CN112884084A - 一种雷达目标分类方法、装置、设备及可读存储介质 - Google Patents

一种雷达目标分类方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN112884084A
CN112884084A CN202110359986.1A CN202110359986A CN112884084A CN 112884084 A CN112884084 A CN 112884084A CN 202110359986 A CN202110359986 A CN 202110359986A CN 112884084 A CN112884084 A CN 112884084A
Authority
CN
China
Prior art keywords
radar target
feature data
layer
classification
range profile
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.)
Pending
Application number
CN202110359986.1A
Other languages
English (en)
Inventor
易先林
陈震
罗伟
晋海洋
张金
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.)
Hunan Guotian Electronic Technology Co ltd
Original Assignee
Hunan Guotian Electronic Technology Co ltd
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 Hunan Guotian Electronic Technology Co ltd filed Critical Hunan Guotian Electronic Technology Co ltd
Priority to CN202110359986.1A priority Critical patent/CN112884084A/zh
Publication of CN112884084A publication Critical patent/CN112884084A/zh
Pending legal-status Critical Current

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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • 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
    • 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
    • G01S7/418—Theoretical aspects
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

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

Abstract

本发明公开了一种雷达目标分类方法，包括：获取雷达目标的高分辨距离像；利用预设的卷积神经网络对高分辨距离像进行分类，得到雷达目标的分类结果；将雷达目标的分类结果进行可视化展示。预设的卷积神经网络包括：卷积层、与BN算法相结合的激活函数层、汇聚层和设有SVM分类器的全连接层。该方法公开的卷积神经网络能够提高雷达目标的分类结果的准确性，以及雷达目标的分类效率。相应地，本发明公开的一种雷达目标分类装置、设备及可读存储介质，也同样具有上述技术效果。

Description

一种雷达目标分类方法、装置、设备及可读存储介质
技术领域
本发明涉及信号处理技术领域，更具体地说，涉及一种雷达目标分类方法、装置、设备及可读存储介质。
背景技术
高分辨距离像(High Resolution Range Profile，HRRP)是用宽带雷达信号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。因此基于高分辨距离像对雷达目标进行识别分类，能够有效提高识别分类的准确性。
在现有技术中，处理雷达目标的高分辨距离像的神经网络模型中的激活函数在处理激活值的过程中，数值会逐渐往非线性函数取值区间的上下端点逼近，从而导致数值间的梯度消失，难以收敛，这将会降低数据处理效率；并且，现有的神经网络模型采用Softmax函数进行目标分类，而由于Softmax函数在进行目标分类时，会考虑全局样本，从而导致其分类超平面受到每个样本的干扰，如此则会降低分类结果的准确性。
因此，如何提高雷达目标的分类效率和准确率，是本领域技术人员需要解决的问题。
发明内容
本发明的目的在于提供一种雷达目标分类方法、装置、设备及可读存储介质，以提高雷达目标的分类效率和准确率。
为实现上述目的，本发明实施例提供了如下技术方案：
一种雷达目标分类方法，包括：
获取雷达目标的高分辨距离像；
利用预设的卷积神经网络对所述高分辨距离像进行分类，得到所述雷达目标的分类结果；所述预设的卷积神经网络包括：卷积层、与BN算法相结合的激活函数层、汇聚层和设有SVM分类器的全连接层；
将所述雷达目标的分类结果进行可视化展示。
其中，所述利用预设的卷积神经网络对所述高分辨距离像进行分类，包括：
通过所述卷积层提取所述高分辨距离像的特征，得到所述雷达目标的特征数据集合；
通过所述激活函数层增加所述特征数据集合中的特征数据的梯度，得到第一中间集合；
通过所述汇聚层对所述第一中间集合中的特征数据进行降维处理，得到第二中间集合；
通过所述全连接层中的SVM分类器对所述第二中间集合中的特征数据进行分类。
其中，还包括：
重复执行一次所述通过所述卷积层提取所述高分辨距离像的特征，得到所述雷达目标的特征数据集合；通过所述激活函数层增加所述特征数据集合中的特征数据的梯度，得到第一中间集合的步骤；所述第一中间集合作为重复执行时所述卷积层的输入数据。
其中，所述通过所述全连接层中的SVM分类器对所述第二中间集合中的特征数据进行分类之前，还包括：
迭代执行所述通过所述卷积层提取所述高分辨距离像的特征，得到所述雷达目标的特征数据集合；通过所述激活函数层增加所述特征数据集合中的特征数据的梯度，得到第一中间集合；通过所述汇聚层对所述第一中间集合中的特征数据进行降维处理，得到第二中间集合的步骤；所述第二中间集合中的特征数据作为迭代执行时所述卷积层的输入数据；
当迭代执行的次数超过预设的阈值时，执行所述通过所述全连接层中的SVM分类器对所述第二中间集合中的特征数据进行分类的步骤。
其中，所述通过所述激活函数层增加所述特征数据集合中的特征数据的梯度，包括：
利用第一公式计算所述特征数据集合中的特征数据的期望，所述第一公式为：
Figure BDA0003005149120000021
利用第二公式计算所述特征数据集合中的特征数据的方差，所述第二公式为：
Figure BDA0003005149120000031
利用第三公式对所述特征数据集合中的特征数据进行归一化处理，所述第三公式为：
Figure BDA0003005149120000032
利用预设的学习参数和第四公式对所述归一化处理的结果进行重构变换，所述第四公式为：
Figure BDA0003005149120000033
其中，E[x]为所述期望，s为所述特征数据集合中的特征数据的个数，xi为所述特征数据集合中的任意一个特征数据；Var[x]为所述方差，
Figure BDA0003005149120000034
为所述归一化处理的结果，yi为所述重构变换的结果，γ和β均为所述学习参数。
其中，所述将所述雷达目标的分类结果进行可视化展示，包括：
利用预设的可视化工具将所述雷达目标的分类结果进行可视化展示。
一种雷达目标分类装置，包括：
获取模块，用于获取雷达目标的高分辨距离像；
分类模块，用于利用预设的卷积神经网络对所述高分辨距离像进行分类，得到所述雷达目标的分类结果；所述预设的卷积神经网络包括：卷积层、与BN算法相结合的激活函数层、汇聚层和设有SVM分类器的全连接层；
展示模块，用于将所述雷达目标的分类结果进行可视化展示。
其中，所述分类模块包括：
提取单元，用于通过所述卷积层提取所述高分辨距离像的特征，得到所述雷达目标的特征数据集合；
优化单元，用于通过所述激活函数层增加所述特征数据集合中的特征数据的梯度，得到第一中间集合；
降维单元，用于通过所述汇聚层对所述第一中间集合中的特征数据进行降维处理，得到第二中间集合；
分类单元，用于通过所述全连接层中的SVM分类器对所述第二中间集合中的特征数据进行分类。
一种雷达目标分类设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现上述任意一项所述的雷达目标分类方法的步骤。
一种可读存储介质，所述可读存储介质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上述任意一项所述的雷达目标分类方法的步骤。
通过以上方案可知，本发明实施例提供的一种雷达目标分类方法，包括：获取雷达目标的高分辨距离像；利用预设的卷积神经网络对所述高分辨距离像进行分类，得到所述雷达目标的分类结果；将所述雷达目标的分类结果进行可视化展示。所述预设的卷积神经网络包括：卷积层、与BN算法相结合的激活函数层、汇聚层和设有SVM分类器的全连接层。
可见，所述方法中应用的卷积神经网络包括卷积层、与BN算法相结合的激活函数层、汇聚层和设有SVM分类器的全连接层。其中，与BN算法相结合的激活函数层能够将任意激活输入值强制拉回至标准正态分布，使激活输入值落入非线性函数的敏感区，这样激活输入值的变动就会比较小，而小变动的激活输入值会增加激活函数的输出，因此可增大数据间的梯度，加速收敛速度，提高数据处理效率。全连接层在对雷达目标进行分类时，采用SVM分类器进行处理，由于SVM分类算法具有泛化错误率低，分类速度快，结果易解释的优点。因此本发明能够提高雷达目标的分类结果的准确性和分类效率。
相应地，本发明实施例提供的一种雷达目标分类装置、设备及可读存储介质，也同样具有上述技术效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例公开的一种雷达目标分类方法流程图；
图2为本发明实施例公开的一种基于卷积神经网络对雷达目标进行分类的过程流程图；
图3为本发明实施例公开的一种雷达目标分类装置示意图；
图4为本发明实施例公开的一种雷达目标分类设备示意图；
图5为本发明实施例公开的一种卷积神经网络结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种雷达目标分类方法、装置、设备及可读存储介质，以提高雷达目标的分类效率和准确率。
参见图1，本发明实施例提供的一种雷达目标分类方法，包括：
S101、获取雷达目标的高分辨距离像；
其中，本实施例中的雷达目标指代多个目标，高分辨距离像可以为一维距离像。
S102、利用预设的卷积神经网络对高分辨距离像进行分类，得到雷达目标的分类结果；卷积神经网络包括：卷积层、与BN算法相结合的激活函数层、汇聚层和设有SVM分类器的全连接层；
具体的，卷积层主要用于提取雷达目标的高分辨距离像的特征，卷积层越多，提取到的特征越细化。例如：对图像数据而言，第一个卷积层能提取边缘、线条等低级特征，第二个卷积层就能提取更深层次的特征。
激活函数层能够将任意激活输入值强制拉回至标准正态分布，使激活输入值落入非线性函数的敏感区，这样激活输入值的变动就会比较小，而小变动的激活输入值会增加激活函数的输出，因此可增大数据间的梯度，加速收敛速度，提高数据处理效率。
汇聚层主要用于对上一层输出的特征图进行下采样，以降低特征图的空间尺寸，减少卷积神经网络的网络参数数量和计算资源的耗费，有效控制过拟合。
全连接层可以将提取到的特征映射到标记空间，并利用SVM分类器对这些特征进行分类，进而输出分类结果。其中，分类结果包括的具体信息为：每个目标所属的类别标签以及隶属于该类别的概率。
S103、将雷达目标的分类结果进行可视化展示。
可见，本实施例提供了一种雷达目标分类方法，所述方法中应用的卷积神经网络包括卷积层、与BN算法相结合的激活函数层、汇聚层和设有SVM分类器的全连接层。其中，与BN算法相结合的激活函数层能够将任意激活输入值强制拉回至标准正态分布，使激活输入值落入非线性函数的敏感区，这样激活输入值的变动就会比较小，而小变动的激活输入值会增加激活函数的输出，因此可增大数据间的梯度，加速收敛速度，提高数据处理效率。全连接层在对雷达目标进行分类时，采用SVM分类器进行处理，由于SVM分类算法具有泛化错误率低，分类速度快，结果易解释的优点。因此本发明能够提高雷达目标的分类结果的准确性和分类效率。
基于上述实施例，需要说明的是，所述利用预设的卷积神经网络对所述高分辨距离像进行分类，包括以下步骤，具体请参见图2：
S201、通过卷积层提取高分辨距离像的特征，得到雷达目标的特征数据集合；
S202、通过激活函数层增加特征数据集合中的特征数据的梯度，得到第一中间集合；
S203、通过汇聚层对第一中间集合中的特征数据进行降维处理，得到第二中间集合；
S204、通过全连接层中的SVM分类器对第二中间集合中的特征数据进行分类。
其中，还包括：
重复执行一次所述通过所述卷积层提取所述高分辨距离像的特征，得到所述雷达目标的特征数据集合；通过所述激活函数层增加所述特征数据集合中的特征数据的梯度，得到第一中间集合的步骤；所述第一中间集合作为重复执行时所述卷积层的输入数据。
其中，通过全连接层中的SVM分类器对第二中间集合中的特征数据进行分类之前，还包括：
迭代执行通过卷积层提取高分辨距离像的特征，得到雷达目标的特征数据集合；通过激活函数层增加特征数据集合中的特征数据的梯度，得到第一中间集合；通过汇聚层对第一中间集合中的特征数据进行降维处理，得到第二中间集合的步骤；第二中间集合中的特征数据作为迭代执行时卷积层的输入数据；当迭代执行的次数超过预设的阈值时，执行通过全连接层中的SVM分类器对第二中间集合中的特征数据进行分类的步骤。
具体的，为了进一步提高分类精度，可以将卷积层、激活函数层和汇聚层看作一个隐含层，在卷积神经网络中设置多个隐含层，前一个隐含层的输出作为下一个隐含层的输入，并增加每个隐含层中的卷积层的数量。
例如：在卷积神经网络中设置4个隐含层，每个隐含层包括：两个卷积层、一个激活函数层和一个汇聚层构成，其中，第一个卷积层的输入数据为雷达目标的高分辨距离像，其输出数据作为第二个卷积层的输入数据，第二个卷积层的输出数据作为激活函数层的输入数据，激活函数层的输出数据作为汇聚层的输入数据，汇聚层的输出数据作为下一个隐含层的第一个卷积层的输入数据，如此迭代4个隐含层后，最后一个隐含层的输出数据作为全连接层的输入数据，直至全连接层输出雷达目标的分类结果。其中，卷积层可以采用3×1的卷积核，汇聚层以步长为2进行2×1的最大值汇聚。
也就是说，卷积神经网络中的各个层之间为前向传播，前一层的输出作为下一层的输入。若雷达目标的高分辨距离像用X表示，用Ki表示高分辨距离像经过第i层处理后的特征图，其中K0＝X，那么当i表示第一个卷积层时，Ki可用下述公式表示：
Ki＝f(Ki-1*Wi+bi)
其中，Wi表示第i层的卷积核的权值向量，*表示卷积核与第i-1层输出的特征图的卷积操作，bi表示第i层的偏置项，f表示非线性激活函数，Ki由非线性激活函数映射卷积操作结果与偏置项的和而得。
当i表示汇聚层时，Ki可用下述公式表示：
Ki＝downsampling(Ki-1)
其中，Ki-1表示汇聚层的上一层输出的特征图。
全连接层可以将提取到的特征映射到标记空间，得到雷达目标K0隶属于不同类别的概率矢量Y，全连接层的输出Y(i)可表示为：
Y(i)＝P(L＝li|K0；(W,b))
其中，li表示第i个标签类别，L表示所有标签类别集合，W表示权值向量集合，b表示偏置向量集合。
其中，通过激活函数层增加特征数据集合中的特征数据的梯度，包括：
利用第一公式计算特征数据集合中的特征数据的期望，第一公式为：
Figure BDA0003005149120000081
利用第二公式计算特征数据集合中的特征数据的方差，第二公式为：
Figure BDA0003005149120000082
利用第三公式对特征数据集合中的特征数据进行归一化处理，第三公式为：
Figure BDA0003005149120000083
利用预设的学习参数和第四公式对归一化处理的结果进行重构变换，第四公式为：
Figure BDA0003005149120000084
其中，E[x]为期望，s为特征数据集合中的特征数据的个数，xi为特征数据集合中的任意一个特征数据；Var[x]为方差，
Figure BDA0003005149120000085
为归一化处理的结果，yi为重构变换的结果，γ和β均为学习参数；ε为任意常数，能够防止除零错误，确保重构变换的数值稳定性。其一般取接近0的正数。
其中，重构变换的效果完全取决于学习参数γ和β，γ和β是利用BP算法学习得到的。BP算法依据求导链式法则，计算损失函数关于网络参数的梯度值，并根据梯度值对网络参数进行调整。BP算法是一种最有效的多层神经网络学习方法，其主要特点是信号前向传递，而误差后向传播，通过不断调节网络权重值，使得网络的最终输出与期望输出尽可能接近，以达到训练目的。
具体的，对特征数据集合中的特征数据进行归一化处理，可以把每层的数据分布标准化，但这种分布并非前一层要学习的分布，会破坏已经学习到的特征，因此通过下一步骤中的重构变换对归一化后的数据进行缩放和移位，这样可使归一化后的数据满足标准正态分布。其中，每个数据集上的调整程度不同，能够把非线性函数值从中心的线性区往非线性区移动，使其在具有较强的非线性表达能力的同时，又避免太靠近线性区的两端，从而可以加快收敛速度，提高数据处理效率。
其中，将雷达目标的分类结果进行可视化展示，包括：利用预设的可视化工具将雷达目标的分类结果进行可视化展示。
下面对本发明实施例提供的一种雷达目标分类装置进行介绍，下文描述的一种雷达目标分类装置与上文描述的一种雷达目标分类方法可以相互参照。
参见图3，本发明实施例提供的一种雷达目标分类装置，包括：
获取模块301，用于获取雷达目标的高分辨距离像；
分类模块302，用于利用预设的卷积神经网络对所述高分辨距离像进行分类，得到所述雷达目标的分类结果；所述预设的卷积神经网络包括：卷积层、与BN算法相结合的激活函数层、汇聚层和设有SVM分类器的全连接层；
展示模块303，用于将所述雷达目标的分类结果进行可视化展示。
其中，所述分类模块包括：
提取单元，用于通过所述卷积层提取所述高分辨距离像的特征，得到所述雷达目标的特征数据集合；
优化单元，用于通过所述激活函数层增加所述特征数据集合中的特征数据的梯度，得到第一中间集合；
降维单元，用于通过所述汇聚层对所述第一中间集合中的特征数据进行降维处理，得到第二中间集合；
分类单元，用于通过所述全连接层中的SVM分类器对所述第二中间集合中的特征数据进行分类。
其中，还包括：
重复模块，用于重复执行一次所述通过所述卷积层提取所述高分辨距离像的特征，得到所述雷达目标的特征数据集合；通过所述激活函数层增加所述特征数据集合中的特征数据的梯度，得到第一中间集合的步骤；所述第一中间集合作为重复执行时所述卷积层的输入数据。
其中，还包括：
执行单元，用于迭代执行所述通过所述卷积层提取所述高分辨距离像的特征，得到所述雷达目标的特征数据集合；通过所述激活函数层增加所述特征数据集合中的特征数据的梯度，得到第一中间集合；通过所述汇聚层对所述第一中间集合中的特征数据进行降维处理，得到第二中间集合的步骤；所述第二中间集合中的特征数据作为迭代执行时所述卷积层的输入数据；当迭代执行的次数超过预设的阈值时，执行所述通过所述全连接层中的SVM分类器对所述第二中间集合中的特征数据进行分类的步骤。
其中，所述优化单元具体用于：
利用第一公式计算所述特征数据集合中的特征数据的期望，所述第一公式为：
Figure BDA0003005149120000101
利用第二公式计算所述特征数据集合中的特征数据的方差，所述第二公式为：
Figure BDA0003005149120000102
利用第三公式对所述特征数据集合中的特征数据进行归一化处理，所述第三公式为：
Figure BDA0003005149120000103
利用预设的学习参数和第四公式对所述归一化处理的结果进行重构变换，所述第四公式为：
Figure BDA0003005149120000104
其中，E[x]为所述期望，s为所述特征数据集合中的特征数据的个数，xi为所述特征数据集合中的任意一个特征数据；Var[x]为所述方差，
Figure BDA0003005149120000105
为所述归一化处理的结果，yi为所述重构变换的结果，γ和β均为所述学习参数。
其中，所述展示模块具体用于：
利用预设的可视化工具将所述雷达目标的分类结果进行可视化展示。
可见，本实施例提供了一种雷达目标分类装置，包括：获取模块、分类模块以及展示模块。首先由获取模块获取雷达目标的高分辨距离像；然后分类模块利用预设的卷积神经网络对所述高分辨距离像进行分类，得到所述雷达目标的分类结果；所述预设的卷积神经网络包括：卷积层、与BN算法相结合的激活函数层、汇聚层和设有SVM分类器的全连接层；最后展示模块将所述雷达目标的分类结果进行可视化展示。如此各个模块之间分工合作，各司其职，从而提高了雷达目标的分类结果的准确性和分类效率。
下面对本发明实施例提供的一种雷达目标分类设备进行介绍，下文描述的一种雷达目标分类设备与上文描述的一种雷达目标分类方法及装置可以相互参照。
参见图4，本发明实施例提供的一种雷达目标分类设备，包括：
存储器401，用于存储计算机程序；
处理器402，用于执行所述计算机程序时实现上述任意实施例所述的雷达目标分类方法的步骤。
下面对本发明实施例提供的一种可读存储介质进行介绍，下文描述的一种可读存储介质与上文描述的一种雷达目标分类方法、装置及设备可以相互参照。
一种可读存储介质，所述可读存储介质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如上述任意实施例所述的雷达目标分类方法的步骤。
按照本发明实施例公开的一种雷达目标分类方法，可按照下述过程进行具体实施：
1、选取雷达目标在单极化方式下的高分辨距离像作为基础数据集，并对基础数据集进行归一化处理，以消除基础数据集中的高分辨距离像的敏感性。
其中，雷达目标指代多个目标，基础数据集中的高分辨距离像为一维距离像数据。在单极化方式下，在不同俯仰角和不同俯仰角下进行电磁计算，将计算结果设为基础数据集，其中80％的数据用于训练，20％的数据用于测试。
2、构建卷积神经网络并进行训练。
基于Keras框架构建卷积神经网络，该卷积神经网络包括8个卷积层，4个汇聚层和4个激活函数层，一个全连接层。每个卷积层都采用步长为1进行3×1的卷积。汇聚层都采用步长为2进行2×1的最大值汇聚。激活函数层的激活函数都与BN算法相结合。全连接层的输出端设置有SVM分类器。其中，每2个卷积层，一个激活函数层和一个汇聚层构成一个隐含层，因此整个网络有4个隐含层，具体请参见图5。
卷积神经网络随层数递增过程中，汇聚操作逐步忽略局部信息，特征图的维度随着每个汇聚操作缩小一半，特征图维度依次变化为：128，64，32，16，8。但是深度随着4个隐含层依次递增：16，24，32，64。卷积神经网络的输出层为全连接层，全连接层中的SVM分类器采用默认参数，即惩罚系数为1.0，核函数设为径向基函数，多项式的度设为3。卷积神经网络的模型编译使用categorical_crossentropy，优化器采用随机梯度下降法，动量为0.9，最小批尺寸为32，训练次数为150次。指标列表使用accuracy。
其中，初始学习率是随机梯度下降法的超参数，学习率过小会导致网络收敛慢，过大则会造成梯度发散，因此经过多次调参，将本发明中的初始学习率设置为0.0001。随机梯度下降法中的高方差震荡会使得网络很难稳定收敛，所以设置动量为0.9，通过优化相关方向的训练和弱化无关方向的震荡，来加速随机梯度下降的训练。
当所有参数设置完成后，将训练数据输入搭建好的卷积神经网络，记录并保存训练生成的参数文件，直至训练完成。
3、测试训练完成的卷积神经网络。
将20％的数据输入训练完成的卷积神经网络，并记录分类结果。将分类结果与真实的分类结果进行对比，若二者的差异足够小，则说明训练完成的卷积神经网络训练成功，可以用于分类雷达目标。
4、获取待分类的雷达目标的高分辨距离像，将这些高分辨距离像输入训练成功的卷积神经网络，输出这些雷达目标的类别。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种雷达目标分类方法，其特征在于，包括：
获取雷达目标的高分辨距离像；
利用预设的卷积神经网络对所述高分辨距离像进行分类，得到所述雷达目标的分类结果；所述预设的卷积神经网络包括：卷积层、与BN算法相结合的激活函数层、汇聚层和设有SVM分类器的全连接层；
将所述雷达目标的分类结果进行可视化展示。
2.根据权利要求1所述的雷达目标分类方法，其特征在于，所述利用预设的卷积神经网络对所述高分辨距离像进行分类，包括：
通过所述卷积层提取所述高分辨距离像的特征，得到所述雷达目标的特征数据集合；
通过所述激活函数层增加所述特征数据集合中的特征数据的梯度，得到第一中间集合；
通过所述汇聚层对所述第一中间集合中的特征数据进行降维处理，得到第二中间集合；
通过所述全连接层中的SVM分类器对所述第二中间集合中的特征数据进行分类。
3.根据权利要求2所述的雷达目标分类方法，其特征在于，还包括：
重复执行一次所述通过所述卷积层提取所述高分辨距离像的特征，得到所述雷达目标的特征数据集合；通过所述激活函数层增加所述特征数据集合中的特征数据的梯度，得到第一中间集合的步骤；所述第一中间集合作为重复执行时所述卷积层的输入数据。
4.根据权利要求3所述的雷达目标分类方法，其特征在于，所述通过所述全连接层中的SVM分类器对所述第二中间集合中的特征数据进行分类之前，还包括：
迭代执行所述通过所述卷积层提取所述高分辨距离像的特征，得到所述雷达目标的特征数据集合；通过所述激活函数层增加所述特征数据集合中的特征数据的梯度，得到第一中间集合；通过所述汇聚层对所述第一中间集合中的特征数据进行降维处理，得到第二中间集合的步骤；所述第二中间集合中的特征数据作为迭代执行时所述卷积层的输入数据；
当迭代执行的次数超过预设的阈值时，执行所述通过所述全连接层中的SVM分类器对所述第二中间集合中的特征数据进行分类的步骤。
5.根据权利要求2-4任意一项所述的雷达目标分类方法，其特征在于，所述通过所述激活函数层增加所述特征数据集合中的特征数据的梯度，包括：
利用第一公式计算所述特征数据集合中的特征数据的期望，所述第一公式为：
Figure FDA0003005149110000021
利用第二公式计算所述特征数据集合中的特征数据的方差，所述第二公式为：
Figure FDA0003005149110000022
利用第三公式对所述特征数据集合中的特征数据进行归一化处理，所述第三公式为：
Figure FDA0003005149110000023
利用预设的学习参数和第四公式对所述归一化处理的结果进行重构变换，所述第四公式为：
Figure FDA0003005149110000024
其中，E[x]为所述期望，s为所述特征数据集合中的特征数据的个数，xi为所述特征数据集合中的任意一个特征数据；Var[x]为所述方差，
Figure FDA0003005149110000025
为所述归一化处理的结果，yi为所述重构变换的结果，γ和β均为所述学习参数。
6.根据权利要求1所述的雷达目标分类方法，其特征在于，所述将所述雷达目标的分类结果进行可视化展示，包括：
利用预设的可视化工具将所述雷达目标的分类结果进行可视化展示。
7.一种雷达目标分类装置，其特征在于，包括：
获取模块，用于获取雷达目标的高分辨距离像；
分类模块，用于利用预设的卷积神经网络对所述高分辨距离像进行分类，得到所述雷达目标的分类结果；所述预设的卷积神经网络包括：卷积层、与BN算法相结合的激活函数层、汇聚层和设有SVM分类器的全连接层；
展示模块，用于将所述雷达目标的分类结果进行可视化展示。
8.根据权利要求7所述的雷达目标分类装置，其特征在于，所述分类模块包括：
提取单元，用于通过所述卷积层提取所述高分辨距离像的特征，得到所述雷达目标的特征数据集合；
优化单元，用于通过所述激活函数层增加所述特征数据集合中的特征数据的梯度，得到第一中间集合；
降维单元，用于通过所述汇聚层对所述第一中间集合中的特征数据进行降维处理，得到第二中间集合；
分类单元，用于通过所述全连接层中的SVM分类器对所述第二中间集合中的特征数据进行分类。
9.一种雷达目标分类设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1-6任意一项所述的雷达目标分类方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质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如权利要求1-6任意一项所述的雷达目标分类方法的步骤。
CN202110359986.1A 2021-04-02 2021-04-02 一种雷达目标分类方法、装置、设备及可读存储介质 Pending CN112884084A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110359986.1A CN112884084A (zh) 2021-04-02 2021-04-02 一种雷达目标分类方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110359986.1A CN112884084A (zh) 2021-04-02 2021-04-02 一种雷达目标分类方法、装置、设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN112884084A true CN112884084A (zh) 2021-06-01

Family

ID=76040514

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110359986.1A Pending CN112884084A (zh) 2021-04-02 2021-04-02 一种雷达目标分类方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN112884084A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117952869A (zh) * 2024-03-27 2024-04-30 西南石油大学 一种基于弱光图像增强的钻井液岩屑计数方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109376574A (zh) * 2018-08-14 2019-02-22 西安电子科技大学 基于cnn的可拒判雷达hrrp目标识别方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109376574A (zh) * 2018-08-14 2019-02-22 西安电子科技大学 基于cnn的可拒判雷达hrrp目标识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
何松华 等: "于卷积神经网络的高分辨率雷达目标识别", 《湖南大学学报（自然科学版）》 *
高志强 等: "《深度学习 从入门到实战》", 30 June 2018 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117952869A (zh) * 2024-03-27 2024-04-30 西南石油大学 一种基于弱光图像增强的钻井液岩屑计数方法

Similar Documents

Publication Publication Date Title
US11126890B2 (en) Robust training of large-scale object detectors with a noisy dataset
Ghaderizadeh et al. Hyperspectral image classification using a hybrid 3D-2D convolutional neural networks
US11694060B2 (en) Capsule neural networks
Zhang et al. Sequential three-way decision based on multi-granular autoencoder features
CN108427920B (zh) 一种基于深度学习的边海防目标检测方法
CN109359608B (zh) 一种基于深度学习模型的人脸识别方法
Thai et al. Image classification using support vector machine and artificial neural network
CN109754078A (zh) 用于优化神经网络的方法
CN109063719B (zh) 一种联合结构相似性和类信息的图像分类方法
CN111460980B (zh) 基于多语义特征融合的小目标行人的多尺度检测方法
CN109840413B (zh) 一种钓鱼网站检测方法及装置
WO2019082166A1 (en) PROPAGATION AND UNCERTAIN UNCERTAINTY
CN114187483A (zh) 生成对抗样本的方法、检测器的训练方法及相关设备
CN110111365B (zh) 基于深度学习的训练方法和装置以及目标跟踪方法和装置
Gao et al. Component detection in piping and instrumentation diagrams of nuclear power plants based on neural networks
CN111144500A (zh) 基于解析高斯机制的差分隐私深度学习分类方法
CN112884084A (zh) 一种雷达目标分类方法、装置、设备及可读存储介质
CN113536939B (zh) 一种基于3d卷积神经网络的视频去重方法
Zhang et al. A novel deep LeNet-5 convolutional neural network model for image recognition
CN115239967A (zh) 一种基于Trans-CSN生成对抗网络的图像生成方法及装置
CN111797732B (zh) 一种对采样不敏感的视频动作识别对抗攻击方法
CN112183336A (zh) 表情识别模型训练方法、装置、终端设备及存储介质
Feng et al. Research on optimization method of convolutional nerual network
Rosenberg et al. Training object detection models with weakly labeled data
Katili et al. Character Recognition of Handwriting of Javanese Character Image using Information Gain Based on the Comparison of Classification Method

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210601

RJ01 Rejection of invention patent application after publication