CN112990279A - 基于自动编码器的雷达高分辨距离像库外目标拒判方法 - Google Patents
基于自动编码器的雷达高分辨距离像库外目标拒判方法 Download PDFInfo
- Publication number
- CN112990279A CN112990279A CN202110217661.XA CN202110217661A CN112990279A CN 112990279 A CN112990279 A CN 112990279A CN 202110217661 A CN202110217661 A CN 202110217661A CN 112990279 A CN112990279 A CN 112990279A
- Authority
- CN
- China
- Prior art keywords
- library
- layer
- resolution range
- range profile
- samples
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于自动编码器的雷达高分辨距离像库外目标拒判方法,包括获取雷达高分辨距离像库内训练样本集并进行预处理得到预处理雷达高分辨距离像库内训练样本集;构建类内分割模型;利用自动编码器构建类内分割模型,对预处理雷达高分辨距离像库内训练样本集进行库内分割得到若干库内分割数据;构建分类网络;利用若干库内分割数据对分类网络进行训练得到训练好的分类网络;将雷达高分辨距离像测试样本集输入训练好的分类网络得到库外目标的判别结果。本发明通过类内分割模型对库内训练样本进行分割,以更少的库内训练样本对未知类进行建模,建模时只使用给定的库内样本,不会产生新的伪样本,具备较好的库外目标拒判能力。
Description
技术领域
本发明属于雷达技术领域,具体涉及一种基于自动编码器的雷达高分辨距离像库外目标拒判方法。
背景技术
雷达高分辨距离像(High Resolution Range Profile,简称HRRP)是用宽带雷达信号获取的目标散射点子回波在雷达视线上投影的向量和,雷达高分辨距离像包含了对目标分类和识别十分有价值的结构信息,如目标的径向尺寸、散射点分布等,而具有且易于获取、存储和处理等优点。因此基于雷达高分辨距离像的雷达自动目标识别方法成为该领域研究的热点。
在雷达自动目标识别系统中,需要提前建立各型目标的回波数据库。由于军事目标的非合作性,该数据库往往难以覆盖所有型号目标的回波数据。通常将未包含于数据库内的目标称为库外目标。在识别过程中,如果待识别目标为库外目标,需要对其进行拒判处理。通常采用一类分类器解决拒判问题,常用的一类分类器包括一类支持向量机(One-Class Support Vector Machine,简称OCSVM)和支持向量数据描述(Support Vector DataDescription,简称SVDD)模型。这些方法对核函数形式与核参数的变化比较敏感,性能受到限制。随着深度学习在模式识别领域和计算机视觉领域的成功应用,受其启发,雷达领域也尝试将深度学习应用于HRRP目标拒判任务。例如,Ruff等人提出了Deep SVDD框架,利用SVDD模型在深度学习领域对应的无监督目标函数,用深度学习处理复杂分布样本的优势,大幅提升拒判性能;Perera等人提出了一种从原始数据中提取单类特征的深度模型,并将其应用到传统的单类分类器中,通过大量实验表明深度一类分类方法在异常检测中取得了显著的改进。
然而,该方法只有在库内样本与库外样本高度相关的情况下,才能保证严格的决策边界使异常检测性能改善,另外,由于模型不是端到端模型,特征提取和分类的目标是不连贯的,性能受到限制。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种基于自动编码器的雷达高分辨距离像库外目标拒判方法,使用库内训练样本的一部分数据对未知样本进行建模。
本发明的一个实施例提供了一种基于自动编码器的雷达高分辨距离像库外目标拒判方法,包括:
获取雷达高分辨距离像频域库内训练样本集;
对所述频域库内训练样本集做预处理得到预处理频域训练样本集;
构建类内分割模型;
利用自动编码器构建类内分割模型,并对所述预处理频域训练样本集进行库内分割得到若干库内分割数据;
构建分类网络;
利用所述若干库内分割数据对所述分类网络进行训练得到训练好的分类网络;
将雷达高分辨距离像频域测试样本集输入所述训练好的分类网络得到库外目标的判别结果,其中,雷达高分辨距离像频域测试样本集包括雷达高分辨距离像频域库内测试样本集、雷达高分辨距离像频域库外测试样本集。
在本发明的一个实施例中,对所述频域库内训练样本集做预处理得到预处理频域训练样本集包括:
对所述雷达高分辨距离像库内训练样本集做归一化处理;
对归一化的雷达高分辨距离像库内训练样本集进行重心绝对对齐处理;
对重心绝对对齐的雷达高分辨距离像库内训练样本集进行均值归一化处理;
对均值归一化的雷达高分辨距离像库内训练样本集进行短时傅里叶变换得到所述预处理雷达高分辨距离像库内训练样本集。
在本发明的一个实施例中,构建的类内分割模型包括:依次连接的编码器、解码器,其中,
所述编码器包括依次连接的N个编码器层,前N-1个编码器层中每个所述编码器层包括依次连接的两个卷积层且两个卷积层分别还与一拼接层连接,第N个编码器层包括一卷积层,N为大于1的整数;
所述解码器包括依次连接的M个解码器层,前M-1个解码器层中每个所述解码器层包括依次连接的一反卷积层、卷积层,反卷积层、卷积层分别还与一拼接层连接,第M个编码器层包括一卷积层,M为大于1的整数。
在本发明的一个实施例中,所述编码器层之间还包括依次连接的一池化层、一批规范化层,第N个编码器层与所述编码器之间还包括一批规范化层。
在本发明的一个实施例中,所述解码器层之间还包括依次连接的一批规范化层。
在本发明的一个实施例中,构建的分类网络包括L层分类结构,L为大于2的整数,其中,
前L-2层分类结构中每一层分类结构包括依次连接的两个卷积层且两个卷积层分别还与一拼接层连接,第L-2层分类结构包括一数据一维化处理层,第L-1层分类结构、第L层分类结构分别包括一全连接层。
在本发明的一个实施例中,前L-1层分类结构之间还包括依次连接的一池化层、一批规范化层。
在本发明的一个实施例中,第L-2层分类结构、第L-1层分类结构之间还包括一激活层、重构层,第L-1层分类结构、第L层分类结构之间还包括一Dropout层,第L层分类结构的输出还包括一激活层、重构层。
在本发明的一个实施例中,利用所述若干库内分割数据对所述分类网络进行训练得到训练好的分类网络包括:
分别定义典型库内样本间的损失函数、典型库内样本和非典型库内样本间的损失函数、非典型库内样本间的损失函数;
利用所述若干库内分割数据,且采用定义的典型库内样本间的损失函数、典型库内样本和非典型库内样本间的损失函数、非典型库内样本间的损失函数对所述分类网络进行训练得到训练好的分类网络。
在本发明的一个实施例中,定义的典型库内样本间的损失函数表示为:
其中,B1表示典型库内样本总数目,i={1,2,...,B1},j={1,2,...,B1}表示第i个和第j个不同的典型库内样本,ztyp,i和ztyp,j≠i分别表示两个不同的典型库内样本的隐藏特征;
定义的典型库内样本和非典型库内样本间的损失函数表示为:
定义的非典型库内样本间的损失函数表示为:
其中,B3表示非典型库内样本总数目,i={1,2,...,B3},j={1,2,...,B3}表示第i个和第j个不同的的非典型库内样本,zatyp,i和zatyp,j≠i分别表示两个不同的的非典型库内样本的隐藏特征。
与现有技术相比,本发明的有益效果:
本发明提供的基于自动编码器的雷达高分辨距离像库外目标拒判方法,通过自动编码器搭建类内分割模型,并对库内训练样本进行分割,使用更少的库内训练样本对未知类进行建模,通过分割的样本集对分类模型进行训练,训练时只使用给定的库内样本,不会产生新的伪样本,不需要对未知样本进行强有力的假设,这对于真实世界中的目标识别场景更具有应用前景,且具备较好的库外目标拒判能力。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种基于自动编码器的雷达高分辨距离像库外目标拒判方法的流程示意图;
图2是本发明实施例提供的一种基于自动编码器的雷达高分辨距离像库外目标拒判方法中类内分割模型的结构示意图;
图3是本发明实施例提供的一种基于自动编码器的雷达高分辨距离像库外目标拒判方法中分类网络的结构示意图;
图4是本发明实施例提供的用于验证库外目标拒判性能的仿真结果示意图;
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
实施例一
请参见图1,图1是本发明实施例提供的一种基于自动编码器的雷达高分辨距离像库外目标拒判方法的流程示意图。本实施例提出了一种基于自动编码器的雷达高分辨距离像库外目标拒判方法(Autoencoder Outside Target Rader,简称AaOTR),该基于自动编码器的雷达高分辨距离像库外目标拒判方法包括以下步骤:
步骤1、获取雷达高分辨距离像库内训练样本集。
具体而言,本实施例提取雷达回波在雷达视线上沿着距离维的幅度信息作为高分辨距离像数据,具体是提取库内雷达回波在雷达视线上沿着距离维的幅度信息作为训练样本集。
步骤2、对所述雷达高分辨距离像库内训练样本集做预处理得到预处理雷达高分辨距离像库内训练样本集。
具体而言,本实施例步骤2对所述雷达高分辨距离像库内训练样本集做预处理得到雷达高分辨距离像库内训练样本集包括步骤2.1、步骤2.2、步骤2.3、步骤2.4:
步骤2.1、对所述雷达高分辨距离像库内训练样本集做归一化处理。
具体而言,本实施例对雷达高分辨距离像库内训练样本集中每个雷达高分辨距离像库内训练样本进行模2范数归一化,以克服HRRP数据的幅度敏感性,具体对每个雷达高分辨距离像库内训练样本进行模2范数归一化表示为:
步骤2.2、对归一化的雷达高分辨距离像库内训练样本集进行重心绝对对齐处理。
具体而言,本实施例对每一归一化的雷达高分辨距离像库内训练样本进行重心绝对对齐法,具体进行重心绝对对齐时的重心表示为:
通过公式(2)计算高分辨距离像库内训练样本的重心W,本实施例根据重心W将每一归一化的雷达高分辨距离像库内训练样本的中心移到重心W表示为:
其中,FFT表示离散傅里叶变换,IFFT表示逆离散傅里叶变换,C=N/2为雷达高分辨距离像库内训练样本的中心,φ(W)和φ(C)分别表示重心W和中心C所对应的相位,k表示移动量,为了避免频率泄漏和旁瓣抬高,我们也要保证原始回波平移整数个距离单元。
步骤2.3、对重心绝对对齐的雷达高分辨距离像库内训练样本集进行均值归一化处理。
具体而言,本实施例对重心绝对对齐后的每一高分辨距离像库内训练样本求均值,再用重心绝对对齐后的高分辨距离像库内训练样本减去均值,得到均值归一化后的高分辨距离像库内训练样本。
步骤2.4、对均值归一化的雷达高分辨距离像库内训练样本集进行短时傅里叶变换得到所述预处理雷达高分辨距离像库内训练样本集。
具体而言,本实施例对均值归一化的雷达高分辨距离像库内训练样本集中每一均值归一化的雷达高分辨距离像库内训练样本进行短时傅里叶变换(Short Time FourierTransform,简称STFT)得到最终预处理雷达高分辨距离像库内训练样本集。
步骤3、构建类内分割模型。
具体而言,请参见图2,图2是本发明实施例提供的一种基于自动编码器的雷达高分辨距离像库外目标拒判方法中类内分割模型的结构示意图,本实施例构建的类内分割模型包括依次连接的编码器、解码器,其中:所述编码器包括依次连接的N个编码器层,前N-1个编码器层中每个所述编码器层包括依次连接的两个卷积层且两个卷积层分别还与一拼接层连接,第N个编码器层包括一卷积层,N为大于1的整数,所述编码器层之间还包括依次连接的一池化层、一批规范化层,第N个编码器层与所述编码器之间还包括一批规范化层;所述解码器包括依次连接的M个解码器层,前M-1个解码器层中每个所述解码器层包括依次连接的一反卷积层、卷积层,反卷积层、卷积层分别还与一拼接层连接,第M个编码器层包括一卷积层,M为大于1的整数,所述解码器层之间还包括依次连接的一批规范化层。本实施例搭建了类似AlexNet网络结构的自动编码器用于库内数据分割,编码器将所有的全连接层用一个卷积层代替;解码器使用和编码器对称的结构,利用转置的卷积层进行上采样。
以N=5,M=5为例,本实施例编码器各层参数设置如下:
第一层编码器层:输入数据经过两个卷积层后,将两个卷积层输出拼接为第一个卷积层,紧接着将最大池化后的数据通过批规范化变换后作为输出传递到下一层。其中,卷积层滤波器的数量设置为8,使用Relu激活函数,卷积核尺寸设置为1*9,最大池化尺寸设置为1*2;
第二层编码器层:类似第一层参数设置,不同的是卷积层滤波器的数量设置为16,将输出传递到下一层;
第三层编码器层:类似第一层参数设置,不同的是卷积层滤波器的数量设置为32,将输出传递到下一层;
第四层编码器层:类似第一层参数设置,不同的是卷积层滤波器的数量设置为64,将输出传递到下一层;
第五层:将输入经过一个卷积层后通过批规范化层变换后作为输出传递到下一层(解码器),其中,输出维度64,卷积核尺寸设置为1*1。
本实施例解码器各层参数设置如下:
第一层解码器层:输入数据经过一个反卷积层、一个卷积层后,将反卷积层、卷积层输出拼接为第一个卷积层,紧接着通过批规范化层变换后作为输出传递到下一层。其中,卷积层滤波器的数量设置为32,使用Relu激活函数,卷积核尺寸设置为1*9;
第二层解码器层:类似第一层参数设置,不同的是卷积层滤波器的数量设置为32,将输出传递到下一层;
第三层解码器层:类似第一层参数设置,不同的是卷积层滤波器的数量设置为16,将输出传递到下一层;
第四层解码器层:类似第一层参数设置,不同的是卷积层滤波器的数量设置为8,将输出传递到下一层;
第五层解码器层:经过一个卷积层作为最后的输出,使用Sigmoid激活函数,卷积核尺寸设置为1*9。
通过训练得到类内分割模型,该类内分割模型被用来获得所有训练样本的重构,并计算相似度表示为:
步骤4、利用所述类内分割模型对所述预处理雷达高分辨距离像库内训练样本集进行库内分割得到若干库内分割数据。
具体而言,本实施例利用所述类内分割模型对所述预处理雷达高分辨距离像库内训练样本集中每个预处理雷达高分辨距离像库内训练样本进行训练重构,计算原始训练样本和重构样本的相似性得分,然后根据相似性得分将训练样本从小到大排列,利用预先定义的分割比thr,将训练样本的前百分之[thr×训练样本总数]个样本视为非典型库内样本,其余样本视为典型库内样本,以实现库内数据分割得到若干库内分割数据。
步骤5、构建分类网络。
具体而言,请参见图3,图3是本发明实施例提供的一种基于自动编码器的雷达高分辨距离像库外目标拒判方法中分类网络的结构示意图,本实施例构建的分类网络包括L层分类结构,L为大于2的整数,其中,前L-2层分类结构中每一层分类结构包括依次连接的两个卷积层且两个卷积层分别还与一拼接层连接,第L-2层分类结构包括一数据一维化处理层,第L-1层分类结构、第L层分类结构分别包括一全连接层。前L-1层分类结构之间还包括依次连接的一池化层、一批规范化层,第L-2层分类结构、第L-1层分类结构之间还包括一激活层、重构层,第L-1层分类结构、第L层分类结构之间还包括一Dropout层,第L层分类结构的输出还包括一激活层、重构层。本实施例构建类似AlexNet网络结构的分类网络,以L=8为例,则分类网络的各层参数设置如下:
第一层分类结构:输入数据经过两个卷积层后,将两个卷积层输出拼接为第一个卷积层,紧接着经过一平均池化层、一泄露层、一批规范化层后作为输出传递到下一层。其中,卷积层滤波器的数量设置为16,卷积层使用线性激活函数,卷积核尺寸设置为1*9,平均池化尺寸设置1*2;
第二层分类结构:类似第一层的设置,不同的是卷积层滤波器的数量设置为32,将输出传递给下一层;
第三层分类结构:类似第一层的设置,不同的是卷积层滤波器的数量都设置为64,将输出传递给下一层;
第四层分类结构:类似第一层的设置,不同的是卷积层滤波器的数量都设置为128,将输出传递给下一层;
第五层分类结构:类似第一层的设置,不同的是卷积层滤波器的数量都设置为256,将输出传递给下一层;
第六层分类结构:将输入数据经过数据一维化处理层进行一维化处理,将输出传递给下一层;
第七层分类结构:输入数据经过一个输出维度256为全连接层后,紧接着通过一泄露层和Dropout变换后作为输出传递到下一层。其中,神经元失活率设置为0.5;
第八层分类结构:类似第七层参数设置,不同的是输入数据的输出维度64为全连接层。
本实施例分类网络的隐藏特征层:第六层的输出经过一个全连接层,紧接着经过一泄露层、一重构层后作为分类网络的隐藏特征;而在本实施例分类网络的最终输出:第八层的输出经过一个以Softmax为激活函数的全连接层,紧接着经过一个重构层作为网络最终输出。
步骤6、利用所述若干库内分割数据对所述分类网络进行训练得到训练好的分类网络。
具体而言,本实施例步骤6利用所述若干库内分割数据对所述分类网络进行训练得到训练好的分类网络包括步骤6.1、步骤6.2:
步骤6.1、分别定义典型库内样本间的损失函数、典型库内样本和非典型库内样本间的损失函数、非典型库内样本间的损失函数。
具体而言,对于分割的两个样本子集之间,可以定义三个距离约束:(1)典型库内样本间的距离最小化;(2)典型库内样本和非典型库内样本间的距离最大化;(3)非典型库内样本间的距离最大化,三种距离约束迫使典型库内样本被非典型库内样本包围,形成一个严密和封闭的决策边界。根据上述的三个距离约束,使用可微分的距离函数dist(·)表示为:
其中,zi和zj≠i表示第i个和第j个不同的典型库内样本的隐藏特征。根据上述分类网络的隐藏特征层和三个距离约束构建距离子网络。本实施例距离子网络中分别定义了典型库内样本间的损失函数、典型库内样本和非典型库内样本间的损失函数、非典型库内样本间的损失函数,具体地:
本实施例定义的典型库内样本间的损失函数表示为:
其中,B1表示典型库内样本总数目,ztyp,i和ztyp,j≠i分别表示第i个和第j个不同的典型库内样本的隐藏特征。通过最小化接近损失函数来最小化典型库内样本之间的距离。
本实施例定义的典型库内样本和非典型库内样本间的损失函数表示为:
其中,B2表示典型库内样本和非典型库内样本总数目,yi表示真实样本的标签,是分类网络预测的标签。典型库内样本分配统一标签“0”,非典型库内样本分配统一标签“1”,并使用交叉熵损失作为类内损失函数,类内损失函数使典型库内样本和非典型库内样本之间的距离最大化。
本实施例定义的非典型库内样本间的损失函数表示为:
其中,B3表示非典型库内样本总数目,zatyp,i和zatyp,j≠i分别表示第i个和第j个不同的的非典型库内样本的隐藏特征。为实现非典型库内样本之间的距离最大化,使用最小化色散损失函数。
步骤6.2、利用所述若干库内分割数据,且采用定义的典型库内样本间的损失函数、典型库内样本和非典型库内样本间的损失函数、非典型库内样本间的损失函数对所述分类网络进行训练得到训练好的分类网络。
具体而言,本实施例在上述定义的三种损失函数下,利用所述若干库内分割数据,且采用定义的典型库内样本间的损失函数、典型库内样本和非典型库内样本间的损失函数、非典型库内样本间的损失函数对所述分类网络进行训练,固定迭代次数逐步训练网络直至得到训练好的分类网络。
步骤7、将雷达高分辨距离像测试样本集输入所述训练好的分类网络得到库外目标的判别结果,其中,雷达高分辨距离像频域测试样本集包括雷达高分辨距离像频域库内测试样本集、雷达高分辨距离像频域库外测试样本集。
具体而言,本实施例将雷达高分辨距离像测试样本集输入分类网络中,判断每个雷达高分辨距离像测试样本的类别属于雷达高分辨距离像库内还是库外目标类别,分类网络的最终输出为根据概率值大小判定给定测试样本是属于库内目标类别还是库外目标类别。其中,将雷达高分辨距离像测试样本集输入分类网络之前,同雷达高分辨距离像训练样本集,对雷达高分辨距离像测试样本集进行预处理,对所述雷达高分辨距离像库内测试样本集做预处理得到预处理雷达高分辨距离像库内测试样本集包括:对所述雷达高分辨距离像库内测试样本集做归一化处理;对归一化的雷达高分辨距离像库内测试样本集进行重心绝对对齐处理;对重心绝对对齐的雷达高分辨距离像库内测试样本集进行均值归一化处理;对均值归一化的雷达高分辨距离像库内测试样本集进行短时傅里叶变换得到所述预处理雷达高分辨距离像库内测试样本集。
为了验证本实施例提出的基于自动编码器的雷达高分辨距离像库外目标拒判方法的有效性,通过如下实验进行说明:
1、仿真条件:
本实施例的仿真实验中,所用的雷达数据库采用某院C波段雷达实测的飞机HRRP数据作为库内样本,包含三类不同类型的飞机:Yak-42、Cessna和An-26,并使用人工生成两类飞机的HRRP数据作为库外样本。从Yak-42飞机的2、5段,Cessna飞机的6、7段以及An-26飞机的5、6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,从两类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。
本实施例的仿真实验软件平台为:MatlabR2014a、CUDA9.0、CUDNN7.0和Tensorflow 1.12。
2、仿真内容与结果分析:
本实施例仿真实验:仿真实验用于验证本实施例提出方法的库外目标拒判性能。
仿真实验
请参见图4,图4是本发明实施例提供的用于验证库外目标拒判性能的仿真结果示意图,图4中的横坐标表示虚警率的取值,纵坐标表示检测率的取值。采用本实施例提出的方法与四种现有技术:基于SVDD的库外目标拒判方法、基于KPCA的库外目标拒判方法、基于卷积神经网络的深度支持向量数据的库外目标拒判方法(Deep Support Vector DataDescription based on Convolutional Neural Network,Deep SVDD-CNN)、基于长短期记忆网络的深度支持向量数据的库外目标拒判方法(Deep Support Vector DataDescription based on Long Short-Term Memory,Deep SVDD-LSTM),分别对上述仿真条件中所述的3类飞机的高分辨距离像测试样本进行拒判。在二维平面上分别绘制拒判器的接收机工作特性(Receiver Operating Characteristic,简称ROC)曲线,由此得到如图4所示的本次仿真实验的五种方法的ROC曲线图。图4中以序号5标示的表示采用KPCA方法得到的ROC曲线。以序号4标示的表示采用SVDD方法得到的ROC曲线。以序号3标示的表示采用Deep SVDD-CNN方法得到的ROC曲线。以序号2标示的表示采用Deep SVDD-LSTM方法得到的ROC曲线。以序号1标示的表示本发明方法即AaOTR得到的ROC曲线。以点(0,1)和(1,0)画直线与五条ROC曲线相交,交点的虚警率值从小到大排列依次为,AaOTR、Deep SVDD-LSTM、Deep SVDD-CNN、SVDD和KPCA,说明本发明方法的等误差率在五种模型中最低,故综合库外目标拒判性能最优。
另外,库外目标拒判工作性能曲线与横坐标轴所覆盖的面积大小为AUC指标,可以表征库外目标拒判性能,其中AUC指标的取值越大,库外目标拒判性能越好。由图4中每种方法的ROC曲线得到五种方法的AUC指标,如表1所示。
表1五种方法的库外目标拒判结果一览表
库外目标拒判模型 | AUC值/% |
KPCA | 67.18 |
SVDD | 70.29 |
Deep SVDD-CNN | 79.50 |
Deep SVDD-LSTM | 84.31 |
AaOTR | 84.64 |
由表1可见,仿真实验1的五种方法中,采用KPCA方法得到的库外目标拒判性能AUC值为67.18%;采用SVDD方法得到的库外目标拒判性能AUC值为70.29%;采用Deep SVDD-CNN方法得到的库外目标拒判性能AUC值为79.50%;采用Deep SVDD-LSTM方法得到的库外目标拒判性能AUC值为84.31%;本发明AaOTR方法得到的库外目标拒判性能AUC值为84.64%,比常见库外目标拒判模型AUC值高14.35个百分点,比最新库外目标拒判方法的AUC值高0.33个百分点。综上所述,显然本发明方法的库外目标拒判性能显著优于其他四种模型,本发明方法的库外目标拒判效率最高。
可以看出,通过仿真实验得出本发明方法的库外目标拒判性能优于现有方法。
综上所述,本实施例提出的基于自动编码器的雷达高分辨距离像库外目标拒判方法,通过类内分割模型对库内训练样本进行分割,通过给定的一小部分库内训练样本对未知类进行建模,由于建模时只使用给定的库内样本,不会产生新的伪样本,则不需要对未知样本进行强有力的假设,这对于真实世界中的目标识别场景更具有应用前景,相较于现有技术在雷达高分辨距离像存在库外目标情况下拒判性能低的问题,具备较好的库外目标拒判能力;本实施例利用特征空间中的局部结构信息,提取数据中更为丰富的特征,同时将反卷积神经网络作为解码器,通过计算原始输入和解码器输出之间的重构误差来分割数据,最后实现库外目标拒判,拥有良好的拒判性能;由于本实施例利用对抗自编码器将库内样本分割为两个子集,即典型库内样本和非典型库内样本,这样可以在训练过程中引入了交叉熵损失和一些距离约束,即使训练端到端的深层神经网络,也可以获得库外目标拒判所需的严格且封闭的决策边界,使得拒判性能提升。最终,本实施例目标拒判的正确性、有效性和可靠性均优于现有方法。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种基于自动编码器的雷达高分辨距离像库外目标拒判方法,其特征在于,包括:
获取雷达高分辨距离像库内训练样本集;
对所述雷达高分辨距离像库内训练样本集做预处理得到预处理雷达高分辨距离像库内训练样本集;
构建类内分割模型;
利用自动编码器构建类内分割模型,并对所述预处理雷达高分辨距离像库内训练样本集进行库内分割得到若干库内分割数据;
构建分类网络;
利用所述若干库内分割数据对所述分类网络进行训练得到训练好的分类网络;
将雷达高分辨距离像测试样本集输入所述训练好的分类网络得到库外目标的判别结果,其中,雷达高分辨距离像测试样本集包括雷达高分辨距离像库内测试样本集、雷达高分辨距离像库外测试样本集。
2.根据权利要求1所述的基于自动编码器的雷达高分辨距离像库外目标拒判方法,其特征在于,对所述雷达高分辨距离像库内训练样本集做预处理得到预处理雷达高分辨距离像库内训练样本集包括:
对所述雷达高分辨距离像库内训练样本集做归一化处理;
对归一化的雷达高分辨距离像库内训练样本集进行重心绝对对齐处理;
对重心绝对对齐的雷达高分辨距离像库内训练样本集进行均值归一化处理;
对均值归一化的雷达高分辨距离像库内训练样本集进行短时傅里叶变换得到所述预处理雷达高分辨距离像库内训练样本集。
3.根据权利要求1所述的基于自动编码器的雷达高分辨距离像库外目标拒判方法,其特征在于,构建的类内分割模型包括:依次连接的编码器、解码器,其中,
所述编码器包括依次连接的N个编码器层,前N-1个编码器层中每个所述编码器层包括依次连接的两个卷积层且两个卷积层分别还与一拼接层连接,第N个编码器层包括一卷积层,N为大于1的整数;
所述解码器包括依次连接的M个解码器层,前M-1个解码器层中每个所述解码器层包括依次连接的一反卷积层、卷积层,反卷积层、卷积层分别还与一拼接层连接,第M个编码器层包括一卷积层,M为大于1的整数。
4.根据权利要求3所述的基于自动编码器的雷达高分辨距离像库外目标拒判方法,其特征在于,所述编码器层之间还包括依次连接的一池化层、一批规范化层,第N个编码器层与所述编码器之间还包括一批规范化层。
5.根据权利要求3所述的基于自动编码器的雷达高分辨距离像库外目标拒判方法,其特征在于,所述解码器层之间还包括依次连接的一批规范化层。
6.根据权利要求3所述的基于自动编码器的雷达高分辨距离像库外目标拒判方法,其特征在于,构建的分类网络包括L层分类结构,L为大于2的整数,其中,
前L-2层分类结构中每一层分类结构包括依次连接的两个卷积层且两个卷积层分别还与一拼接层连接,第L-2层分类结构包括一数据一维化处理层,第L-1层分类结构、第L层分类结构分别包括一全连接层。
7.根据权利要求6所述的基于自动编码器的雷达高分辨距离像库外目标拒判方法,其特征在于,前L-1层分类结构之间还包括依次连接的一池化层、一批规范化层。
8.根据权利要求6所述的基于自动编码器的雷达高分辨距离像库外目标拒判方法,其特征在于,第L-2层分类结构、第L-1层分类结构之间还包括一激活层、重构层,第L-1层分类结构、第L层分类结构之间还包括一Dropout层,第L层分类结构的输出还包括一激活层、重构层。
9.根据权利要求3所述的基于自动编码器的雷达高分辨距离像库外目标拒判方法,其特征在于,利用所述若干库内分割数据对所述分类子网络进行训练得到训练好的分类网络包括:
分别定义典型库内样本间的损失函数、典型库内样本和非典型库内样本间的损失函数、非典型库内样本间的损失函数;
利用所述若干库内分割数据,且采用定义的典型库内样本间的损失函数、典型库内样本和非典型库内样本间的损失函数、非典型库内样本间的损失函数对所述分类子网络进行训练得到训练好的分类网络。
10.根据权利要求9所述的基于自动编码器的雷达高分辨距离像库外目标拒判方法,其特征在于,定义的典型库内样本间的损失函数表示为:
其中,B1表示典型库内样本总数目,i={1,2,...,B1},j={1,2,...,B1}表示第i个和第j个不同的典型库内样本,ztyp,i和ztyp,j≠i分别表示两个不同的典型库内样本的隐藏特征;
定义的典型库内样本和非典型库内样本间的损失函数表示为:
定义的非典型库内样本间的损失函数表示为:
其中,B3表示非典型库内样本总数目,i={1,2,...,B3},j={1,2,...,B3}分别表示第i个和第j个不同的非典型库内样本,zatyp,i和zatyp,j≠i分别表示两个不同的非典型库内样本的隐藏特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110217661.XA CN112990279B (zh) | 2021-02-26 | 2021-02-26 | 基于自动编码器的雷达高分辨距离像库外目标拒判方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110217661.XA CN112990279B (zh) | 2021-02-26 | 2021-02-26 | 基于自动编码器的雷达高分辨距离像库外目标拒判方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112990279A true CN112990279A (zh) | 2021-06-18 |
CN112990279B CN112990279B (zh) | 2021-11-30 |
Family
ID=76351092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110217661.XA Active CN112990279B (zh) | 2021-02-26 | 2021-02-26 | 基于自动编码器的雷达高分辨距离像库外目标拒判方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990279B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705490A (zh) * | 2021-08-31 | 2021-11-26 | 重庆大学 | 基于重构和预测的异常检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160282457A1 (en) * | 2013-04-25 | 2016-09-29 | U.S. Army Research Laboratory Attn: Rdrl-Loc-I | Multitone Radar with Range Determination and Method of Use |
CN109146944A (zh) * | 2018-10-30 | 2019-01-04 | 浙江科技学院 | 一种基于深度可分卷积神经网络的视觉深度估计方法 |
US20190057509A1 (en) * | 2017-08-16 | 2019-02-21 | Nvidia Corporation | Learning rigidity of dynamic scenes for three-dimensional scene flow estimation |
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 |
CN110223254A (zh) * | 2019-06-10 | 2019-09-10 | 大连民族大学 | 一种基于对抗生成网络的图像去噪方法 |
CN110310244A (zh) * | 2019-07-01 | 2019-10-08 | 东北大学 | 一种基于残差编码解码的医学图像降噪方法 |
US20190340810A1 (en) * | 2018-05-03 | 2019-11-07 | Adobe Inc. | Utilizing an object relighting neural network to generate digital images illuminated from a target lighting direction |
US20200134833A1 (en) * | 2018-10-26 | 2020-04-30 | Here Global B.V. | Deep neural network architecture for image segmentation |
CN111580062A (zh) * | 2020-05-25 | 2020-08-25 | 西安电子科技大学 | 基于双圆极化高分辨一维距离像hrrp的目标鉴别方法 |
CN111833360A (zh) * | 2020-07-14 | 2020-10-27 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、设备以及计算机可读存储介质 |
-
2021
- 2021-02-26 CN CN202110217661.XA patent/CN112990279B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160282457A1 (en) * | 2013-04-25 | 2016-09-29 | U.S. Army Research Laboratory Attn: Rdrl-Loc-I | Multitone Radar with Range Determination and Method of Use |
US20190057509A1 (en) * | 2017-08-16 | 2019-02-21 | Nvidia Corporation | Learning rigidity of dynamic scenes for three-dimensional scene flow estimation |
US20190340810A1 (en) * | 2018-05-03 | 2019-11-07 | Adobe Inc. | Utilizing an object relighting neural network to generate digital images illuminated from a target lighting direction |
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 |
US20200134833A1 (en) * | 2018-10-26 | 2020-04-30 | Here Global B.V. | Deep neural network architecture for image segmentation |
CN109146944A (zh) * | 2018-10-30 | 2019-01-04 | 浙江科技学院 | 一种基于深度可分卷积神经网络的视觉深度估计方法 |
CN110223254A (zh) * | 2019-06-10 | 2019-09-10 | 大连民族大学 | 一种基于对抗生成网络的图像去噪方法 |
CN110310244A (zh) * | 2019-07-01 | 2019-10-08 | 东北大学 | 一种基于残差编码解码的医学图像降噪方法 |
CN111580062A (zh) * | 2020-05-25 | 2020-08-25 | 西安电子科技大学 | 基于双圆极化高分辨一维距离像hrrp的目标鉴别方法 |
CN111833360A (zh) * | 2020-07-14 | 2020-10-27 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、设备以及计算机可读存储介质 |
Non-Patent Citations (5)
Title |
---|
BO FENG ET AL.: "Radar HRRP target recognition with deep networks", 《PATTERNRECOGNITION》 * |
JINWEI WAN ET AL.: "Convolutional neural networks for radar HRRP target recognition and rejection", 《EURASIP JOURNAL ON ADVANCES IN SIGNAL》 * |
MIAN PAN ET AL.: "Radar HRRP Target Recognition Model Based on a Stacked CNN-Bi-RNN With Attention Mechanism", 《 IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
MUHAMMAD ARSALAN ET AL.: "FRED-Net:Fully residual encoder-decoder network for accurate iris segmentation", 《EXPERT SYSTEMS WITH APPLICATIONS》 * |
邓盛: "基于自动编码器的高分辨雷达目标识别研究", 《中国优秀博硕士学位论文全文数据库(博士) 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705490A (zh) * | 2021-08-31 | 2021-11-26 | 重庆大学 | 基于重构和预测的异常检测方法 |
CN113705490B (zh) * | 2021-08-31 | 2023-09-12 | 重庆大学 | 基于重构和预测的异常检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112990279B (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106599797B (zh) | 一种基于局部并行神经网络的红外人脸识别方法 | |
CN111368885B (zh) | 一种航空发动机气路故障诊断方法 | |
CN110728224A (zh) | 一种基于注意力机制深度Contourlet网络的遥感图像分类方法 | |
CN113392931B (zh) | 基于自监督学习及多任务学习的高光谱开放集分类方法 | |
CN110018453A (zh) | 基于飞机航迹特征的智能机型识别方法 | |
CN113139512B (zh) | 基于残差和注意力的深度网络高光谱影像分类方法 | |
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 | |
CN112784930B (zh) | 基于cacgan的hrrp识别数据库样本扩充方法 | |
CN109840518B (zh) | 一种结合分类与域适应的视觉追踪方法 | |
CN105989336A (zh) | 基于带权重的解卷积深度网络学习的场景识别方法 | |
CN111709313A (zh) | 基于局部和通道组合特征的行人重识别方法 | |
CN111273288A (zh) | 一种基于长短期记忆网络的雷达未知目标识别方法 | |
CN115311502A (zh) | 基于多尺度双流架构的遥感图像小样本场景分类方法 | |
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 | |
CN112946600B (zh) | 基于wgan-gp的雷达hrrp数据库构建方法 | |
CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
CN109558803A (zh) | 基于卷积神经网络与np准则的sar目标鉴别方法 | |
CN116311067A (zh) | 基于高维特征图谱的目标综合识别方法、装置及设备 | |
CN116343016A (zh) | 一种基于轻量型卷积网络的多角度声呐图像目标分类方法 | |
CN114821335B (zh) | 基于深度特征与线性判别特征融合的未知目标判别方法 | |
CN116030300A (zh) | 一种用于零样本sar目标识别的渐进式域自适应识别方法 | |
CN115982621A (zh) | 一种基于时间卷积网络的旋转机械剩余使用寿命预测方法 | |
CN115393631A (zh) | 基于贝叶斯层图卷积神经网络的高光谱图像分类方法 | |
CN115272882A (zh) | 一种基于遥感影像的离散建筑物检测方法及系统 | |
CN114417938A (zh) | 一种利用知识向量嵌入的电磁目标分类方法 |
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 |