CN112965062B - 基于lstm-dam网络的雷达距离像目标识别方法 - Google Patents
基于lstm-dam网络的雷达距离像目标识别方法 Download PDFInfo
- Publication number
- CN112965062B CN112965062B CN202110178168.1A CN202110178168A CN112965062B CN 112965062 B CN112965062 B CN 112965062B CN 202110178168 A CN202110178168 A CN 202110178168A CN 112965062 B CN112965062 B CN 112965062B
- Authority
- CN
- China
- Prior art keywords
- lstm
- dimension
- network
- dam
- target
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 12
- 230000009977 dual effect Effects 0.000 abstract description 3
- 230000006403 short-term memory Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 18
- 238000002474 experimental method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010034719 Personality change Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- 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
-
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于长短期记忆(Long Short‑Term Memory,LSTM)‑双注意力模块(Dual Attention Module,DAM)的雷达高分辨距离像目标识别方法,利用双向LSTM网络作为基础网络,将双向LSTM网络的输出作为DAM的输入,DAM可以通过PAM提取目标沿雷达视线方向的投影结构特征,通过CAM提取目标投影结构沿方位向的连续变化特征,并将经PAM和CAM处理得到的特征进行融合,获取融合特征,相较于单一特征,融合特征对目标结构和姿态变化特性描述更为全面,进而利用融合特征实现目标的准确识别。
Description
技术领域
本发明涉及雷达自动目标识别技术领域,具体涉及一种基于LSTM-DAM网络的雷达距离像目标识别方法,用于完成雷达高分辨距离像目标识别。
背景技术
雷达在目标探测中具有全天时、全天候、作用距离远等特点,在军事领域中占有重要地位,并得到迅速发展。现代雷达的带宽及其分辨率不断提高,宽带雷达的分辨率已经可以远小于目标尺寸,此时,根据电磁散射理论,宽带雷达目标的回波可以看做目标上等效散射中心沿雷达视线方向的回波总和。因此,目标方向发射电磁波并接收目标的后向散射回波,雷达不仅可以获取目标的距离和方位信息,还可以利用脉冲压缩技术实现目标的形状、尺寸等特征提取。在现代战争中,为准确实现敌我目标区分和类型判断,可利用目标宽带雷达回波信息对其进行分类和识别,而宽带雷达高分辨距离像(High Resolution RangeProfiles,HRRP)凭借其获取简单、样本量大、可以反映观测目标一维投影结构等特点,已经成为宽带雷达目标识别中最常用的特征之一。
对于观测目标的HRRP序列,它包含两个维度的信息:(1)单次雷达回波信号是观测目标沿雷达视线方向上的投影特征,反映了观测目标的尺寸、投影结构、散射中心强度和分布等信息;(2)观测目标投影结构沿方位向的变化特性,该特性反映了观测目标一维投影结构在连续姿态下的变化规律,与目标的类型和运动情况紧密相关。而现有雷达高分辨距离像识别技术通常采用单次距离像作为识别样本,没有考虑到目标投影结构沿方位向的变化规律,导致识别性能受限。因此,如果将特定观测视角下目标的投影结构信息和其沿方位向的变化特性信息联合起来,进行特征的学习和识别网络的训练,那么就可以提升目标识别算法的性能。
发明内容
针对现有技术存在的问题,本发明的目的在于提供一种基于LSTM-DAM网络的雷达距离像目标识别方法,提出了LSTM-DAM网络,该网络通过引入DAM,完成了观测目标沿雷达视线方向上的投影特征和观测目标沿方位向的姿态变化特征的有效融合,进而实现目标识别性能的提升。
本发明的技术原理:利用双向长短期记忆(Long Short-Term Memory,LSTM)网络作为基础网络,将LSTM网络的输出作为双注意力模块(DualAttention Module,DAM)的输入,DAM可以通过位置注意力模块(Position Attention Module,PAM)提取目标沿雷达视线方向的投影结构特征,通过通道注意力模块(Channel Attention Module,CAM)提取目标投影结构沿方位向的连续变化特征,并将经PAM和CAM处理得到的特征进行融合,获取融合特征,进而利用融合特征实现目标的准确识别。
为了达到上述目的,本发明采用以下技术方案予以实现。
(一)基于LSTM-DAM网络的雷达距离像目标识别方法,包括以下步骤:
步骤1,连续获取雷达高分辨一维距离像数据,对该高分辨一维距离像数据依次进行能量中心对齐和取距离像实包络处理,得到预处理后的高分辨一维距离像数据,形成训练样本集X;
其中,一个训练样本为一幅预处理后的高分辨一维距离像,且训练样本集X中包含目标的所有姿态角的回波数据;
步骤2,搭建LSTM-DAM网络模型;采用训练样本集对所述LSTM-DAM网络模型的网络参数进行训练,得到训练好的LSTM-DAM网络;
步骤3,获取待识别目标回波数据,对该待识别目标回波数据进行能量中心对齐和取距离像实包络处理后,输入训练好的LSTM-DAM网络进行目标识别,输出识别结果;
其中,待识别目标回波数据的目标类型包含于训练样本集中的目标类型中。
(二)一种LSTM-DAM网络模型,包括:相互级联的双向LSTM网络、双注意力模块、一个卷积层、两个全连接层和一个Softmax分类器;其中,所述双注意力模块包含位置注意力模块和通道注意力模块。
进一步地,所述双向LSTM的隐藏层结点数为64;设计LSTM网络的隐藏层层数为1。
进一步地,所述卷积层的输入通道数为64,输出通道数为1,卷积核的大小为1×1;第一个全连接层的神经元的个数为64,Dropout的比率为0.5,激活函数为ReLU函数。
与现有技术相比,本发明的有益效果为:
本发明针对现有雷达高分辨距离像目标识别方法通常采用单次距离像样本,未能充分利用目标投影结构随姿态变化特性的不足,提出了LSTM-DAM网络,DAM由PAM和CAM两部分组成,PAM可以提取目标沿雷达视线方向的投影结构特征,CAM提取目标投影结构沿方位向的连续变化特征,通过这两部分特征的有效融合,能够有效地提升雷达高分辨距离像的目标识别性能。
附图说明
下面结合附图和具体实施例对本发明做进一步详细说明。
图1为本发明的实现流程图;
图2为本发明实施例的LSTM-DAM网络模型结构图;
图3为本发明实施例的PAM的实现框图;
图4为本发明实施例的CAM的实现框图。
具体实施方式
下面将结合实施例对本发明的实施方案进行详细描述,但是本领域的技术人员将会理解,下列实施例仅用于说明本发明,而不应视为限制本发明的范围。
参考图1,本发明提供的一种基于LSTM-DAM网络的雷达距离像目标识别方法,包括以下步骤:
步骤1,连续获取雷达高分辨一维距离像数据,对该高分辨一维距离像数据依次进行能量中心对齐和取距离像实包络处理,得到预处理后的高分辨一维距离像数据,形成训练样本集X;
其中,一个训练样本为一个预处理后的高分辨一维距离像,且训练样本集X中包含目标的所有姿态角的回波数据;
假设回波数据的大小为M×N,能量中心对齐操作的具体步骤如下:
1.1)对于第i次回波数据,计算该次回波的总能量Ei,其中i=1,2,…,N;
1.2)从第i次回波数据的第一个数值开始累积能量,直到能量累积到总能量的一半Ei/2时,记下当前的位置pi,其中i=1,2,…,N;
1.3)以第1次回波作为基准,调整其余每次回波的能量中心的位置pi至第一次回波的位置;
取距离像实包络:假设第i次一维距离像数据为xi,其数据类型为复数,取距离像实包络则是取xi中每个元素的模值|xi|。
步骤2,搭建LSTM-DAM网络模型;采用训练样本集对所述LSTM-DAM网络模型的网络参数进行训练,得到训练好的LSTM-DAM网络;
第一部分,搭建LSTM-DAM网络模型,如图2所示:
2.1)搭建LSTM网络结构;
设计LSTM网络的输入尺寸为M,与实验所采用数据的雷达高分辨距离像的距离单元个数相对应;设计LSTM网络的隐藏层结点数为64;设计LSTM网络的隐藏层层数为1;设计LSTM网络的结构为BiLSTM即双向LSTM。
2.2)设计DAM结构,DAM结构包括PAM(如图3所示)和CAM(如图4所示)两部分,其具体实现如下:
PAM的具体实现步骤如下:
(a)复制LSTM网络的输出矩阵A,得到三个相同的矩阵B、C、D;
其中,A的维度为Cp×Hp×Wp;
(b)分别对矩阵B、C、D进行相同的维度调整,得到Br、Cr、Dr;维度调整的具体如下:以B为例,B的第一维保持不变,第二维和第三维展开成一个行向量,得到的结果即为Br,Br、Cr、Dr的维度分别为Cp×(Hp×Wp),具体的维度变换结果如图3所示;
(c)对矩阵Br进行转置,得到Brt,具体的维度变换结果如图3所示;
(d)将Brt与Cr矩阵相乘,利用softmax函数对乘积结果进行非线性变换,得到位置注意力矩阵PA,即PA=Softmax(Brt×Cr);
(e)将Dr与PA矩阵相乘,得到E,即E=Dr×PA;
(f)对矩阵E进行维度调整,得到F,维度调整的具体方法如下:E的第一维保持不变,第二维以步骤b)中B的第二维尺寸进行拆分,即将第二维的行向量以Hp长度为单位变换成Hp×Wp的矩阵,结合第一维,形成三维矩阵F,F的维度为Cp×Hp×Wp;具体的维度变换结果如图3所示;
(g)将A与F逐元素相加得到G,即G=A+F。
CAM的具体实现步骤如下:
(a)复制LSTM网络的输出A,得到三个相同的矩阵B、C、D;
(b)调整B、C、D的维度,得到Br、Cr、Dr,维度调整的具体方法如下:以B为例,B的第一维保持不变,第二维和第三维展开成一个行向量,得到的结果即为Br,具体的维度变换结果如图4所示;
(c)将Cr转置,得到Crt,具体的维度变换结果如图4所示;
(d)将Br与Crt矩阵相乘,利用softmax函数对乘积结果进行非线性变换,得到通道注意力矩阵CA,即CA=Softmax(Br×Crt);
(e)将CA与Dr矩阵相乘,得到E,即E=CA×Dr;
(f)调整E的维度,得到F,维度调整的具体方法如下:E的第一维保持不变,第二维以步骤b)中B的第二维尺寸进行拆分,即将第二维的行向量以Hp长度为单位变换成Hp×Wp的矩阵,结合第一维,形成三维矩阵F,具体维度变换如图4所示;
(g)将A与F逐元素相加得到G,即G=A+F。
2.3)设计1×1卷积层,输入通道数为64,输出通道数为1,卷积核的大小为1×1;
2.4)设计第一个全连接层,其神经元的个数为64,Dropout的比率为0.5,采用ReLU激活函数;
2.5)第二层全连接层的神经元个数为C,并利用Softmax分类器得到网络的识别结果,其表达式为:
其中,yk表示网络判断输入样本属于第k类样本的概率,C表示数据集中的目标类别个数,本专利中C=3,xk为第二层全连接层神经元的第k个输出。
第二部分:训练LSTM-DAM网络模型:
2.6)初始化LSTM-DAM网络中LSTM网络、1×1卷积层、全连接层参数的权值和偏置为w(old);
2.7)将训练样本集输入到LSTM网络,计算LSTM网络的输出;
2.8)将LSTM网络的输出输入到DAM,计算DAM输出的融合特征;
2.9)将DAM输出的融合特征经过1×1的卷积层、全连接层和softmax分类器,计算出LSTM-DAM网络输出的分类结果yk;
2.10)LSTM-DAM网络使用交叉熵函数L(w(old))作为损失函数,L(w(old))的表达式为:
其中,C为目标的类别个数,tk为LSTM-DAM网络输入样本的真买标签,yk(w(old))为LSTM-DAM网络输出的分类结果,w(old)为LSTM-DAM网络的所有可训练参数;
2.11)对权值进行更新,更新公式为:
w(new)=w(old)-ηΔL(w(old))
其中,w(new)为更新后得到的新权值,w(old)为权值更新前的权值,η为学习率,ΔL(w(new))为损失函数L(w(old))对w(old)的偏导,即
2.12)令w(old)=w(new),迭代执行2.7)-2.12)的计算过程,当相邻两次迭代损失函数差值的绝对值小于设定的阈值ε时,停止迭代,此时得到权值w的最优值,即得到训练好的LSTM-DAM网络的参数。
本发明中在生成训练样本集时,同时生成了相应的测试样本集,训练结束后,采用测试样本集对训练好的LSTM-DAM网络进行性能测试。
步骤3,获取待识别目标回波数据,对该待识别目标回波数据进行能量中心对齐和取距离像实包络处理后,输入训练好的LSTM-DAM网络进行目标识别,输出识别结果。
待识别目标回波数据中的目标类型包含于训练样本集中的目标类型。
本发明通过网络结构设计,能同时提取目标高分辨距离像沿雷达视线方向上的投影结构变化特征和沿方位向的姿态变化特征,并通过特征融合的方法对目标沿两个方向的变化特征进行融合,相较于单一特征,融合特征对目标结构和姿态变化特性描述更为全面,因此,该方法可以提高雷达高分辨距离像目标识别的性能。
仿真实验
实验条件:本实验采用雷达录取的“安-26”小型螺旋桨飞机、“奖状”小型喷气式飞机和“雅克-42”中型喷气式飞机三种飞机数据。三类飞机目标的雷达高分辨距离像数据均包含多段,其中,每段数据包含26000个雷达高分辨距离像样本,每次雷达高分辨距离像样本的采样点数为256,“安-26”飞机和“奖状飞机”各包含七段数据,“雅克-42”飞机包含五段数据。“安-26”飞机选取第五段和第六段数据作为训练样本集,其他数据段作为测试样本集;“奖状”飞机选取第六段和第七段数据作为训练样本集,其他数据段作为测试样本集;“雅克-42”飞机选取第二段和第四段数据作为训练样本集,其他数据段作为测试样本集。
本实验中的测试样本集中的数据就认为是待识别目标对应的回波数据,对其进行分类识别。
识别实验的硬件平台为Intel(R)Core(TM)i9-9900K CPU@3.6gHZ、64GBRAM、NVIDIA Geforce GTX2080 Ti GPU。
软件平台为Python3.7、pytorch1.0.0、cuda9.0。
2.实验内容与分析:
实验内容:在相同数据集的情况下,将本发明提出的LSTM-DAM网络的识别性能与CNN、LSTM网络的识别性能进行对比,同时采用以下公式分别计算三种方法的识别率:
其中,c表示测试样本集的识别率,N表示测试样本集的样本数量,f(·)表示分类鉴别函数,ti表示测试样本集中第i个测试样本的真实类别,yi表示测试样本集中第i个测试样本对应的网络输出结果,当ti与yi相等时,f(ti,yi)等于1,否则,f(ti,yi)等于0。
在本发明中,首先使用训练样本集训练LSTM-DAM网络,得到训练好的LSTM-DAM网络,然后使用测试样本集在训练好的LSTM-DAM网络中进行测试,计算得到测试样本的识别率为99.50%。
对于基于CNN的雷达高分辨距离像目标识别方法,首先使用相同的训练样本集训练CNN网络,得到训练好的CNN网络,然后使用相同测试样本集在训练好的CNN网络中进行测试,计算得到识别率为93.20%。
对于基于LSTM网络的雷达高分辨距离像目标识别方法,首先使用相同的训练样本集训练LSTM网络,得到训练好的LSTM网络,然后使用相同的测试样本集在训练好的LSTM网络中进行测试,计算得到识别率为98.95%。
从实验结果可以看出,本发明提出的LSTM-DAM网络对三类飞机目标的平均识别率相较于CNN提高6.3个百分点,相较于LSTM网络提高0.55个百分点,说明本发明提出的LSTM-DAM网络,通过PAM提取目标沿雷达视线方向上的投影特征,通过CAM提取目标沿方位向的连续变化特征,并将两种特征进行有效融合,能够提升雷达观测目标高分辨距离像的识别率,具有重要的理论意义和应用价值。
虽然,本说明书中已经用一般性说明及具体实施方案对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (5)
1.基于LSTM-DAM网络的雷达距离像目标识别方法,其特征在于,包括以下步骤:
步骤1,连续获取雷达高分辨一维距离像数据,对该高分辨一维距离像数据依次进行能量中心对齐和取距离像实包络处理,得到预处理后的高分辨一维距离像数据,形成训练样本集X;
其中,一个训练样本为一幅预处理后的高分辨一维距离像,且训练样本集X中包含目标的所有姿态角的回波数据;
所述能量中心对齐的具体步骤如下:
1.1)对于第i次回波数据,计算该次回波的总能量Ei,其中i=1,2,…,N;
1.2)从第i次回波数据的第一个数值开始累积能量,直到能量累积到总能量的一半Ei2时,记下当前的位置pi,其中i=1,2,…,N;
1.3)以第1次回波作为基准,调整其余每次回波的能量中心的位置pi至第一次回波的位置;
所述取距离像实包络为对第i次一维距离像数据为xi中每个元素取模值;
其中,xi数据类型为复数;
步骤2,搭建LSTM-DAM网络模型;采用训练样本集对所述LSTM-DAM网络模型的网络参数进行训练,得到训练好的LSTM-DAM网络;
所述搭建LSTM-DAM网络模型,具体步骤为:
(2.1)搭建双向LSTM网络结构,得到C1;
(2.2)设计DAM结构,得到C2;C2包含PAM和CAM,其中,DAM为双注意力模块,PAM为位置注意力模块,CAM为通道注意力模块;
(2.3)将1×1的卷积层、两层全连接层和softmax分类器级联,得到C3,其中,softmax分类器的函数表达式为其中,f(xk)表示网络判断输入样本属于第k类样本的概率,C表示数据集中的目标类别个数,xk为第二层全连接层神经元的第k个输出;
将步骤(2.1)-(2.3)的结构依次级联,得到LSTM-DAM网络模型;
所述采用训练样本集对所述LSTM-DAM网络模型的网络参数进行训练,具体步骤为:
(2.4)初始化LSTM-DAM网络中LSTM网络、1×1卷积层、全连接层参数的权值和偏置为w(old);
(2.5)将训练样本集输入到LSTM网络,计算LSTM网络的输出;
(2.6)将LSTM网络的输出输入到DAM,计算DAM输出的融合特征;
(2.7)将DAM输出的融合特征经过1×1的卷积层、全连接层和softmax分类器,计算出LSTM-DAM网络输出的分类结果yk;
(2.8)LSTM-DAM网络使用交叉熵函数L(w(old))作为损失函数,L(w(old))的表达式为:
其中,C为目标的类别个数,tk为LSTM-DAM网络输入样本的真实标签,yk(w(old))为LSTM-DAM网络输出的分类结果,w(old)为LSTM-DAM网络的所有可训练参数;
(2.9)对权值进行更新,更新公式为:
w(new)=w(old)-ηΔL(w(old))
其中,w(new)为更新后得到的新权值,w(old)为权值更新前的权值,η为学习率,ΔL(w(new))为损失函数L(w(old))对w(old)的偏导,即
(2.10)令w(old)=w(new);
迭代执行步骤(2.4)-(2.10),当相邻两次迭代损失函数差值的绝对值小于设定的阈值ε时,停止迭代,此时得到权值w的最优值,即得到训练好的LSTM-DAM网络的参数;
步骤3,获取待识别目标回波数据,对该待识别目标回波数据进行能量中心对齐和取距离像实包络处理后,输入训练好的LSTM-DAM网络进行目标识别,输出识别结果;
其中,待识别目标回波数据的目标类型包含于训练样本集中的目标类型中。
2.根据权利要求1所述的基于LSTM-DAM网络的雷达距离像目标识别方法,其特征在于,所述双向LSTM网络的输入尺寸与雷达高分辨一维距离像的距离单元个数相对应;双向LSTM网络的隐藏层结点数为64,隐藏层层数为1。
3.根据权利要求1所述的基于LSTM-DAM网络的雷达距离像目标识别方法,其特征在于,所述PAM的内部样本处理过程如下:
(a)复制LSTM网络的输出矩阵A,得到三个相同的矩阵B、C、D;
其中,A的维度为Cp×Hp×Wp;
(b)分别对矩阵B、C、D进行相同的维度调整,得到Br、Cr、Dr;维度调整的具体如下:以B为例,B的第一维保持不变,第二维和第三维展开成一个行向量,得到的结果即为Br,Br、Cr、Dr的维度分别为Cp×(Hp×Wp);
(c)对矩阵Br进行转置,得到矩阵Brt;
(d)将Brt与Cr矩阵相乘,利用softmax函数对乘积结果进行非线性变换,得到位置注意力矩阵PA,即PA=Softmax(Brt×Cr);
(e)将Dr与PA矩阵相乘,得到E,即E=Dr×PA;
(f)对矩阵E进行维度调整,得到F;其中,所述维度调整具体为:E的第一维保持不变,第二维以步骤b)中B的第二维尺寸进行拆分,即将第二维的行向量以Hp长度为单位变换成维度为Hp×Wp的矩阵,结合第一维,形成三维矩阵F,F的维度为Cp×Hp×Wp;
(g)将A与F逐元素相加得到G,即G=A+F。
4.根据权利要求1所述的基于LSTM-DAM网络的雷达距离像目标识别方法,其特征在于,所述CAM的内部样本处理过程如下:
(a)复制LSTM网络的输出A,得到三个相同的矩阵B、C、D;
其中,A的维度为Cp×Hp×Wp;
(b)调整B、C、D的维度,得到Br、Cr、Dr,其中,维度调整过程为:以B为例,B的第一维保持不变,第二维和第三维展开成一个行向量,得到的结果即为Br;
(c)将Cr转置,得到Crt;
(d)将Br与Crt矩阵相乘,利用softmax函数对乘积结果进行非线性变换,得到通道注意力矩阵CA,即CA=Softmax(Br×Crt);
(e)将CA与Dr矩阵相乘,得到E,即E=CA×Dr;
(f)调整E的维度,得到F;其中,维度调整过程如下:E的第一维保持不变,第二维以步骤(b)中B的第二维尺寸进行拆分,即将第二维的行向量以Hp长度为单位变换成维度Hp×Wp的矩阵,结合第一维,形成三维矩阵F,F的维度为Cp×Hp×Wp;
(g)将A与F逐元素相加得到G,即G=A+F。
5.根据权利要求1所述的LSTM-DAM网络模型,其特征在于,所述卷积层的输入通道数为64,输出通道数为1,卷积核的大小为1×1;第一层全连接层的神经元的个数为64,Dropout的比率为0.5,激活函数为ReLU函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110178168.1A CN112965062B (zh) | 2021-02-09 | 2021-02-09 | 基于lstm-dam网络的雷达距离像目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110178168.1A CN112965062B (zh) | 2021-02-09 | 2021-02-09 | 基于lstm-dam网络的雷达距离像目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112965062A CN112965062A (zh) | 2021-06-15 |
CN112965062B true CN112965062B (zh) | 2024-02-20 |
Family
ID=76284513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110178168.1A Active CN112965062B (zh) | 2021-02-09 | 2021-02-09 | 基于lstm-dam网络的雷达距离像目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112965062B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537120B (zh) * | 2021-07-28 | 2023-04-07 | 中国人民解放军空军预警学院 | 基于复数坐标注意力的复数卷积神经网络的目标识别方法 |
CN113625244B (zh) * | 2021-08-11 | 2024-06-25 | 青岛本原微电子有限公司 | 一种基于lstm的多源域的高重频雷达目标检测方法 |
CN116720122B (zh) * | 2023-08-10 | 2023-10-31 | 清华大学 | 基于多站频率捷变雷达的气动目标分类方法及装置 |
Citations (6)
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 |
CN110334741A (zh) * | 2019-06-06 | 2019-10-15 | 西安电子科技大学 | 基于循环神经网络的雷达一维距离像识别方法 |
CN110363820A (zh) * | 2019-06-28 | 2019-10-22 | 东南大学 | 一种基于激光雷达、图像前融合的目标检测方法 |
CN111611346A (zh) * | 2020-05-09 | 2020-09-01 | 迟殿委 | 一种基于动态语义编码和双注意力的文本匹配方法及装置 |
CN112037506A (zh) * | 2020-07-29 | 2020-12-04 | 长安大学 | 车辆轨迹预测模型构建方法、车辆轨迹预测方法及系统 |
WO2020248581A1 (zh) * | 2019-06-11 | 2020-12-17 | 中国科学院自动化研究所 | 图数据识别方法、装置、计算机设备和存储介质 |
-
2021
- 2021-02-09 CN CN202110178168.1A patent/CN112965062B/zh active Active
Patent Citations (6)
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 |
CN110334741A (zh) * | 2019-06-06 | 2019-10-15 | 西安电子科技大学 | 基于循环神经网络的雷达一维距离像识别方法 |
WO2020248581A1 (zh) * | 2019-06-11 | 2020-12-17 | 中国科学院自动化研究所 | 图数据识别方法、装置、计算机设备和存储介质 |
CN110363820A (zh) * | 2019-06-28 | 2019-10-22 | 东南大学 | 一种基于激光雷达、图像前融合的目标检测方法 |
CN111611346A (zh) * | 2020-05-09 | 2020-09-01 | 迟殿委 | 一种基于动态语义编码和双注意力的文本匹配方法及装置 |
CN112037506A (zh) * | 2020-07-29 | 2020-12-04 | 长安大学 | 车辆轨迹预测模型构建方法、车辆轨迹预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于小波变换和多神经网络融合的雷达一维距离像目标识别;朱玉鹏;袁琼清;王芹;付耀文;王宏强;;电光与控制(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112965062A (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112965062B (zh) | 基于lstm-dam网络的雷达距离像目标识别方法 | |
CN109086700B (zh) | 基于深度卷积神经网络的雷达一维距离像目标识别方法 | |
CN106355151B (zh) | 一种基于深度置信网络的三维sar图像目标识别方法 | |
CN110334741B (zh) | 基于循环神经网络的雷达一维距离像识别方法 | |
CN109977871B (zh) | 一种基于宽带雷达数据和gru神经网络的卫星目标识别方法 | |
CN110781830A (zh) | 基于空-时联合卷积的sar序列图像分类方法 | |
CN111077523A (zh) | 一种基于生成对抗网络的逆合成孔径雷达成像方法 | |
CN103778441B (zh) | 一种基于DSmT和HMM的序列飞机目标识别方法 | |
CN110456355B (zh) | 一种基于长短时记忆和生成对抗网络的雷达回波外推方法 | |
CN112394354B (zh) | 基于元学习的不同极化方式hrrp融合目标小样本识别方法 | |
CN109948722B (zh) | 一种识别空间目标的方法 | |
Zhang et al. | VGM-RNN: HRRP sequence extrapolation and recognition based on a novel optimized RNN | |
CN110969212A (zh) | 基于空间变换三通道卷积的isar图像分类方法 | |
CN108983187B (zh) | 基于ewc的在线雷达目标识别方法 | |
CN113111975A (zh) | 基于多核尺度卷积神经网络的sar图像目标分类方法 | |
CN109871907B (zh) | 基于sae-hmm模型的雷达目标高分辨率距离像识别方法 | |
CN110223342B (zh) | 一种基于深度神经网络的空间目标尺寸估计方法 | |
Zhang et al. | Complex-valued graph neural network on space target classification for defocused ISAR images | |
CN116580322A (zh) | 一种地面背景下无人机红外小目标检测方法 | |
CN111596292A (zh) | 基于重要性网络和双向堆叠循环神经网络的雷达目标识别方法 | |
CN113327271B (zh) | 基于双光孪生网络决策级目标跟踪方法、系统及存储介质 | |
Liu et al. | Radar HRRP target recognition with target aware two-dimensional recurrent neural network | |
CN112946600B (zh) | 基于wgan-gp的雷达hrrp数据库构建方法 | |
Wang et al. | Recognition of HRRP sequence based on TCN with attention and elastic net regularization | |
Tu et al. | A novel HRRP target recognition method based on LSTM and HMM decision-making |
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 |