的高分辨雷达回波中获取Q类高分辨距离成像数据，并将Q类高分辨距离成像数据分为训练样本集和测试样本集，然后对样本集进行预处理；第三步，设定一维卷积神经网络模型，利用训练样本集训练模型，得到训练好的卷积神经网络；第四步，使用测试样本集对训练好的卷积神经网络进行目标识别，得到基于一维卷积神经网络的雷达高分辨距离像目标识别结果。该方法可以采用多层卷积神经网络结构进行雷达高分辨距离像目标识别，但是，该方法仍然存在的不足之处是：由于高分辨距离像对姿态角非常敏感，通常只能在一定的范围内进行松弛敏感性，但该方法同时训练目标在不同姿态角下的数据，利用端到端的学习方法，训练一个固定模型，该模型无法根据输入目标回波信号具体的姿态角对模型结构进行调整，对比考虑了目标姿态信息的多模型结构，不能有效的解决雷达高分辨距离像的姿态敏感性问题，识别性能下降。

发明内容

本发明的目的是针对上述现有技术存在的不足，提出了一种基于姿态自适应卷积网络的高分辨距离像目标识别方法，用于解决现有技术中简单卷积神经网络模型无法考虑雷达高分辨距离像的姿态信息对识别的影响，复杂模型不能满足目标识别实时性要求的问题。

实现本发明目的的思路是，为有效利用目标回波信号的领域知识中的姿态角信息，通过构造姿态自适应卷积核生成子网络，利用目标姿态角信息生成自适应卷积核，不同的姿态信息会产生不同的自适应卷积核，通过自适应卷积核引入姿态信息对目标回波识别的影响；通过构造回波特征提取子网络对目标回波进行特征提取，将姿态角信息生成自适应卷积核作为回波特征提取子网络的卷积核，将两个网络之间建立联系，构成一个端到端的姿态自适应卷积网络，容易训练，操作简单，满足实时性的要求。

本发明实现的具体步骤包括如下：

(1)构建姿态自适应卷积网络：

(1a)搭建一个由第一全连接层，第二全连接层、输出层组成的姿态自适应卷积核生成子网络，第一、第二全连接层的权重维度大小分别设置为1×64、64×768；

(1b)搭建一个16层的回波特征提取子网络，其结构依次为：输入层，第一卷积层，第一池化层，第一激活层，第二卷积层，第二池化层，第二激活层，第三卷积层，第三池化层，第三激活层，第四卷积层，第四池化层，第四激活层，第一全连接层，第二全连接层，softmax层；

设置各层参数如下：将第一至第四卷积层的卷积核个数均设置为16，卷积核大小均设置为1×3，卷积核移动步长设置为1；第一至第四池化层的池化策略均采用最大池化方法，池化卷积核大小均设置为2×2，池化卷积核移动步长均设置为2；第一至第四激活层均采用ReLu激活函数；第一、第二全连接层的神经元个数分别设置为200、15；softmax层采用softmax函数用于计算输入样本被识别为每一类的概率；

(1c)将姿态自适应卷积核生成子网络和回波特征提取子网络组成姿态自适应卷积网络；

(2)生成训练数据集和辅助数据集：

(2a)提取P个类别目标的一维高分辨距离像回波信号组成训练数据集，每个类别至少包含800个一维高分辨距离像回波信号，P≥3；

(2b)估计训练数据集中每个回波信号的姿态角信息，将所有姿态角信息组成辅助数据集，姿态角变化范围在10°到90°之间，姿态角分辨率为0.05°；

(3)对训练数据集进行预处理：

(3a)对训练数据集中的每个回波信号进行包络对齐；

(3b)将包络对齐后的训练数据集中每个回波信号的幅度进行模二范数归一化处理，得到训练集；

(4)生成自适应卷积核：

将辅助数据集输入到姿态自适应卷积核生成子网络中，经过姿态自适应卷积核生成子网络中的第一层全连接层，得到一个维度为1×64的姿态角信息特征，再经过第二层全连接层，得到一个维度为1×768的姿态角信息特征，最后经过输出层，将姿态角信息特征维度转换为1×3×16×16，即生成一个具有16个输入通道，16个输出通道，卷积核维度为1×3的自适应卷积核；

(5)训练姿态自适应卷积网络：

(5a)采用高斯初始化方法，对回波特征提取子网络中第一卷积层、第三卷积层、第四卷积层中卷积核的权重参数初始化；

(5b)更新网络参数：

第一步，将训练集输入到回波特征提取子网络的输入层，经过该子网络的第一卷积层，第一池化层，第一激活层后得到第一回波特征；

第二步，将步骤(4)得到的自适应卷积核作为回波特征提取子网络的第二卷积层的卷积核，对第一回波特征进行卷积操作，再经过回波特征提取子网络的第二池化层，第二激活层后得到第二回波特征；

第三步，将第二回波特征通过回波特征提取子网络的第三卷积层，第三池化层，第三激活层，第四卷积层，第四池化层，第四激活层，第一全连接层，第二全连接层，softmax层后输出姿态自适应卷积网络的预测分类标签；

第四步，利用交叉熵损失函数，计算预测分类标签与目标真实类别标签间的损失值，再利用反向传播算法迭代更新网络参数，直到交叉熵损失函数收敛为止，

得到训练好的姿态自适应卷积网络；

(6)目标识别：

(6a)估计待识别目标的一维高分辨距离像回波信号的姿态角信息；

(6b)对待识别目标的一维高分辨距离像回波信号进行包络对齐，再进行模二范数归一化处理；

(6c)将归一化后的目标回波信号与姿态角信息，分别输入到训练好的姿态自适应卷积网络模型中的回波特征提取子网络与姿态自适应卷积核生成子网络中，通过softmax层计算出待识别目标被识别为各类的概率，并从各类概率选取最高概率对应的类别作为识别结果。

与现有技术相比，本发明具有以下优点：

第一，由于本发明构造了姿态自适应卷积网络，该网络包含姿态自适应卷积核生成子网络和回波特征提取子网络，同时利用目标姿态角信息和目标高分辨距离像回波对构造的姿态自适应卷积网络进行训练，克服了现有技术仅利用目标高分辨距离像回波进行识别，无法解决雷达高分辨距离像姿态敏感性的问题，本发明提出的技术能够自适应的学习到目标姿态信息对目标高分辨距离像回波识别的影响，提高了识别的准确率。

第二，由于本发明利用构造的回波特征提取子网络提取目标回波的特征，将目标姿态角信息输入到构造的姿态自适应卷积核生成子网络中生成自适应卷积核，将该卷积核作为回波特征提取子网络的卷积核，通过自适应卷积核在姿态自适应卷积核生成子网络和回波特征提取子网络两个子网络间建立联系，构成一个端到端的姿态自适应卷积网络，在输入端直接将目标姿态角信息和目标高分辨距离像回波同时输入到姿态自适应卷积网络中的姿态自适应卷积核生成子网络和回波特征提取子网络，输出端直接输出待识别目标的类别，克服了现有技术在训练和测试过程操作流程复杂，不能满足目标识别实时性要求的问题，使得本发明具有良好的并行处理能力，更容易训练和使用，相比于普通的神经网络方法，该姿态自适应卷积网络可以更快收敛，其需要的处理时间较短，在实时性方面的性能有所提升。

附图说明

图1是本发明的流程图；

图2是本发明构造的姿态自适应卷积网络结构示意图；

图3是本发明仿真实验结果图。

具体实施方式

以下结合附图，对本发明作进一步详细描述。

由于雷达是在检测跟踪到目标后进行识别的，检测跟踪过程当中获取的雷达目标回波信号的重要的领域知识可以用来帮助提升识别的性能。而领域知识中姿态角信息对于雷达高分辨距离像回波识别影响很大，因此如何在雷达高分辨距离像回波识别过程中充分利用回波样本的姿态角信息提升识别性能，并满足实时性要求，是一个亟需解决的问题。为了解决这个问题，本发明提出了一种基于姿态自适应卷积网络的高分辨距离像目标识别方法。

参照图1，对本发明实现的具体步骤作进一步详细描述。

步骤1.构建姿态自适应卷积网络。

搭建一个由第一全连接层，第二全连接层、输出层组成的姿态自适应卷积核生成子网络，第一、第二全连接层的权重维度大小分别设置为1×64、64×768。

搭建一个16层的回波特征提取子网络，其结构依次为：输入层，第一卷积层，第一池化层，第一激活层，第二卷积层，第二池化层，第二激活层，第三卷积层，第三池化层，第三激活层，第四卷积层，第四池化层，第四激活层，第一全连接层，第二全连接层，softmax层。

设置各层参数如下：将第一至第四卷积层的卷积核个数均设置为16，卷积核大小均设置为1×3，卷积核移动步长设置为1；第一至第四池化层的池化策略均采用最大池化方法，池化卷积核大小均设置为2×2，池化卷积核移动步长均设置为2；第一至第四激活层均采用ReLu激活函数；第一、第二全连接层的神经元个数分别设置为200、15；softmax层采用softmax函数用于计算输入样本被识别为每一类的概率。

将姿态自适应卷积核生成子网络和回波特征提取子网络组成姿态自适应卷积网络。

参照图2，对本发明构建的姿态自适应卷积网络的结构作进一步详细描述。

在图2中姿态自适应卷积网络具有两个输入端，从图2中由最左边的输入端、卷积池化层1、卷积池化层2、卷积池化层3、卷积池化层4、全连接层所构成的网络为回波特征提取子网络。从图2中由最上方的姿态角输入端、1个神经元的第一全连接层、64个神经元的第二全连接层、768个神经元的第三全连接层所构成的网络为姿态自适应卷积核生成子网络。回波特征提取子网络的卷积核权重张量设置如图2所示，第一至第四卷积层的卷积核权重张量分别为1×3×1×16、1×3×16×16、1×3×16×16、1×3×16×16，姿态自适应卷积核生成子网络的输出作为回波特征提取子网络的第二层卷积层的卷积核权重。

步骤2.生成训练数据集和训练辅助信息数据集。

提取M个类别目标的一维高分辨距离像回波组成训练数据集，每个类别至少包含200个一维高分辨距离像回波，M≥3。

估计训练数据集中每个回波的姿态角信息，将所有姿态角信息组成训练辅助信息数据集，姿态角变化范围在10°到90°之间，姿态角分辨率为0.05°。

步骤3.对训练数据集进行预处理。

对训练数据集中的每个回波进行包络对齐。

所述包络对齐步骤如下：

第一步，按照下式，计算训练数据集中每个回波信号的重心：

其中，W_i表示训练数据集中第i个回波信号的重心，x_i,n表示训练数据集中第i个回波信号中的第n个数据，n表示回波信号中数据的序号，1≤n≤N，N表示训练数据集中回波信号的长度。

第二步，按照下式，计算训练数据集中每个回波信号的平移量：

其中，d_i表示训练数据集中第i个回波信号的平移量，

表示向下取整操作。

第三步，当d_i≥0时，将训练数据集中第i个回波信号中所有数据循环向左平移|d_i|位，当d_i≤0时，将训练数据集中第i个回波信号中所有数据循环向右平移|d_i|位，| |表示取绝对值操作。

将包络对齐后的训练数据集中每个回波的幅度进行模二范数归一化处理，得到训练集。

步骤4.生成自适应卷积核。

将训练辅助信息数据集输入到姿态自适应卷积核生成子网络中，训练辅助信息数据集经过姿态自适应卷积核生成子网络中的第一层全连接层，得到一个维度为1×64的姿态角信息特征，再经过第二层全连接层，得到一个维度为1×768的姿态角信息特征，最后经过输出层，将姿态角信息特征维度转换为1×3×16×16，即生成一个具有16个输入通道，16个输出通道，卷积核维度为1×3的自适应卷积核。

步骤5.训练姿态自适应卷积网络。

采用高斯初始化方法，对回波特征提取子网络中第一卷积层、第三卷积层、第四卷积层中卷积核的权重参数初始化；

更新网络参数：将训练集输入到回波特征提取子网络的输入层，经过该子网络的第一卷积层，第一池化层，第一激活层后得到第一回波特征；将步骤(4)得到的自适应卷积核作为回波特征提取子网络的第二卷积层的卷积核，对第一回波特征进行卷积操作，再经过回波特征提取子网络的第二池化层，第二激活层后得到第二回波特征；将第二回波特征通过回波特征提取子网络的第三卷积层，第三池化层，第三激活层，第四卷积层，第四池化层，第四激活层，第一全连接层，第二全连接层，softmax层后输出姿态自适应卷积网络的预测分类标签；

利用交叉熵损失函数，计算预测分类标签与目标真实类别标签间的损失。

所述交叉熵损失函数如下：

其中，H表示交叉熵损失函数，x＝1,…M，M表示训练集中目标样本的类别总数，Y_pre表示姿态自适应卷积网络的预测分类标签，Y_train表示训练数据集目标样本的真实类别标签，k＝1,2,…，P，k表示训练集中目标样本的类别序号，log表示以10为底的对数操作。

利用反向传播算法迭代更新网络参数，直到交叉熵损失函数收敛为止，得到训练好的姿态自适应卷积网络。

回波特征提取子网络和姿态自适应卷积核生成子网络组成姿态自适应卷积网络，两个子网络同时参与网络的前向传播过程和误差反向传播过程，姿态自适应卷积网络的所有权重参数均迭代更新。

步骤6.目标识别。

估计待识别目标的一维高分辨距离像回波姿态角信息。

对待识别目标的一维高分辨距离像回波进行包络对齐，再进行模二范数归一化处理。

所述包络对齐步骤如下：

第一步，按照下式，计算待识别目标的每个回波信号的重心：

其中，W_j表示待识别目标的第j个回波信号的重心，x_j,m表示待识别目标的第j个回波信号中的第m个数据，m表示待识别目标的回波信号中数据的序号，1≤m≤M，M表示待识别目标的回波信号的长度；

第二步，按照下式，计算待识别目标的每个回波信号的平移量：

其中，d_j表示待识别目标的第j个回波信号的平移量；

第三步，当d_j≥0时，将待识别目标的第j个回波信号中的数据循环向左平移|d_j|位，当d_j＜0时，将待识别目标的第j个回波信号中的数据循环向右平移|d_j|位。

将处理后的目标回波与姿态角信息，分别输入到训练好的姿态自适应卷积网络模型中回波特征提取子网络与姿态自适应卷积核生成子网络中，通过softmax层计算出待识别目标被识别为各类的概率，并选择最高概率对应的类别作为识别结果。

下面结合仿真实验对本发明的效果做进一步的描述。

1、仿真实验条件：

本发明的仿真实验的硬件平台为：处理器为Intel(R)Core(TM)i7-7700 CPU@3.60GHZ 3.60GHZ，主频为2.00GHz，内存16GB。

本发明的仿真实验的软件平台为：Windows 10操作系统和python 3.6。

本发明的仿真实验所使用的训练样本是用电磁仿真软件CST生成的15类飞机目标的一维高分辨距离像回波数据，训练样本的目标俯仰角均为93.8°。训练样本的回波数据的维度均为1×256，每类飞机的训练样本数均为1600，15类飞机目标的姿态角变化范围均在10°到90°之间，姿态角分辨率为0.05°，15类飞机的训练样本构成总训练样本，训练样本总数为24000。本发明的仿真实验对总训练样本加入信噪比为5dB的高斯白噪声，构成训练数据集。估计训练数据集中每个回波的姿态角信息，将所有姿态角信息组成辅助数据集。

本发明的仿真实验所使用的测试样本是用电磁仿真软件CST生成的15类飞机目标的一维高分辨距离像回波数据，为了检验识别方法的推广性能，测试样本的目标俯仰角均为96°。样本数据维度、样本数、姿态角变化范围均与训练数据集保持相同。本发明的仿真实验对测试样本加入信噪比为5dB的高斯白噪声，构成测试数据集。估计测试数据集中每个回波的姿态角信息，将所有姿态角信息组成测试辅助数据集。

2.实验内容及结果分析

本发明仿真实验是采用本发明和传统方法中的卷积神经网络识别方法，分别对15类飞机目标的一维高分辨距离像回波数据进行仿真实验。

传统方法中的卷积神经网络识别方法是指西安电子科技大学在其申请的专利文献“基于一维卷积神经网络的雷达高分辨距离像目标识别方法”(专利申请号：CN201710838721.3，申请公布号：CN107728143A)中提出的雷达目标多普勒像分类识别方法，这里简称为卷积神经网络识别方法。

卷积神经网络识别方法中的卷积神经网络的具体结构如下：输入层，第一卷积层，第一池化层，第一激活层，第二卷积层，第二池化层，第二激活层，第三卷积层，第三池化层，第三激活层，第四卷积层，第四池化层，第四激活层，第一全连接层，第二全连接层，softmax层。

卷积神经网络的各层参数设置如下：将第一至第四卷积层的卷积核个数均设置为16，卷积核大小均设置为1×3，第一至第四池化层的池化策略均采用最大池化方法，池化卷积核大小为2×2，第一至第四激活层均采用ReLu激活函数，两层全连接层的神经元个数分别设置为200、15，采用高斯初始化方法，对传统卷积神经网络中第一到第四卷积层中卷积核的权重初始化。

利用识别准确率和迭代轮次对两种方法的分类结果进行评价。

将训练数据集与辅助数据集中所有样本均输入到姿态自适应卷积网络中，完成了姿态自适应卷积网络的一轮训练，记迭代轮次为一次，每一轮迭代结束，将测试数据集与测试辅助数据集中所有样本输入到当前迭代训练后的网络中，得到测试数据集中待识别样本的类别，计算每一迭代轮次识别正确率，计算公式如下：

其中，T表示测试数据集中待识别样本的数量，i表示迭代轮次的数目，pre_i,t表示第i轮次迭代中的第t个测试样本网络所判别的类别，label_i,t表示第i轮次迭代中的迭代第t个测试样本真实类别，当第i轮次迭代中的第t个测试样本网络所判别的类别pre_i,t与第i轮次迭代中的第t个测试样本真实类别label_i,t相等时，S(pre_i,t,label_i,t)等于1，否则S(pre_i,t,label_i,t)等于0。

传统方法中的卷积神经网络识别方法的训练测试过程与本发明专利相同。将本发明方法与卷积神经网络识别方法的每一轮次识别准确率结果绘制如图3所示。图3中横坐标表示迭代轮次，分别为20轮次、30轮次、40轮次、50轮次、60轮次、70轮次、80轮次，纵坐标表示测试数据的识别准确率。图3中的带有垂直误差条的实线表示本发明方法得到的测试数据的识别准确率与迭代轮次的关系曲线，图3中的带有垂直误差条的虚线表示卷积神经网络识别方法得到的测试数据的识别准确率与迭代轮次的关系曲线。曲线线段上的每个点对应的纵坐标的值表示多次训练的平均识别准确率，每个点上绘制垂直误差条，表示多次训练识别准确率间的标准差。

如图3所示，本发明提出的方法相较于传统方法中的卷积神经网络识别方法，在识别准确率上有一个明显的提升，迭代轮次为80时，本发明方法的识别准确率为88.23％，卷积神经网络识别方法的识别准确率仅为83.54％，识别准确率提升约5％。同时本发明方法具有更快收敛的效果，本发明方法在迭代轮次为40时就接近收敛，而传统方法中的卷积神经网络识别方法在迭代轮次为50时才逐渐收敛。最后对比两种方法的实验垂直误差条，可以看出本发明提出的方法的稳定性比传统方法中的卷积神经网络识别方法的稳定性更优。

本发明提出的基于姿态自适应卷积网络的高分辨距离像目标识别方法有着良好的稳定性，收敛速度快，识别准确率高等特点，因而本发明能够针对高分辨距离像姿态敏感性问题，实现对运动目标的稳健识别，具有重要的实际意义。

Claims (4)

1.一种基于姿态自适应卷积网络的高分辨距离像目标识别方法，其特征在于，构造姿态自适应卷积网络，利用目标高分辨距离像回波信号与目标姿态角信息训练该网络，该方法的步骤包括如下：

(1)构建姿态自适应卷积网络：

(1a)搭建一个由第一全连接层，第二全连接层、输出层组成的姿态自适应卷积核生成子网络，第一、第二全连接层的权重维度大小分别设置为1×64、64×768；

(1b)搭建一个16层的回波特征提取子网络，其结构依次为：输入层，第一卷积层，第一池化层，第一激活层，第二卷积层，第二池化层，第二激活层，第三卷积层，第三池化层，第三激活层，第四卷积层，第四池化层，第四激活层，第一全连接层，第二全连接层，softmax层；

设置各层参数如下：将第一至第四卷积层的卷积核个数均设置为16，卷积核大小均设置为1×3，卷积核移动步长设置为1；第一至第四池化层的池化策略均采用最大池化方法，池化卷积核大小均设置为2×2，池化卷积核移动步长均设置为2；第一至第四激活层均采用ReLu激活函数；第一、第二全连接层的神经元个数分别设置为200、15；softmax层采用softmax函数用于计算输入样本被识别为每一类的概率；

(1c)将姿态自适应卷积核生成子网络和回波特征提取子网络组成姿态自适应卷积网络；

(2)生成训练数据集和辅助数据集：

(2a)提取P个类别目标的一维高分辨距离像回波信号组成训练数据集，每个类别至少包含800个一维高分辨距离像回波信号，P≥3；

(2b)估计训练数据集中每个回波信号的姿态角信息，将所有姿态角信息组成辅助数据集，姿态角变化范围在10°到90°之间，姿态角分辨率为0.05°；

(3)对训练数据集进行预处理：

(3a)对训练数据集中的每个回波信号进行包络对齐；

(3b)将包络对齐后的训练数据集中每个回波信号的幅度进行模二范数归一化处理，得到训练集；

(4)生成自适应卷积核：

将辅助数据集输入到姿态自适应卷积核生成子网络中，经过姿态自适应卷积核生成子网络中的第一层全连接层，得到一个维度为1×64的姿态角信息特征，再经过第二层全连接层，得到一个维度为1×768的姿态角信息特征，最后经过输出层，将姿态角信息特征维度转换为1×3×16×16，即生成一个具有16个输入通道，16个输出通道，卷积核维度为1×3的自适应卷积核；

(5)训练姿态自适应卷积网络：

(5a)采用高斯初始化方法，对回波特征提取子网络中第一卷积层、第三卷积层、第四卷积层中卷积核的权重参数初始化；

(5b)更新网络参数：

第一步，将训练集输入到回波特征提取子网络的输入层，经过该子网络的第一卷积层，第一池化层，第一激活层后得到第一回波特征；

第二步，将步骤(4)得到的自适应卷积核作为回波特征提取子网络的第二卷积层的卷积核，对第一回波特征进行卷积操作，再经过回波特征提取子网络的第二池化层，第二激活层后得到第二回波特征；

第三步，将第二回波特征通过回波特征提取子网络的第三卷积层，第三池化层，第三激活层，第四卷积层，第四池化层，第四激活层，第一全连接层，第二全连接层，softmax层后输出姿态自适应卷积网络的预测分类标签；

第四步，利用交叉熵损失函数，计算预测分类标签与目标真实类别标签间的损失值，再利用反向传播算法迭代更新网络参数，直到交叉熵损失函数收敛为止，得到训练好的姿态自适应卷积网络；

(6)目标识别：

(6a)估计待识别目标的一维高分辨距离像回波信号的姿态角信息；

(6b)对待识别目标的一维高分辨距离像回波信号进行包络对齐，再进行模二范数归一化处理；

(6c)将归一化后的目标回波信号与姿态角信息，分别输入到训练好的姿态自适应卷积网络模型中的回波特征提取子网络与姿态自适应卷积核生成子网络中，通过softmax层计算出待识别目标被识别为各类的概率，并从各类概率选取最高概率对应的类别作为识别结果。

2.根据权利要求1所述的基于姿态自适应卷积网络的高分辨距离像目标识别方法，其特征在于，步骤(3a)中所述包络对齐的步骤如下：

第一步，按照下式，计算训练数据集中每个回波信号的重心：

其中，W_i表示训练数据集中第i个回波信号的重心，x_i,n表示训练数据集中第i个回波信号中的第n个数据，n表示回波信号中数据的序号，1≤n≤N，N表示训练数据集中回波信号的长度；

第二步，按照下式，计算训练数据集中每个回波信号的平移量：

其中，d_i表示训练数据集中第i个回波信号的平移量，

表示向下取整操作；

第三步，当d_i≥0时，将训练数据集中第i个回波信号中所有数据循环向左平移|d_i|位，当d_i≤0时，将训练数据集中第i个回波信号中所有数据循环向右平移|d_i|位，||表示取绝对值操作。

3.根据权利要求1所述的基于姿态自适应卷积网络的高分辨距离像目标识别方法，其特征在于，步骤(5b)中所述交叉熵损失函数如下：

其中，H表示交叉熵损失函数，Y_pre表示姿态自适应卷积网络的预测分类标签，Y_train表示训练数据集中目标样本的真实类别标签，k＝1,2,…，P，k表示训练集中目标样本的类别序号，log表示以10为底的对数操作。

4.根据权利要求2所述的基于姿态自适应卷积网络的高分辨距离像目标识别方法，其特征在于，步骤(6b)中所述包络对齐的步骤如下：

第一步，按照下式，计算待识别目标的每个回波信号的重心：

其中，W_j表示待识别目标的第j个回波信号的重心，x_j,m表示待识别目标的第j个回波信号中的第m个数据，m表示待识别目标的回波信号中数据的序号，1≤m≤M，M表示待识别目标的回波信号的长度；

第二步，按照下式，计算待识别目标的每个回波信号的平移量：

其中，d_j表示待识别目标的第j个回波信号的平移量；

第三步，当d_j≥0时，将待识别目标的第j个回波信号中的数据循环向左平移|d_j|位，当d_j＜0时，将待识别目标的第j个回波信号中的数据循环向右平移|d_j|位。

Images