CN112904299A - 基于深层类内分裂的雷达高分辨距离像开集目标识别方法 - Google Patents
基于深层类内分裂的雷达高分辨距离像开集目标识别方法 Download PDFInfo
- Publication number
- CN112904299A CN112904299A CN202110236104.2A CN202110236104A CN112904299A CN 112904299 A CN112904299 A CN 112904299A CN 202110236104 A CN202110236104 A CN 202110236104A CN 112904299 A CN112904299 A CN 112904299A
- Authority
- CN
- China
- Prior art keywords
- layer
- class
- sample
- radar
- training
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims description 58
- 238000011176 pooling Methods 0.000 claims description 54
- 238000012545 processing Methods 0.000 claims description 31
- 230000004913 activation Effects 0.000 claims description 28
- 238000010606 normalization Methods 0.000 claims description 19
- 230000005484 gravity Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000002779 inactivation Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000002592 echocardiography Methods 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 230000009849 deactivation Effects 0.000 claims 1
- 238000004088 simulation Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
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
- G01S7/417—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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
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)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于深层类内分裂的雷达高分辨距离像开集目标识别方法，主要解决现有技术开集识别性能低和闭集识别精度差的问题，其方案是：获取雷达二维高分辨距离像谱图数据，并分别为雷达目标数据库内的各个目标类别设置标签值，构建训练样本集和测试样本集；构建类内分裂模型，并对其进行训练；将训练样本集输入到训练好的类内分裂模型中进行分裂，得到非典型样本子集和典型样本子集；构建开集识别模型，并用非典型样本子集和典型样本子集对其进行训练；将测试样本输入到训练好的开集识别模型中，完成雷达高分辨距离像的开集识别。本发明提高了开集识别性能、闭集识别精度，可用于对雷达数据库外目标拒判的同时对库内目标进行分类。
Description
技术领域
本发明属于雷达技术领域，具体涉及雷达高分辨距离像开集目标识别方法，可用于对雷达数据库外目标拒判的同时对库内目标进行分类。
背景技术
高分辨距离像HRRP表示目标散射中心沿雷达视线的一维分布，包含了目标径向尺寸、散射点分布等结构信息，这些对目标识别和分类的价值非常高。HRRP具有背景干净、无杂波干扰和存储量小等优势，逐渐成为雷达自动目标识别RATR领域的研究热点。模式识别通常分为两类：一是闭集识别，即需要将待识别的目标分配到固定类别中去，训练样本和测试样本来自相同类别的模式，这种闭集的环境是理想的；另一种模式识别是开集识别，这意味着一些测试样本对训练样本来说是未知的，即分类器接收到的待识别样本并不属于分类器训练过的已知类别，这就是所谓的开集识别。在雷达目标识别中，虽然在识别之前可以收集到待识别目标的距离像样本以及对应的类别等相关信息，然而在实际应用中，往往不能提前获得待识别目标的全部样本。因此，雷达目标识别一般属于开集识别。另外，在RATR系统中对不能确定的目标往往拒绝识别，即雷达库外目标拒判方法。然而，雷达库外目标拒判方法只拒绝未知类，不会对已知类进行分类，没有考虑已知类之间的信息，导致识别性能较差。因此，期望一个能够识别/拒绝未知类同时保持对已知类识别性能的分类器，在雷达目标识别中实现对输入的已知类样本，输出为具体的某个类别，对输入未知类的样本，输出为“未知”或者以较低的置信度输出。
现有解决开集识别的传统方法有支持向量机SVM的变种，如1-vs-set或W-SVM，但是它们对剔除异常样本的阈值非常敏感，需要异常样本在训练过程中找到合适的阈值，这在实践中往往比较困难，同时在处理复杂数据集上性能有限。与传统的浅层模型相比，VGG-16、Inception或ResNet这些深层神经网络在分类和识别方面取得了最先进的性能，已成为当前目标识别领域的研究热点。因此，一种处理开集问题的现代方法是使用生成对抗网络生成伪样本，并使用这些伪样本对未知类进行建模。然而，由于生成对抗网络的方法存在训练不稳定的问题，使目标样本的生成效果并不理想，此外，通过生成对抗网络生成的伪样本和大多数训练数据无法区分，导致闭集识别精度差的问题。
发明内容
本发明的目的在于针对上述现有技术的不足，提出一种基于深层类内分裂的雷达高分辨距离像开集目标识别方法，以改善开集识别性能和提高闭集识别精度。
为实现上述目的，本发明的实现步骤包括如下：
(1)获取雷达二维高分辨距离像谱图数据，并分别为雷达目标数据库内的各个目标类别设置标签值；
(2)从雷达二维高分辨距离像谱图数据中选取包含目标所有方位角域的样本数据，组成训练样本集，将其余数据组成测试样本集的库内样本，从仿真飞机数据中均匀抽取部分样本组成测试样本集的库外样本；
(3)构建一个由八层的多类分类器和两层结构的识别子网级联组成的类内分裂模型；
(4)对类内分裂模型进行训练，并将训练样本集输入到训练好的类内分裂模型中进行分裂，得到非典型样本子集和典型样本子集；
(5)构建一个由十层的闭集正则化子网和两层结构的开集识别子网级联组成的开集识别模型；
(6)对开集识别模型进行训练：
(6a)将从均值为0、方差为0.01的高斯分布中随机采样的数组，作为开集识别模型的每一层的初始权值参数，该采样数组的数目和维度与开集识别模型中所有参数数目和维度相等；
(6b)对所有非典型样本分配统一标签“0”，构成新的非典型样本子集；
(6c)将典型样本子集和新的非典型样本子集批量输入到开集识别模型中，分别计算典型样本和新的非典型样本输出的预测值；
(6d)根据预测值和真实值设置联合损失函数L：
L＝LOS+γ·LCS
其中，LOS是开集识别子网的损失函数，LCS是闭集正则化子网的损失函数，0＜γ≤1是调节这两项损失函数之间的超参数；
(6e)重复执行(6c)和(6d)，直到联合损失函数值小于0.1，得到训练好的开集识别模型；
(7)将测试样本输入到训练好的开集识别模型中，计算每个测试样本的一组输出概率值，将最大的概率值对应输出类别作为每个测试样本的类别，完成雷达高分辨距离像的开集识别。
本发明与现有技术相比具有如下优点：
第一，针对开集识别问题，本发明通过类内分裂，即利用多类分类器的输出概率来计算样本得分，利用得分将训练样本分裂为典型样本子集和非典型样本子集，并使用非典型样本子集对未知样本进行建模，使得对开集识别模型训练时只使用给定的已知样本，不需要对未知样本进行强有力的假设，提高了开集识别性能；
第二，本发明在开集识别模型中构建闭集正则化子网，该闭集正则化子网可以在训练过程中强制对非典型样本进行正确分类，提高了对库内样本闭集识别精度。
附图说明
图1是本发明的实现流程图；
图2是用本发明仿真开集识别的性能曲线图；
图3是用本发明仿真在不同分割比下的闭集识别精度图。
具体实施方式
下面结合附图对本发明实施例和技术效果做进一步的描述。
参照附图1，对本发明的实现步骤如下：
步骤1，获取雷达二维高分辨距离像谱图数据，并分别为雷达目标数据库内的各个目标类别设置标签值。
1.1)提取雷达回波在雷达视线上沿着距离维的幅度信息，作为雷达高分辨距离像数据；
1.2)对雷达高分辨距离像数据进行二范数归一化和重心对齐处理，以克服雷达高分辨距离像的幅度敏感性和方位敏感性；
1.3)对重心对齐后的雷达高分辨距离像数据求均值，再用重心对齐后的雷达高分辨距离像数据减去该均值，得到均值归一化后的雷达高分辨距离像数据；
1.4)对均值归一化后的雷达高分辨距离像数据做短时傅里叶变换，得到雷达二维高分辨距离像谱图数据：
其中，τ表示时间，ω表示频率，x(·)表示待变换的信号，-∞＜u＜+∞表示变量，w(·)表示汉明窗函数；
1.5)分别为雷达目标数据库内的各个目标类别设置标签值，即将序号为1的雷达二维高分辨距离像谱图数据的标签记为d1，序号为2的雷达二维高分辨距离像谱图数据的标签记为d2、…、将序号为N的雷达二维高分辨距离像谱图数据的标签记为dN，d1取值为1，d2取值为2，…，取值为N，其中，N表示数据库内目标类别的总个数。
步骤2，构建样本集。
从雷达二维高分辨距离像谱图数据中选取包含目标所有方位角域的样本数据，组成训练样本集，将其余数据组成测试样本集的库内样本，从仿真飞机数据中均匀抽取部分样本组成测试样本集的库外样本。
步骤3，构建类内分裂模型。
3.1)构建多类分类器：
该多类分类器有八层结构，其中前五层结构相同，每一层均包括有卷积层、平均池化层和批规范化处理层，第六层为一维化数据处理层，第七层和第八层结构相同，每一层均包括有全连接层辍学层，整体结构依次连接如下：
第1卷积层→第1平均池化层→第1批规范化处理层→第2卷积层→第2平均池化层→第2批规范化处理层→第3卷积层→第3平均池化层→第3批规范化处理层→第4卷积层→第4平均池化层→第4批规范化处理层→第5卷积层→第5平均池化层→第5批规范化处理→一维化数据处理层→第1全连接层→第1辍学层→第2全连接层→第2辍学层。
各层参数设置如下：
第一层：第1卷积层的特征映射图数目为32，使用线性激活函数，卷积核尺寸为1*9，第1平均池化层的池化尺寸为1*2；
第二层：第2卷积层的特征映射图数目为64，使用线性激活函数，卷积核尺寸为1*9，第2平均池化层的池化尺寸为1*2；
第三层：第3卷积层的特征映射图数目为128，使用线性激活函数，卷积核尺寸为1*9，第3平均池化层的池化尺寸为1*2；
第四层：第4卷积层的特征映射图数目为256，使用线性激活函数，卷积核尺寸为1*9，第4平均池化层的池化尺寸为1*2；
第五层：第5卷积层的特征映射图数目为256，使用线性激活函数，卷积核尺寸为1*9，第5平均池化层的池化尺寸为1*1；
第六层：使用Flatten函数；
第七层：第1辍学层的神经元失活率为0.5，第1全连接层的输出维度为256；
第八层：第2辍学层的神经元失活率为0.5，第1全连接层的输出维度为64；
3.2)构建识别子网：
该识别子网有两层结构，其中：
第一层为全连接层，其输入为多类分类器第八层输出的特征映射图；
第二层为重构层，其使用Softmax激活函数，且输出维度为训练样本已知类别的个数N；
3.3)将八层结构的多类分类器与两层结构的识别子网级联，构成类内分裂模型。
步骤4，对类内分裂模型进行训练。
4.1)按照类内分裂模型中所有参数数目和维度，从均值为0、方差为0.01的高斯分布中随机采样的数组，将其作为类内分裂模型中每一层的初始权值参数
4.2)将训练样本集批量输入到类内分裂模型；
4.3)利用批量梯度下降方法，分别计算多类分类器和识别子网每一层的权值参数；
4.4)设定最大的迭代次数epoch，重复执行(4.2)和(4.3)直到达到最大迭代次数，得到训练好的类内分裂模型，本实例设但不限于最大迭代次数epoch＝100。
步骤5，将训练样本集输入到训练好的类内分裂模型中进行分裂，得到非典型样本子集和典型样本子集。
5.1)根据类内分裂模型输出的预测值和训练样本的真实标签计算每个样本的得分score：
其中，
是预测值的一位有效编码，且
N是训练样本已知类别的个数，y属于N×1维，R表示实数集，
是训练样本真实标签的一位有效编码，y∈RN×1是训练样本的真实标签，*是元素积，·是向量的点乘，(·)T表示转置，1∈RN×1是1向量；
5.2)将所有训练样本的得分从小到大排列；
5.4)根据实验去设定分割比thr，本实例设但不限于分割比thr＝10％；
5.5)将前thr个得分对应的训练样本作为非典型样本子集，其余的作为典型样本子集。
步骤6，构建开集识别模型。
6.1)构建闭集正则化子网：
该闭集正则化子网设为十层，其中前四层结构相同，每一层均包括有卷积层、泄露层、平均池化层和批规范化处理层，第五层包括有卷积层和批规范化处理层，第六层是一维化数据处理层，第七层包括有全连接层和辍学层，第八层为泄露层，第九层为重构层，第十层为全连接层，整体结构依次连接如下：
第1卷积层→第1泄露层→第1平均池化层→第1批规范化处理层→第2卷积层→第2泄露层→第2平均池化层→第2批规范化处理层→第3卷积层→第3泄露层→第3平均池化层→第3批规范化处理层→第4卷积层→第4泄露层→第4平均池化层→第4批规范化处理层→第5卷积层→第5批规范化处理层→一维化数据处理层→第1全连接层→第1辍学层→第5泄露层→第1重构层→第2全连接层。
各层参数设置如下：
第一层：第1卷积层的特征映射图数目为32，使用线性激活函数，卷积核尺寸为1*3，第1平均池化层的池化尺寸为1*2；
第二层：第2卷积层的特征映射图数目为64，使用线性激活函数，卷积核尺寸为1*3，第2平均池化层的池化尺寸为1*2；
第三层：第3卷积层的特征映射图数目为128，使用线性激活函数，卷积核尺寸为1*3，第3均池化层的池化尺寸为1*2；
第四层：第4卷积层的特征映射图数目为256，使用线性激活函数，卷积核尺寸为1*3，第4平均池化层的池化尺寸为1*2；
第五层：第5卷积层的特征映射图数目为256，使用线性激活函数，卷积核尺寸为1*1；
第六层：使用Flatten函数；
第七层：第1全连接层的输出维度为64，第1辍学层的神经元失活率为0.5；
第八层：使用Leaky Relu函数；
第九层：使用Reshape函数；
第十层：第2全连接层的输出维度为训练样本已知类别个数N，以Softmax为激活函数；
6.2)构建开集识别子网：
该开集识别子网有两层，其中：
第一层为全连接层，其使用线性激活函数，且输入为闭集正则化子网第十层输出的特征映射图；
第二层为重构层，其使用Softmax激活函数，且输出维度为训练样本已知类别个数N+1；
6.3)将十层结构的闭集正则化子网与两层结构的开集识别子网级联，构成开集识别模型。
步骤7，对开集识别模型进行训练：
7.1)按照开集识别模型中所有参数数目和维度，将从均值为0、方差为0.01的高斯分布中随机采样的数组，作为开集识别模型的每一层的初始权值参数；
7.2)对所有非典型样本分配统一标签“0”，构成新的非典型样本子集；
7.3)将典型样本子集和新的非典型样本子集批量输入到开集识别模型中，分别计算典型样本和新的非典型样本输出的预测值；
7.4)根据预测值和真实值构建联合损失函数L：
L＝LOS+γ·LCS
其中，LOS是开集识别子网的损失函数，采用交叉熵损失函数，
LCS是闭集正则化子网的损失函数，采用交叉熵损失函数，
0＜γ≤1是调节这两项损失函数之间的超参数，
LOS和LCS分别表示如下：
其中，B是训练期间的样本批量大小，1≤i≤B，1≤n≤NOS，NOS＝N+1是开集识别的类别数目；
是一个指示函数，如果给定的训练样本的真实标签yi属于y(n)类，则为1，否则为0；
表示预测的样本xi属于y(n)类的概率；NCS是闭集正则化子网的类别个数；
7.5)重复执行(7.3)和(7.4)，直到联合损失函数值小于0.1，得到训练好的开集识别模型。
步骤8，开集识别。
8.1)将测试样本输入到训练好的开集识别模型中，对每个测试样本计算得到一组大小为N+1的输出概率值；
8.2)对这组输出概率值进行从小到大的排序；
8.3)将最大的概率值对应输出类别作为每个测试样本的类别，其类别是N个库内样本类别之一或一个库外样本类别，最终完成雷达高分辨距离像的开集识别。
本发明的效果可通过以下仿真实验进一步说明。
1.仿真条件：
本发明的仿真实验中所用的雷达数据库采用某院C波段雷达实测的飞机雷达高分辨距离像数据作为库内样本，雷达高分辨距离像样本集包含Yak-42、Cessna和An-26这三类不同类型的飞机，并使用人工生成两类飞机的雷达高分辨距离像数据作为库外样本。从Yak-42飞机的第二段和第五段数据，Cessna飞机的第六段和第七段数据，以及An-26飞机的第五段和第六段数据中均匀抽取得到14795个样本组成训练样本集；从三类飞机的其余段数据中均匀抽取1700个样本组成测试样本集的库内样本，从仿真飞机数据中均匀抽取700个样本组成测试样本集的库外样本，此时得到完整的测试样本集共2400个样本。
2.仿真内容与结果分析：
仿真实验1，在上述仿真条件下，用本发明方法和现有基于OpenMax层的开集识别方法、基于自编码器的开集识别方法分别在不同虚警率FPR下对测试样本进行开集识别，结果如图2，图2中的横坐标表示虚警率即将库外样本错误划分为库内的概率，步长为0.022，纵坐标表示检测率TPR即将库内样本正确划分为库内的概率，图2中的曲线1表示为用本发明方法得到的开集识别性能ROC曲线图；曲线2为用现有基于OpenMax层的开集识别方法得到的开集识别性能ROC曲线图；曲线3为用现有基于自编码器的开集识别方法得到的开集识别性能ROC曲线图。
对图2的三条ROC曲线分别计算其与横坐标轴所覆盖的面积，即AUC值，如表1所示。
表1.三种方法的开集识别性能指标一览表
由表1可以看出，仿真实验1的三种方法中，本发明方法的AUC值最高，为94.97％，AUC值越大，开集识别性能越好，表明本发明的开集识别性能显著优于其他两种现有方法。
仿真实验2，在上述仿真条件下，用一种没有闭集正则化子网的现有开集识别方法和有闭集正则化子网的本发明方法对测试样本进行开集识别，并分别计算这两种方法的库内目标闭集识别精度的Accuracy值，结果如表2所示。
表2.两种方法的库内目标识别闭集精度一览表
由表2可见，本发明方法闭集识别精度的Accuracy值最高，为89.87％，表明闭集正则化子网的有效性，该子网可以改善库内目标识别性能，提高闭集识别精度。
仿真实验3，在上述仿真条件下，对本发明方法通过改变分割比对测试样本进行开集识别，分别计算库内目标闭集识别精度的Accuracy值，由此得到闭集识别精度曲线，如图3所示。图3中横坐标表示分割比的取值，分别为5％，7％，10％，20％，30％，50％，75％，纵坐标表示闭集识别精度的Accuracy值。
由图3可见，本发明方法可以通过分割比，灵活地调节库内目标识别性能，此外，从图3中还可以看出当分割比thr＝7％时，本发明的库内目标闭集识别精度最大。
综上，本发明的开集识别性能、闭集识别精度均优于现有技术，验证了本发明的正确性，有效性和可靠性。
Claims (11)
1.一种基于深层类内分裂的雷达高分辨距离像开集目标识别方法，其特征在于，包括如下：
(1)获取雷达二维高分辨距离像谱图数据，并分别为雷达目标数据库内的各个目标类别设置标签值；
(2)从雷达二维高分辨距离像谱图数据中选取包含目标所有方位角域的样本数据，组成训练样本集，将其余数据组成测试样本集的库内样本，从仿真飞机数据中均匀抽取部分样本组成测试样本集的库外样本；
(3)构建一个由八层的多类分类器和两层结构的识别子网级联组成的类内分裂模型；
(4)对类内分裂模型进行训练，并将训练样本集输入到训练好的类内分裂模型中进行分裂，得到非典型样本子集和典型样本子集；
(5)构建一个由十层的闭集正则化子网和两层结构的开集识别子网级联组成的开集识别模型；
(6)对开集识别模型进行训练：
(6a)将从均值为0、方差为0.01的高斯分布中随机采样的数组，作为开集识别模型的每一层的初始权值参数，该采样数组的数目和维度与开集识别模型中所有参数数目和维度相等；
(6b)对所有非典型样本分配统一标签“0”，构成新的非典型样本子集；
(6c)将典型样本子集和新的非典型样本子集批量输入到开集识别模型中，分别计算典型样本和新的非典型样本输出的预测值；
(6d)根据预测值和真实值设置联合损失函数L：
L＝LOS+γ·LCS
其中，LOS是开集识别子网的损失函数，LCS是闭集正则化子网的损失函数，0＜γ≤1是调节这两项损失函数之间的超参数；
(6e)重复执行(6c)和(6d)，直到联合损失函数值小于0.1，得到训练好的开集识别模型；
(7)将测试样本输入到训练好的开集识别模型中，计算每个测试样本的一组输出概率值，将最大的概率值对应输出类别作为每个测试样本的类别，完成雷达高分辨距离像的开集识别。
2.根据权利要求1所述的方法，其特征在于，所述(1)中获取雷达二维高分辨距离像谱图数据，实现如下：
(1a)提取雷达回波在雷达视线上沿着距离维的幅度信息，作为雷达高分辨距离像数据；
(1b)对雷达高分辨距离像数据进行二范数归一化和重心对齐处理；
(1c)对重心对齐后的雷达高分辨距离像数据求均值，再用重心对齐后的雷达高分辨距离像数据减去该均值，得到均值归一化后的高分辨距离像数据；
(1d)对均值归一化后的高分辨距离像数据做短时傅里叶变换，得到雷达二维高分辨距离像谱图数据：
其中，τ·表示时间，ω表示频率，x(·)表示待变换的信号，-∞＜u＜+∞表示变量，w(·)表示汉明窗函数。
3.根据权利要求1所述的方法，其特征在于，所述(3)中的八层多类分类器，前五层结构相同，每一层均包括有卷积层、平均池化层和批规范化处理层，第六层为一维化数据处理层，第七层和第八层结构相同，每一层均包括有全连接层辍学层，整体结构依次连接如下：
第1卷积层→第1平均池化层→第1批规范化处理层→第2卷积层→第2平均池化层→第2批规范化处理层→第3卷积层→第3平均池化层→第3批规范化处理层→第4卷积层→第4平均池化层→第4批规范化处理层→第5卷积层→第5平均池化层→第5批规范化处理→一维化数据处理层→第1全连接层→第1辍学层→第2全连接层→第2辍学层。
4.根据权利要求1所述的方法，其特征在于，所述(3)中的八层多类分类器，各层参数设置如下：
第一层：第1卷积层的特征映射图数目为32，使用线性激活函数，卷积核尺寸为1*9，第1平均池化层的池化尺寸为1*2；
第二层：第2卷积层的特征映射图数目为64，使用线性激活函数，卷积核尺寸为1*9，第2平均池化层的池化尺寸为1*2；
第三层：第3卷积层的特征映射图数目为128，使用线性激活函数，卷积核尺寸为1*9，第3平均池化层的池化尺寸为1*2；
第四层：第4卷积层的特征映射图数目为256，使用线性激活函数，卷积核尺寸为1*9，第4平均池化层的池化尺寸为1*2；
第五层：第5卷积层的特征映射图数目为256，使用线性激活函数，卷积核尺寸为1*9，第5平均池化层的池化尺寸为1*1；
第六层：使用Flatten函数；
第七层：第1辍学层的神经元失活率为0.5，第1全连接层的输出维度为256；
第八层：第2辍学层的神经元失活率为0.5，第1全连接层的输出维度为64。
5.根据权利要求1所述的方法，其特征在于，所述(3)中的两层识别子网，结构如下：
第一层为全连接层，其输入为多类分类器第八层输出的特征映射图；
第二层为重构层，其使用Softmax激活函数，且输出维度为训练样本已知类别的个数N。
6.根据权利要求1所述的方法，其特征在于，所述(4)中对类内分裂模型进行训练，按如下步骤进行：
(4a)从均值为0、方差为0.01的高斯分布中随机采样的数组，将其作为类内分裂模型每一层的初始权值参数，该采样数组的数目和维度与类内分裂模型中所有参数数目和维度相等；
(4b)将训练样本集批量输入到类内分裂模型；
(4c)利用批量梯度下降方法，分别计算多类分类器和识别子网每一层的权值参数；
(4d)设定迭代次数，重复执行(4b)和(4c)直到达到最大迭代次数，得到训练好的类内分裂模型。
7.根据权利要求1所述的方法，其特征在于，所述(4)中将训练样本集输入到训练好的类内分裂模型中进行分裂，实现如下：
(4e)根据类内分裂模型输出的预测值和训练样本的真实标签计算每个样本的得分score：
其中，
是预测值的一位有效编码，且
N是训练样本已知类别的个数，y属于N×1维，R表示实数集，
是训练样本真实标签的一位有效编码，y∈RN×1是训练样本的真实标签，*是元素积，·是向量的点乘，(·)T表示转置，1∈RN×1是1向量；
(4f)将所有训练样本的得分从小到大排列；
(4g)根据预先设定的分割比thr，将前thr个得分对应的训练样本作为非典型样本子集，其余的作为典型样本子集。
8.根据权利要求1所述的方法，其特征在于，所述(5)中构建的十层闭集正则化子网，前四层结构相同，每一层均包括有卷积层、泄露层、平均池化层和批规范化处理层，第五层包括有卷积层和批规范化处理层，第六层是一维化数据处理层，第七层包括有全连接层和辍学层，第八层为泄露层，第九层为重构层，第十层为全连接层，整体结构依次连接如下：
第1卷积层→第1泄露层→第1平均池化层→第1批规范化处理层→第2卷积层→第2泄露层→第2平均池化层→第2批规范化处理层→第3卷积层→第3泄露层→第3平均池化层→第3批规范化处理层→第4卷积层→第4泄露层→第4平均池化层→第4批规范化处理层→第5卷积层→第5批规范化处理层→一维化数据处理层→第1全连接层→第1辍学层→第5泄露层→第1重构层→第2全连接层。
9.根据权利要求1所述的方法，其特征在于，所述(5)中的十层闭集正则化子网，各层参数设置如下：
第一层：第1卷积层的特征映射图数目为32，使用线性激活函数，卷积核尺寸为1*3，第1平均池化层的池化尺寸为1*2；
第二层：第2卷积层的特征映射图数目为64，使用线性激活函数，卷积核尺寸为1*3，第2平均池化层的池化尺寸为1*2；
第三层：第3卷积层的特征映射图数目为128，使用线性激活函数，卷积核尺寸为1*3，第3均池化层的池化尺寸为1*2；
第四层：第4卷积层的特征映射图数目为256，使用线性激活函数，卷积核尺寸为1*3，第4平均池化层的池化尺寸为1*2；
第五层：第5卷积层的特征映射图数目为256，使用线性激活函数，卷积核尺寸为1*1；
第六层：使用Flatten函数；
第七层：第1全连接层的输出维度为64，第1辍学层的神经元失活率为0.5；
第八层：使用Leaky Relu函数；
第九层：使用Reshape函数；
第十层：第2全连接层的输出维度为训练样本已知类别个数N，以Softmax为激活函数。
10.根据权利要求1所述的方法，其特征在于，所述(5)中的两层开集识别子网，结构如下：
第一层为全连接层，其使用线性激活函数，且输入为闭集正则化子网第十层输出的特征映射图；
第二层为重构层，其使用Softmax激活函数，且输出维度为训练样本已知类别个数N+1。
11.根据权利要求1所述的方法，其特征在于，所述(6c)中的开集识别子网的损失函数LOS和闭集正则化子网的损失函数LCS，分别表示如下：
其中，B是训练期间的样本批量大小，1≤i≤B，1≤n≤NOS，NOS＝N+1是开集识别的类别数目；
是一个指示函数，如果给定的训练样本的真实标签yi属于y(n)类，则为1，否则为0；
表示预测的样本xi属于y(n)类的概率；NCS是闭集正则化子网的类别个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110236104.2A CN112904299B (zh) | 2021-03-03 | 2021-03-03 | 基于深层类内分裂的雷达高分辨距离像开集目标识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110236104.2A CN112904299B (zh) | 2021-03-03 | 2021-03-03 | 基于深层类内分裂的雷达高分辨距离像开集目标识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112904299A true CN112904299A (zh) | 2021-06-04 |
| CN112904299B CN112904299B (zh) | 2023-06-30 |
Family
ID=76107769
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110236104.2A Active CN112904299B (zh) | 2021-03-03 | 2021-03-03 | 基于深层类内分裂的雷达高分辨距离像开集目标识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112904299B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113221848A (zh) * | 2021-06-09 | 2021-08-06 | 中国人民解放军国防科技大学 | 基于多分类器域对抗网络的高光谱开放集领域自适应方法 |
| CN113705446A (zh) * | 2021-08-27 | 2021-11-26 | 电子科技大学 | 一种面向辐射源个体的开集识别方法 |
| CN114137518A (zh) * | 2021-10-14 | 2022-03-04 | 西安电子科技大学 | 一种雷达高分辨距离像开集识别方法及装置 |
| CN114154534A (zh) * | 2021-11-08 | 2022-03-08 | 北京理工大学 | 一种基于混合模型融合的宽带雷达目标hrrp识别方法 |
| CN115201777A (zh) * | 2022-07-26 | 2022-10-18 | 电子科技大学 | 一种基于嵌入预定的雷达一维像目标增量识别方法 |
| CN117689951A (zh) * | 2023-12-15 | 2024-03-12 | 西北农林科技大学 | 一种基于无训练开集模拟器的开集识别方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107728142A (zh) * | 2017-09-18 | 2018-02-23 | 西安电子科技大学 | 基于二维卷积网络的雷达高分辨距离像目标识别方法 |
| CN109086700A (zh) * | 2018-07-20 | 2018-12-25 | 杭州电子科技大学 | 基于深度卷积神经网络的雷达一维距离像目标识别方法 |
| 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 |
| AU2020103901A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field |
-
2021
- 2021-03-03 CN CN202110236104.2A patent/CN112904299B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107728142A (zh) * | 2017-09-18 | 2018-02-23 | 西安电子科技大学 | 基于二维卷积网络的雷达高分辨距离像目标识别方法 |
| CN109086700A (zh) * | 2018-07-20 | 2018-12-25 | 杭州电子科技大学 | 基于深度卷积神经网络的雷达一维距离像目标识别方法 |
| 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 |
| AU2020103901A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field |
Non-Patent Citations (1)
| Title |
|---|
| 柴晶;刘宏伟;保铮;: "加权KNN分类器在HRRP库外目标拒判中的应用", 系统工程与电子技术, no. 04 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113221848A (zh) * | 2021-06-09 | 2021-08-06 | 中国人民解放军国防科技大学 | 基于多分类器域对抗网络的高光谱开放集领域自适应方法 |
| CN113705446A (zh) * | 2021-08-27 | 2021-11-26 | 电子科技大学 | 一种面向辐射源个体的开集识别方法 |
| CN113705446B (zh) * | 2021-08-27 | 2023-04-07 | 电子科技大学 | 一种面向辐射源个体的开集识别方法 |
| CN114137518A (zh) * | 2021-10-14 | 2022-03-04 | 西安电子科技大学 | 一种雷达高分辨距离像开集识别方法及装置 |
| CN114154534A (zh) * | 2021-11-08 | 2022-03-08 | 北京理工大学 | 一种基于混合模型融合的宽带雷达目标hrrp识别方法 |
| CN114154534B (zh) * | 2021-11-08 | 2024-07-09 | 北京理工大学 | 一种基于混合模型融合的宽带雷达目标hrrp识别方法 |
| CN115201777A (zh) * | 2022-07-26 | 2022-10-18 | 电子科技大学 | 一种基于嵌入预定的雷达一维像目标增量识别方法 |
| CN115201777B (zh) * | 2022-07-26 | 2024-10-15 | 电子科技大学 | 一种基于嵌入预定的雷达一维像目标增量识别方法 |
| CN117689951A (zh) * | 2023-12-15 | 2024-03-12 | 西北农林科技大学 | 一种基于无训练开集模拟器的开集识别方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112904299B (zh) | 2023-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112904299B (zh) | 基于深层类内分裂的雷达高分辨距离像开集目标识别方法 | |
| 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 | |
| CN109376574B (zh) | 基于cnn的可拒判雷达hrrp目标识别方法 | |
| Chang et al. | Learning representations of emotional speech with deep convolutional generative adversarial networks | |
| CN114429156B (zh) | 雷达干扰多域特征对抗学习与检测识别方法 | |
| CN112784930B (zh) | 基于cacgan的hrrp识别数据库样本扩充方法 | |
| CN108256436A (zh) | 一种基于联合分类的雷达hrrp目标识别方法 | |
| CN112001270A (zh) | 基于一维卷积神经网络的地面雷达自动目标分类识别方法 | |
| CN111126332B (zh) | 基于轮廓特征的跳频信号分类方法 | |
| CN112036239B (zh) | 一种基于深度学习网络的雷达信号工作模式识别方法及系统 | |
| CN114595732B (zh) | 基于深度聚类的雷达辐射源分选方法 | |
| CN114564982A (zh) | 雷达信号调制类型的自动识别方法 | |
| Yar et al. | A complete framework of radar pulse detection and modulation classification for cognitive EW | |
| CN114137518A (zh) | 一种雷达高分辨距离像开集识别方法及装置 | |
| CN112990279B (zh) | 基于自动编码器的雷达高分辨距离像库外目标拒判方法 | |
| CN116311067A (zh) | 基于高维特征图谱的目标综合识别方法、装置及设备 | |
| CN115061094B (zh) | 一种基于神经网络与svm的雷达目标识别方法 | |
| Ardon et al. | Aerial Radar Target Classification using Artificial Neural Networks. | |
| CN114818845A (zh) | 一种噪声稳健的高分辨距离像特征选择方法 | |
| CN111898652A (zh) | 一种基于卷积神经网络的空间目标姿态分类识别方法 | |
| CN114994657B (zh) | 基于重频自适应网络的雷达重频变化稳健目标识别方法 | |
| CN113469078B (zh) | 基于自动设计长短时记忆网络的高光谱图像分类方法 | |
| RU2819570C1 (ru) | Способ и устройство распознавания типа радиолокационной станции по её излучению | |
| CN113743180B (zh) | 一种基于cnnkd的雷达hrrp小样本目标识别方法 | |
| Tariq et al. | Cost Sensitive Self-normalized Deep Convolutional Neural Network for Pulsars Selection |
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 |