CN112859034B - 自然环境雷达回波幅度模型分类方法和装置 - Google Patents

自然环境雷达回波幅度模型分类方法和装置 Download PDF

Info

Publication number
CN112859034B
CN112859034B CN202110451002.2A CN202110451002A CN112859034B CN 112859034 B CN112859034 B CN 112859034B CN 202110451002 A CN202110451002 A CN 202110451002A CN 112859034 B CN112859034 B CN 112859034B
Authority
CN
China
Prior art keywords
complex
output
layer
model
data
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
Application number
CN202110451002.2A
Other languages
English (en)
Other versions
CN112859034A (zh
Inventor
杨威
张良
黎湘
刘永祥
付耀文
张文鹏
李玮杰
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202110451002.2A priority Critical patent/CN112859034B/zh
Publication of CN112859034A publication Critical patent/CN112859034A/zh
Application granted granted Critical
Publication of CN112859034B publication Critical patent/CN112859034B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01S7/414—Discriminating targets with respect to background clutter
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请涉及一种自然环境雷达回波幅度模型分类方法和装置。所述方法包括：通过仿真方式，得到N类幅度分布模型的自然环境雷达回波一维高分辨距离像的复数数据，并且设置对应的标注，得到幅度模型样本；构建幅度模型样本的分类模型；根据所述幅度模型样本对分类模型进行训练，利用训练好的分类模型进行自然环境雷达回波幅度模型分类。采用本方法能够一方面提高分类的准确性，另一方面鲁棒性强。

Description

自然环境雷达回波幅度模型分类方法和装置
技术领域
本申请涉及计算机技术领域，特别是涉及一种自然环境雷达回波幅度模型分类方法和装置。
背景技术
自然环境的雷达回波是雷达目标检测中的杂波。对不同的杂波，雷达接收端的信号处理策略也不同。杂波背景下的高精度目标检测需要对杂波幅度模型进行分类，再根据杂波类型采用最优的杂波抑制策略。因此，杂波幅度模型分类成为杂波背景下检测目标的重要步骤。针对沙地、树林、草地、海面等自然环境的雷达回波，现有研究提出了瑞利分布、韦布尔分布、对数正态分布、K分布等诸多幅度模型进行表征，为杂波幅度模型分类研究奠定了基础。
雷达回波数据通常是复数数据。复数数据包含实部和虚部，若将这两部分看成独立的两个通道，两个通道所包含的信息量之和就是复数数据的信息量，这是实数数据信息量的两倍。另一方面，这两部分之间还具有相位信息，这是实数数据没有的，而不同的杂波，实部和虚部之间的相位信息也不同。利用数据特征进行分类时，数据信息越丰富，包含的特征就越多，分类精度也会越高，因此，复数数据比实数数据更适用于杂波分类。Nitta（TNitta. On the critical points of the complex-valued neural network[C]. InNeural Information Processing, 2002.ICONIP’02. Proceedings of the 9thInternational Conference, IEEE, 2002(3): 1099–1103）指出，复数数据具有更容易优化、更好的泛化特性、更快的学习效率和更好的鲁棒性的特性。Arjovsky（MartinArjovsky, Amar Shah, and YoshuaBengio. Unitary evolution recurrent neuralnetworks. arXiv preprint arXiv, 2015:1511.06464）和Wisdom（Scott Wisdom, ThomasPowers, John Hershey, Jonathan Le Roux, and Les Atlas. Full-capacity unitaryrecurrent neural networks[J]. In Advances in Neural Information ProcessingSystems, 2016: 4880–4888）等人的研究表明，复数具有更丰富的表征能力。
但现有杂波幅度模型分类研究都是在实数数据上进行的，不仅舍弃了杂波虚部数据的信息量，还舍弃了杂波的相位信息，使数据特征的完整性和有效性遭到损坏，导致分类性能并不理想。
另一方面，由于自然环境雷达回波的幅度模型受环境类型、环境当前气候条件等因素的影响而变化不定，不同环境类型的雷达回波可能服从不同的分布，也可能服从相同的分布，而在不同气候条件下，同一环境的雷达回波可能服从不同的分布，这导致服从不同分布的自然环境雷达回波实测数据采集非常困难。类似于沙地、草地等自然环境的属性标签，瑞利分布、K分布等是杂波的幅度模型标签，对杂波分类就是对杂波进行幅度模型标签的标注。杂波分类研究需要用精确标注的数据对分类方法进行验证，由于没有精确的标注方法，对实测数据标注非常困难。
发明内容
基于此，有必要针对上述技术问题，提供一种能够解决目前回波幅度模型分类不准确以及样本标注困难问题的自然环境雷达回波幅度模型分类方法和装置。
一种自然环境雷达回波幅度模型分类方法，所述方法包括：
通过仿真方式，得到N类幅度分布模型的自然环境雷达回波一维高分辨距离像的复数数据，并且设置对应的标注，得到幅度模型样本；
构建所述幅度模型样本的分类模型；所述分类模型包括：网络输入层、复数卷积网络、复数残差网络、全连接层以及输出层；所述网络输入层为双通道实数输入，分别用于接收所述复数数据的实部和虚部；所述复数卷积网络包括：复数卷积层和复数平均池化层，所述复数卷积层的输出连接所述复数平均池化层，所述复数卷积层的权重为双通道实数权重，所述复数卷积层的卷积运算为复数运算，所述复数卷积层的输出经复数激活函数激活操作，所述复数平均池化层对所述复数激活函数的输出实部激活数据和虚部激活数据分别进行池化输出；所述复数残差网络包括：两个数据流，其中第一数据流包括：复数卷积层和复数最大池化层；第二数据流与所述第一数据流变换尺寸后的输出相加，得到复数残差网络的输出；所述全连接层包括全连接实部通道和全连接虚部通道；所述输出层对所述全连接层的全连接实部通道和全连接虚部通道输出的数据求模，得到输出实数用于分类；
根据所述幅度模型样本对所述分类模型进行训练，利用训练好的所述分类模型进行自然环境雷达回波幅度模型分类。
在其中一个实施例中，所述复数卷积网络包括5个复数卷积层，每个所述复数卷积层后连接一个复数平均池化，第一个复数卷积层的卷积核尺寸为5、步长为1、补零数为2，其余复数卷积层的卷积核尺寸为3、步长为1、补零数为1。
在其中一个实施例中，所述复数平均池化层的池化核尺寸为3、步长为2、补零数为1。
在其中一个实施例中，所述第一数据流包括5个复数卷积层和3个复数最大池化层，3个复数最大池化层分别与排序靠后的三个复数卷积层连接。
在其中一个实施例中，所述第二数据流与第一数据流变换尺寸后的输出相加，得到复数残差网络的输出。
在其中一个实施例中，还包括：构建交叉熵函数，根据所述幅度模型样本和所述交叉熵函数训练所述分类模型。
一种自然环境雷达回波幅度模型分类装置，所述装置包括：
样本构建模块，用于通过仿真方式，得到N类幅度分布模型的自然环境雷达回波一维高分辨距离像的复数数据，并且设置对应的标注，得到幅度模型样本；
模型构建模块，用于构建所述幅度模型样本的分类模型；所述分类模型包括：网络输入层、复数卷积网络、复数残差网络、全连接层以及输出层；所述网络输入层为双通道实数输入，分别用于接收所述复数数据的实部和虚部；所述复数卷积网络包括：复数卷积层和复数平均池化层，所述复数卷积层的输出连接所述复数平均池化层，所述复数卷积层的权重为双通道实数权重，所述复数卷积层的卷积运算为复数运算，所述复数卷积层的输出经复数激活函数激活操作，所述复数平均池化层对所述复数激活函数的输出实部激活数据和虚部激活数据分别进行池化输出；所述复数残差网络包括：两个数据流，其中第一数据流包括：复数卷积层和复数最大池化层；第二数据流与所述第一数据流变换尺寸后的输出相加，得到复数残差网络的输出；所述全连接层包括全连接实部通道和全连接虚部通道；所述输出层对所述全连接层的全连接实部通道和全连接虚部通道输出的数据求模，得到输出实数用于分类；
分类模块，用于根据所述幅度模型样本对所述分类模型进行训练，利用训练好的所述分类模型进行自然环境雷达回波幅度模型分类。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
通过仿真方式，得到N类幅度分布模型的自然环境雷达回波一维高分辨距离像的复数数据，并且设置对应的标注，得到幅度模型样本；
构建所述幅度模型样本的分类模型；所述分类模型包括：网络输入层、复数卷积网络、复数残差网络、全连接层以及输出层；所述网络输入层为双通道实数输入，分别用于接收所述复数数据的实部和虚部；所述复数卷积网络包括：复数卷积层和复数平均池化层，所述复数卷积层的输出连接所述复数平均池化层，所述复数卷积层的权重为双通道实数权重，所述复数卷积层的卷积运算为复数运算，所述复数卷积层的输出经复数激活函数激活操作，所述复数平均池化层对所述复数激活函数的输出实部激活数据和虚部激活数据分别进行池化输出；所述复数残差网络包括：两个数据流，其中第一数据流包括：复数卷积层和复数最大池化层；第二数据流与所述第一数据流变换尺寸后的输出相加，得到复数残差网络的输出；所述全连接层包括全连接实部通道和全连接虚部通道；所述输出层对所述全连接层的全连接实部通道和全连接虚部通道输出的数据求模，得到输出实数用于分类；
根据所述幅度模型样本对所述分类模型进行训练，利用训练好的所述分类模型进行自然环境雷达回波幅度模型分类。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
通过仿真方式，得到N类幅度分布模型的自然环境雷达回波一维高分辨距离像的复数数据，并且设置对应的标注，得到幅度模型样本；
构建所述幅度模型样本的分类模型；所述分类模型包括：网络输入层、复数卷积网络、复数残差网络、全连接层以及输出层；所述网络输入层为双通道实数输入，分别用于接收所述复数数据的实部和虚部；所述复数卷积网络包括：复数卷积层和复数平均池化层，所述复数卷积层的输出连接所述复数平均池化层，所述复数卷积层的权重为双通道实数权重，所述复数卷积层的卷积运算为复数运算，所述复数卷积层的输出经复数激活函数激活操作，所述复数平均池化层对所述复数激活函数的输出实部激活数据和虚部激活数据分别进行池化输出；所述复数残差网络包括：两个数据流，其中第一数据流包括：复数卷积层和复数最大池化层；第二数据流与所述第一数据流变换尺寸后的输出相加，得到复数残差网络的输出；所述全连接层包括全连接实部通道和全连接虚部通道；所述输出层对所述全连接层的全连接实部通道和全连接虚部通道输出的数据求模，得到输出实数用于分类；
根据所述幅度模型样本对所述分类模型进行训练，利用训练好的所述分类模型进行自然环境雷达回波幅度模型分类。
上述自然环境雷达回波幅度模型分类方法、装置、计算机设备和存储介质，通过仿真的方式，得到了自然环境下的幅度分布模型，并且获取到自然环境雷达回波一维高分辨距离像的复数数据，标注后，可以得到幅度模型样本，通过这种方式，可以获得准确的幅度模型样本，并且幅度模型的类型以及样本数据均非常丰富，利于进行模型训练，在分类模型的构建上，首次提出了在各个网络层建立两个通道，分别用于实数部分处理和虚数部分处理，最终通过求模的方式进行分类，从而利用到样本中虚部的信息，提高分类模型分类的准确性。
附图说明
图1为一个实施例中自然环境雷达回波幅度模型分类方法的流程示意图；
图2为一个实施例中相干高斯序列仿真原理框图；
图3为一个实施例中相干瑞利杂波仿真原理框图；
图4为一个实施例中零记忆非线性变化法相干韦布尔杂波仿真原理框图；
图5为一个实施例中零记忆非线性变化法相干对数正态杂波仿真原理框图；
图6为一个实施例中球不变随机过程法相干K分布杂波仿真原理框图；
图7为一个实施例中自然环境雷达回波幅度模型装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种自然环境雷达回波幅度模型分类方法，包括以下步骤：
步骤102，通过仿真方式，得到N类幅度分布模型的自然环境雷达回波一维高分辨距离像的复数数据，并且设置对应的标注，得到幅度模型样本。
步骤104，构建幅度模型样本的分类模型。
分类模型包括：网络输入层、复数卷积网络、复数残差网络、全连接层以及输出层；网络输入层为双通道实数输入，分别用于接收复数数据的实部和虚部；复数卷积网络包括：复数卷积层和复数平均池化层，复数卷积层的输出连接复数平均池化层，复数卷积层的权重为双通道实数权重，复数卷积层的卷积运算为复数运算，复数卷积层的输出经复数激活函数激活操作，复数平均池化层对复数激活函数的输出实部激活数据和虚部激活数据分别进行池化输出；复数残差网络包括：两个数据流，其中第一数据流包括：复数卷积层和复数最大池化层；第二数据流与所述第一数据流变换尺寸后的输出相加，得到复数残差网络的输出；全连接层包括全连接实部通道和全连接虚部通道；输出层对全连接层的全连接实部通道和全连接虚部通道输出的数据求模，得到输出实数用于分类。
步骤106，根据幅度模型样本对分类模型进行训练，利用训练好的分类模型进行自然环境雷达回波幅度模型分类。
上述自然环境雷达回波幅度模型分类方法中，通过仿真的方式，得到了自然环境下的幅度分布模型，并且获取到自然环境雷达回波一维高分辨距离像的复数数据，标注后，可以得到幅度模型样本，通过这种方式，可以获得准确的幅度模型样本，并且幅度模型的类型以及样本数据均非常丰富，利于进行模型训练，在分类模型的构建上，首次提出了在各个网络层建立两个通道，分别用于实数部分处理和虚数部分处理，最终通过求模的方式进行分类，从而利用到样本中虚部的信息，提高分类模型分类的准确性。
在其中一个实施例中，构建幅度模型样本的步骤包括：
第一步、选取N类幅度分布模型，设置每一类分布杂波的仿真参数范围、杂噪比范围、数据集样本数和样本数据点数。
第二步、设计线性滤波器，将正交化处理后的两个独立零均值高斯白噪声经线性滤波器后得到相干高斯序列；仿真原理框图如图2所示。图2中，
Figure 515996DEST_PATH_IMAGE001
和
Figure 482815DEST_PATH_IMAGE002
表示独立零均值高斯白噪声，
Figure 988883DEST_PATH_IMAGE003
是线性滤波器，
Figure 673942DEST_PATH_IMAGE004
和
Figure 25289DEST_PATH_IMAGE005
是相干高斯序列。
第三步、用功率
Figure 112194DEST_PATH_IMAGE006
对这两个相干高斯序列进行调制，得到幅度服从瑞利分布的相干杂波，仿真原理框图如图3所示，其中瑞利分布函数为
Figure 789163DEST_PATH_IMAGE007
，其中
Figure 961518DEST_PATH_IMAGE008
是分布的标准差，瑞利分布杂波的平均功率为
Figure 116556DEST_PATH_IMAGE009
；图3中，
Figure 57967DEST_PATH_IMAGE010
是瑞利分布概率密度函数的方差。
Figure 905837DEST_PATH_IMAGE011
和
Figure 565489DEST_PATH_IMAGE012
分别是相干瑞利分布杂波序列的实部和虚部。
第四步、用零记忆非线性变换法仿真得到幅度服从韦布尔分布的相干杂波，仿真原理框图如图4，其中韦布尔分布函数为
Figure 22753DEST_PATH_IMAGE013
，其中
Figure 553091DEST_PATH_IMAGE014
是分布的尺度参数，
Figure 571863DEST_PATH_IMAGE015
是分布的形状参数；图4中
Figure 718810DEST_PATH_IMAGE015
是韦布尔分布概率密度函数的形状参数，
Figure 481230DEST_PATH_IMAGE016
和
Figure 397233DEST_PATH_IMAGE017
分别是相干韦布尔分布杂波序列的实部和虚部。
第五步、用零记忆非线性变换法仿真得到幅度服从对数正态分布的相干杂波，仿真原理框图如图5所示，其中对数正态分布函数为
Figure 321327DEST_PATH_IMAGE018
，其中
Figure 955571DEST_PATH_IMAGE019
是分布的标准差，
Figure 990523DEST_PATH_IMAGE020
是分布的均值；图5中
Figure 26612DEST_PATH_IMAGE020
和
Figure 121607DEST_PATH_IMAGE021
分别是对数正态分布概率密度函数的均值和标准差，
Figure 243147DEST_PATH_IMAGE022
和
Figure 81790DEST_PATH_IMAGE023
分别是相干对数正态分布杂波序列的实部和虚部。
第六步、用球不变随机过程法仿真得到幅度服从K分布相干杂波，仿真原理框图如图6所示，其中K分布函数为
Figure 205341DEST_PATH_IMAGE024
，其中
Figure 736817DEST_PATH_IMAGE025
是分布的尺度参数，
Figure 80073DEST_PATH_IMAGE026
是分布的形状参数，
Figure 987987DEST_PATH_IMAGE027
是伽玛函数，
Figure 733089DEST_PATH_IMAGE028
是第二类
Figure 169886DEST_PATH_IMAGE029
阶贝塞尔函数；图中
Figure 439DEST_PATH_IMAGE030
表示复数高斯白噪声，
Figure 446464DEST_PATH_IMAGE031
表示与
Figure 46072DEST_PATH_IMAGE032
相互独立的实数高斯白噪声，
Figure 919351DEST_PATH_IMAGE033
和
Figure 971620DEST_PATH_IMAGE034
是线性滤波器，ZMNL表示零记忆非线性变换，
Figure 955757DEST_PATH_IMAGE035
是线性滤波后具有特定功率谱的复数序列，
Figure 675451DEST_PATH_IMAGE036
是线性滤波后具有高度相关性的实数序列，
Figure 719630DEST_PATH_IMAGE037
是经非线性变换后的实数序列，
Figure 17451DEST_PATH_IMAGE038
表示相干K分布杂波序列。
第七步、对不同类型的数据进行标注，依次将N类分布杂波的标签设置为实数向量,如第1类分布杂波的标签为向量
Figure 805279DEST_PATH_IMAGE039
，该向量共有N个元素，第一个元素为1，其余N-1个元素全为0；第二类分布杂波的标签为向量
Figure 113900DEST_PATH_IMAGE040
，该向量共有N个元素，第二个元素为1，其余N-1个元素全为0；其余N-2类分布杂波的标签依次为
Figure 328981DEST_PATH_IMAGE041
、
Figure 355843DEST_PATH_IMAGE042
、……、
Figure 947361DEST_PATH_IMAGE043
，得到带实数标签的数据集；
第八步、将杂波复数数据集按5:1的比例划分为训练样本集和测试样本集，得到训练样本集和测试样本集。
在其中一个实施例中，构建1个网络输入层：载入单通道一维复数数据
Figure 376068DEST_PATH_IMAGE044
，具体表示为
Figure 762050DEST_PATH_IMAGE045
，其中
Figure 541787DEST_PATH_IMAGE046
和
Figure 671417DEST_PATH_IMAGE047
是实数向量；提取复数数据的实部
Figure 689052DEST_PATH_IMAGE048
和虚部
Figure 511515DEST_PATH_IMAGE047
作为独立通道数据，将实部通道数据
Figure 512969DEST_PATH_IMAGE049
和虚部通道数据
Figure 446290DEST_PATH_IMAGE050
合并为双通道数据
Figure 82545DEST_PATH_IMAGE051
，导入输入层。
在另一个实施例中，定义复数激活函数：复数激活函数包含实部通道和虚部通道，分别对复数数据的实部和虚部进行激活，两个通道都定义为实数ReLU激活函数，具体表示为：
Figure 810330DEST_PATH_IMAGE052
，其中
Figure 299080DEST_PATH_IMAGE053
表示复数，
Figure 770512DEST_PATH_IMAGE054
表示实数ReLU激活函数，
Figure 28318DEST_PATH_IMAGE055
表示实部，
Figure 192583DEST_PATH_IMAGE056
表示虚部，
Figure 903050DEST_PATH_IMAGE057
表示被执行激活操作的数据。
在另一个实施例中，定义复数平均池化算法：
Figure 912595DEST_PATH_IMAGE058
，即分别取池化区域内复数数据实部和虚部的均值，其中，对长和宽分别为
Figure 290487DEST_PATH_IMAGE059
和
Figure 360074DEST_PATH_IMAGE060
的输入数据
Figure 823416DEST_PATH_IMAGE061
，以左上第一个数据为原点、长和宽为坐标轴正方向建立坐标系，
Figure 636651DEST_PATH_IMAGE062
表示以坐标
Figure 869049DEST_PATH_IMAGE063
为起点的池域内的全体复数的均值，
Figure 109538DEST_PATH_IMAGE064
表示池的步长，
Figure 293132DEST_PATH_IMAGE065
表示池核的大小，池域大小为
Figure 910058DEST_PATH_IMAGE066
，
Figure 996963DEST_PATH_IMAGE067
和
Figure 673932DEST_PATH_IMAGE068
分别表示池域内在坐标
Figure 846288DEST_PATH_IMAGE069
方向上和
Figure 1325DEST_PATH_IMAGE070
方向上的位置，取值均为1到
Figure 942737DEST_PATH_IMAGE071
的整数，坐标
Figure 525028DEST_PATH_IMAGE072
的取值为0到
Figure 184679DEST_PATH_IMAGE073
的整数，
Figure 143408DEST_PATH_IMAGE074
坐标的取值为0到
Figure 204905DEST_PATH_IMAGE075
的整数。
在其中一个实施例中，复数卷积网络包括5个复数卷积层，每个复数卷积层后连接一个复数平均池化，第一个复数卷积层的卷积核尺寸为5、步长为1、补零数为2，其余复数卷积层的卷积核尺寸为3、步长为1、补零数为1。
具体的，设置第一个复数卷积层的卷积核尺寸为5、步长为1、补零数为2，其余复数卷积层的卷积核尺寸为3、步长为1、补零数为1。复数卷积核的权重表示为
Figure 958097DEST_PATH_IMAGE076
，将卷积核权重的实部
Figure 105045DEST_PATH_IMAGE077
和虚部
Figure 100420DEST_PATH_IMAGE078
定义为两个独立的实数通道；根据复数卷积运算规则
Figure 16424DEST_PATH_IMAGE079
，其中符号
Figure 206097DEST_PATH_IMAGE080
是卷积运算，复数卷积权重的实部通道
Figure 840340DEST_PATH_IMAGE081
和虚部通道
Figure 140872DEST_PATH_IMAGE078
均对复数数据实部
Figure 645802DEST_PATH_IMAGE082
和虚部
Figure 6376DEST_PATH_IMAGE083
进行实数卷积运算，得到
Figure 127916DEST_PATH_IMAGE084
、
Figure 966559DEST_PATH_IMAGE085
、
Figure 591576DEST_PATH_IMAGE086
和
Figure 123051DEST_PATH_IMAGE087
，根据运算规则得到复数卷积的实部
Figure 466308DEST_PATH_IMAGE088
和虚部
Figure 374221DEST_PATH_IMAGE089
；在复数卷积层对复数数据执行运算
Figure 119323DEST_PATH_IMAGE090
，其中
Figure 326094DEST_PATH_IMAGE091
表示第
Figure 891068DEST_PATH_IMAGE092
个神经元单元的复数卷积加权和，
Figure 71513DEST_PATH_IMAGE093
表示第
Figure 936701DEST_PATH_IMAGE094
个通道的输入数据，
Figure 809979DEST_PATH_IMAGE095
表示输入数据的总通道数，
Figure 127828DEST_PATH_IMAGE096
表示第
Figure 111965DEST_PATH_IMAGE097
个神经元的复数权重，
Figure 831659DEST_PATH_IMAGE098
表示第
Figure 610259DEST_PATH_IMAGE099
个神经元的复数偏置，
Figure 415404DEST_PATH_IMAGE100
表示
Figure 203232DEST_PATH_IMAGE101
的实部，
Figure 777432DEST_PATH_IMAGE102
表示
Figure 992513DEST_PATH_IMAGE101
的虚部；运算结果经复数激活函数激活操作
Figure 252331DEST_PATH_IMAGE103
，其中
Figure 843849DEST_PATH_IMAGE104
表示复数激活函数，
Figure 272556DEST_PATH_IMAGE105
表示第
Figure 658538DEST_PATH_IMAGE106
个神经元的输出数据；将得到的实部
Figure 438276DEST_PATH_IMAGE107
和虚部
Figure 302326DEST_PATH_IMAGE108
独立输出。
在其中一个实施例中，复数平均池化层的池化核尺寸为3、步长为2、补零数为1。对复数卷积层输出的实部
Figure 585540DEST_PATH_IMAGE109
和虚部
Figure 408003DEST_PATH_IMAGE110
执行平均池化操作
Figure 409457DEST_PATH_IMAGE111
，将得到的实部
Figure 77199DEST_PATH_IMAGE112
和虚部
Figure 480498DEST_PATH_IMAGE113
独立输出。
在其中一个实施例中，第一数据流包括5个复数卷积层和3个复数最大池化层，3个复数最大池化层分别与排序靠后的三个复数卷积层连接，第二数据流与第一数据流变换尺寸后的输出相加，得到复数残差网络的输出，构建5个复数卷积层和3个复数最大池化层，3个复数最大池化层分别与后面三个复数卷积层连接。输入残差网络模块的数据
Figure 473862DEST_PATH_IMAGE114
有两个流向，一个经过网络层到最后一个复数最大池化层得到输出
Figure 431454DEST_PATH_IMAGE115
，另一个不经过网络层，直接与最后一个复数最大池化层的变换维度后的输出相加得到复数残差网络模块的最终输出。复数卷积层的卷积核尺寸为3、步长为1、补零数为1。复数最大层的池化核尺寸为3，步长为2，补零数为1。复数最大池化层首先对池域内的复数数据
Figure 135842DEST_PATH_IMAGE116
取模并寻找最大模值
Figure 393648DEST_PATH_IMAGE117
，其次获取最大模值
Figure 292334DEST_PATH_IMAGE118
在池域内的坐标
Figure 268380DEST_PATH_IMAGE119
，最后根据坐标
Figure 543504DEST_PATH_IMAGE119
在池域内寻找并输出复数数据
Figure 655816DEST_PATH_IMAGE120
。
对于全连接层，设置第一个全连接层神经元数为64，第二个全连接层的神经元数为4；全连接层神经元的复数权重表示为
Figure 725403DEST_PATH_IMAGE121
，将神经元权重的实部
Figure 923167DEST_PATH_IMAGE122
和虚部
Figure 1981DEST_PATH_IMAGE123
定义为两个独立的实数通道；根据复数乘积运算规则
Figure 234379DEST_PATH_IMAGE124
，复数权重的实部通道
Figure 474868DEST_PATH_IMAGE122
和虚部通道
Figure 159927DEST_PATH_IMAGE123
均对复数数据实部
Figure 776853DEST_PATH_IMAGE125
和虚部
Figure 362293DEST_PATH_IMAGE126
进行实数乘积运算，得到
Figure 773683DEST_PATH_IMAGE127
、
Figure 946038DEST_PATH_IMAGE128
、
Figure 366655DEST_PATH_IMAGE129
和
Figure 308066DEST_PATH_IMAGE130
，根据运算规则得到复数的实部
Figure 890357DEST_PATH_IMAGE131
和虚部
Figure 550009DEST_PATH_IMAGE132
。在复数全连接层对复数数据执行运算
Figure 508738DEST_PATH_IMAGE133
，其中
Figure 570234DEST_PATH_IMAGE134
表示第
Figure 589006DEST_PATH_IMAGE135
个神经元单元的复数乘积加权和，
Figure 204795DEST_PATH_IMAGE136
表示第
Figure 967215DEST_PATH_IMAGE137
个通道的输入数据，
Figure 883218DEST_PATH_IMAGE138
表示输入数据的总通道数，
Figure 72891DEST_PATH_IMAGE139
表示第
Figure 223248DEST_PATH_IMAGE140
个神经元的复数权重，
Figure 523779DEST_PATH_IMAGE141
表示第
Figure 28710DEST_PATH_IMAGE142
个神经元的复数偏置，
Figure 389284DEST_PATH_IMAGE143
表示
Figure 245245DEST_PATH_IMAGE144
的实部，
Figure 349467DEST_PATH_IMAGE145
表示
Figure 240063DEST_PATH_IMAGE146
的虚部；运算结果经复数激活函数激活操作
Figure 771538DEST_PATH_IMAGE147
，其中
Figure 114795DEST_PATH_IMAGE148
表示第
Figure 757129DEST_PATH_IMAGE149
个神经元的输出数据；将得到的实部
Figure 236652DEST_PATH_IMAGE150
和虚部
Figure 939028DEST_PATH_IMAGE151
独立输出。
对于输出层，对复数全连接层输出的实部
Figure 769581DEST_PATH_IMAGE152
和虚部
Figure 215606DEST_PATH_IMAGE153
求模
Figure 579329DEST_PATH_IMAGE154
，得到实数
Figure 452607DEST_PATH_IMAGE155
，经log_softmax分类器运算输出分类结果。
具体的，构建交叉熵函数，根据幅度模型样本和所述交叉熵函数训练分类模型。
在网络参数设置时，小批量训练样本集大小为10；学习率为0.00001；迭代次数为100；优化器使用Adam算法；分类器使用log_softmax函数；损失函数选择交叉熵函数，
Figure 504877DEST_PATH_IMAGE156
，其中
Figure 489013DEST_PATH_IMAGE157
表示损失函数，
Figure 208708DEST_PATH_IMAGE158
表示数据真实标签，
Figure 252887DEST_PATH_IMAGE159
表示网络分类标签。将训练样本集数据输入网络进行训练，得到训练好的网络模型。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种自然环境雷达回波幅度模型分类装置，包括：样本构建模块702、模型构建模块704和分类模块706，其中：
样本构建模块702，用于通过仿真方式，得到N类幅度分布模型的自然环境雷达回波一维高分辨距离像的复数数据，并且设置对应的标注，得到幅度模型样本；
模型构建模块704，用于构建所述幅度模型样本的分类模型；所述分类模型包括：网络输入层、复数卷积网络、复数残差网络、全连接层以及输出层；所述网络输入层为双通道实数输入，分别用于接收所述复数数据的实部和虚部；所述复数卷积网络包括：复数卷积层和复数平均池化层，所述复数卷积层的输出连接所述复数平均池化层，所述复数卷积层的权重为双通道实数权重，所述复数卷积层的卷积运算为复数运算，所述复数卷积层的输出经复数激活函数激活操作，所述复数平均池化层对所述复数激活函数的输出实部激活数据和虚部激活数据分别进行池化输出；所述复数残差网络包括：两个数据流，其中第一数据流包括：复数卷积层和复数最大池化层；第二数据流与所述第一数据流变换尺寸后的输出相加，得到复数残差网络的输出；所述全连接层包括全连接实部通道和全连接虚部通道；所述输出层对所述全连接层的全连接实部通道和全连接虚部通道输出的数据求模，得到输出实数用于分类；
分类模块706，用于根据所述幅度模型样本对所述分类模型进行训练，利用训练好的所述分类模型进行自然环境雷达回波幅度模型分类。
在其中一个实施例中，所述复数卷积网络包括5个复数卷积层，每个所述复数卷积层后连接一个复数平均池化，第一个复数卷积层的卷积核尺寸为5、步长为1、补零数为2，其余复数卷积层的卷积核尺寸为3、步长为1、补零数为1。
在其中一个实施例中，所述复数平均池化层的池化核尺寸为3、步长为2、补零数为1。
在其中一个实施例中，所述第一数据流包括5个复数卷积层和3个复数最大池化层，3个复数最大池化层分别与排序靠后的三个复数卷积层连接。
在其中一个实施例中，所述第一数据流的输出与所述第二数据流的输出相加，得到复数残差网络的输出。
在其中一个实施例中，分类模块706还用于构建交叉熵函数，根据所述幅度模型样本和所述交叉熵函数训练所述分类模型。
关于自然环境雷达回波幅度模型分类装置的具体限定可以参见上文中对于自然环境雷达回波幅度模型分类方法的限定，在此不再赘述。上述自然环境雷达回波幅度模型分类装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种自然环境雷达回波幅度模型分类方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述实施例中方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (6)

1.一种自然环境雷达回波幅度模型分类方法，其特征在于，所述方法包括：
通过仿真方式，得到N类幅度分布模型的自然环境雷达回波一维高分辨距离像的复数数据，并且设置对应的标注，得到幅度模型样本；
构建所述幅度模型样本的分类模型；所述分类模型包括：网络输入层、复数卷积网络、复数残差网络、全连接层以及输出层；所述网络输入层为双通道实数输入，分别用于接收所述复数数据的实部和虚部；所述复数卷积网络包括：复数卷积层和复数平均池化层，所述复数卷积层的输出连接所述复数平均池化层，所述复数卷积层的权重为双通道实数权重，所述复数卷积层的卷积运算为复数运算，所述复数卷积层的输出经复数激活函数激活操作，所述复数平均池化层对所述复数激活函数的输出实部激活数据和虚部激活数据分别进行池化输出；所述复数残差网络包括：两个数据流，其中第一数据流包括：复数卷积层和复数最大池化层；第二数据流与所述第一数据流变换尺寸后的输出相加，得到复数残差网络的输出；所述全连接层包括全连接实部通道和全连接虚部通道；所述输出层对所述全连接层的全连接实部通道和全连接虚部通道输出的数据求模，得到输出实数用于分类；所述第一数据流包括5个复数卷积层和3个复数最大池化层，3个复数最大池化层分别与排序靠后的三个复数卷积层连接；
根据所述幅度模型样本对所述分类模型进行训练，利用训练好的所述分类模型进行自然环境雷达回波幅度模型分类。
2.根据权利要求1所述的方法，其特征在于，所述复数卷积网络包括5个复数卷积层，每个所述复数卷积层后连接一个复数平均池化，第一个复数卷积层的卷积核尺寸为5、步长为1、补零数为2，其余复数卷积层的卷积核尺寸为3、步长为1、补零数为1。
3.根据权利要求1所述的方法，其特征在于，所述复数平均池化层的池化核尺寸为3、步长为2、补零数为1。
4.根据权利要求1所述的方法，其特征在于，所述第二数据流与第一数据流变换尺寸后的输出相加，得到复数残差网络的输出。
5.根据权利要求1所述的方法，其特征在于，根据所述幅度模型样本对所述分类模型进行训练，包括：
构建交叉熵函数，根据所述幅度模型样本和所述交叉熵函数训练所述分类模型。
6.一种自然环境雷达回波幅度模型分类装置，其特征在于，所述装置包括：
样本构建模块，用于通过仿真方式，得到N类幅度分布模型的自然环境雷达回波一维高分辨距离像的复数数据，并且设置对应的标注，得到幅度模型样本；
模型构建模块，用于构建所述幅度模型样本的分类模型；所述分类模型包括：网络输入层、复数卷积网络、复数残差网络、全连接层以及输出层；所述网络输入层为双通道实数输入，分别用于接收所述复数数据的实部和虚部；所述复数卷积网络包括：复数卷积层和复数平均池化层，所述复数卷积层的输出连接所述复数平均池化层，所述复数卷积层的权重为双通道实数权重，所述复数卷积层的卷积运算为复数运算，所述复数卷积层的输出经复数激活函数激活操作，所述复数平均池化层对所述复数激活函数的输出实部激活数据和虚部激活数据分别进行池化输出；所述复数残差网络包括：两个数据流，其中第一数据流包括：复数卷积层和复数最大池化层；第二数据流与所述第一数据流变换尺寸后的输出相加，得到复数残差网络的输出；所述全连接层包括全连接实部通道和全连接虚部通道；所述输出层对所述全连接层的全连接实部通道和全连接虚部通道输出的数据求模，得到输出实数用于分类；所述第一数据流包括5个复数卷积层和3个复数最大池化层，3个复数最大池化层分别与排序靠后的三个复数卷积层连接；
分类模块，用于根据所述幅度模型样本对所述分类模型进行训练，利用训练好的所述分类模型进行自然环境雷达回波幅度模型分类。
CN202110451002.2A 2021-04-26 2021-04-26 自然环境雷达回波幅度模型分类方法和装置 Active CN112859034B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110451002.2A CN112859034B (zh) 2021-04-26 2021-04-26 自然环境雷达回波幅度模型分类方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110451002.2A CN112859034B (zh) 2021-04-26 2021-04-26 自然环境雷达回波幅度模型分类方法和装置

Publications (2)

Publication Number Publication Date
CN112859034A CN112859034A (zh) 2021-05-28
CN112859034B true CN112859034B (zh) 2021-07-16

Family

ID=75992935

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110451002.2A Active CN112859034B (zh) 2021-04-26 2021-04-26 自然环境雷达回波幅度模型分类方法和装置

Country Status (1)

Country Link
CN (1) CN112859034B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113945893A (zh) * 2021-12-20 2022-01-18 清华大学 雷达杂波信号的模拟装置及方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104318593B (zh) * 2014-09-30 2017-05-17 北京环境特性研究所 一种雷达海杂波的仿真方法和系统
CN109389058B (zh) * 2018-09-25 2021-03-23 中国人民解放军海军航空大学 海杂波与噪声信号分类方法及系统
CN109658469B (zh) * 2018-12-13 2023-05-26 深圳先进技术研究院 一种基于深度先验学习的头颈联合成像方法和装置
CN109934101A (zh) * 2019-01-24 2019-06-25 西安电子科技大学 基于卷积神经网络的雷达杂波识别方法
CN110501683B (zh) * 2019-08-19 2021-06-04 杭州电子科技大学 一种基于四维数据特征的海陆杂波分类方法

Also Published As

Publication number Publication date
CN112859034A (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
CN110533631B (zh) 基于金字塔池化孪生网络的sar图像变化检测方法
CN108447057B (zh) 基于显著性和深度卷积网络的sar图像变化检测方法
CN112955883B (zh) 应用推荐方法、装置、服务器和计算机可读存储介质
CN112418212B (zh) 一种基于EIoU改进的YOLOv3算法
Feng et al. Dual-graph convolutional network based on band attention and sparse constraint for hyperspectral band selection
Gao et al. BLNN: Multiscale Feature Fusion‐Based Bilinear Fine‐Grained Convolutional Neural Network for Image Classification of Wood Knot Defects
CN114048468A (zh) 入侵检测的方法、入侵检测模型训练的方法、装置及介质
CN116596095B (zh) 基于机器学习的碳排放量预测模型的训练方法及装置
CN114881343B (zh) 基于特征选择的电力系统短期负荷预测方法及装置
CN112859034B (zh) 自然环境雷达回波幅度模型分类方法和装置
CN112560966A (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
CN110263808B (zh) 一种基于lstm网络和注意力机制的图像情感分类方法
CN111461923A (zh) 一种基于深度卷积神经网络的窃电监测系统和方法
CN109063750B (zh) 基于cnn和svm决策融合的sar目标分类方法
Zhang et al. A novel extreme learning machine using privileged information
Lou et al. Network robustness prediction: Influence of training data distributions
CN114819107B (zh) 基于深度学习的混合数据同化方法
US20230029163A1 (en) Wafer map analysis system using neural network and method of analyzing wafer map using the same
CN114678083A (zh) 一种化学品遗传毒性预测模型的训练方法及预测方法
CN113989632A (zh) 一种遥感图像桥梁检测方法、装置、电子设备及存储介质
CN109444360B (zh) 基于细胞神经网络和电子鼻特征提取的果汁贮藏期检测算法
CN116520252B (zh) 一种空中目标智能识别方法与系统
Di et al. Data-driven mapping with prediction neural network for the future wide-swath satellite altimetry
Luu et al. Application of long short-term memory (LSTM) networks for rainfall-runoff simulation in Vu Gia–Thu Bon catchment, Vietnam
CN115345257B (zh) 飞行轨迹分类模型训练方法、分类方法、装置及存储介质

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