CN113159218A - 一种基于改进cnn的雷达hrrp多目标识别方法及系统 - Google Patents

一种基于改进cnn的雷达hrrp多目标识别方法及系统 Download PDF

Info

Publication number
CN113159218A
CN113159218A CN202110517434.9A CN202110517434A CN113159218A CN 113159218 A CN113159218 A CN 113159218A CN 202110517434 A CN202110517434 A CN 202110517434A CN 113159218 A CN113159218 A CN 113159218A
Authority
CN
China
Prior art keywords
training
hrrp
classifier
layer
cnn
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
CN202110517434.9A
Other languages
English (en)
Inventor
李月琴
张红莉
齐英杰
张维
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.)
Beijing Union University
Original Assignee
Beijing Union University
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 Beijing Union University filed Critical Beijing Union University
Priority to CN202110517434.9A priority Critical patent/CN113159218A/zh
Publication of CN113159218A publication Critical patent/CN113159218A/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
    • G06F18/2415—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
    • G06N3/084—Backpropagation, e.g. using gradient descent

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)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于改进CNN的雷达HRRP多目标识别方法及系统，所述方法包括训练阶段和识别阶段，所述训练阶段包括步骤：S11：构建CNN模型，并对其进行训练，保存训练好的CNN模型；S12：提取CNN模型中分类器层的前一层的输出数据作为LGBM分类器的输入，对所述LGBM分类器进行训练直至训练完成；所述识别阶段包括步骤：S21：将待识别样本输入训练好的CNN模型，提取CNN模型中分类器层的前一层的输出数据；S22：将步骤S21中的输出数据输入训练好的LGBM分类器，得到识别结果。本发明在处理多目标分类问题时具有更优的识别性能，能够使CNN模型的特征获取与分类预测功能很好地分离；在只有少量训练样本时，保持很高的识别精度；同时明显提升训练和识别速度。

Description

一种基于改进CNN的雷达HRRP多目标识别方法及系统
技术领域
本发明涉及雷达目标识别技术领域，具体涉及一种基于改进CNN的雷达HRRP多目标识别方法及系统。
背景技术
高分辨距离像(High Resolution Range Profile，HRRP)是雷达各距离单元目标散射回波的矢量和，包含丰富的目标结构、尺寸和形状信息。与合成孔径雷达(SyntheticAperture Radar，SAR)图像和逆合成孔径雷达(Inverse Synthetic Aperture Radar，ISAR)图像相比较，HRRP在获取途径和处理方式上都更加简便，这使得基于HRRP的目标识别成为雷达目标识别领域的研究热点。
目前针对HRRP信号传统的识别方法主要基于雷达数据的浅层结构特征进行识别，不可避免地造成一定的信息损失，以致最终的HRRP目标识别精度有限。与传统识别方法相比，卷积神经网络(Convolution Neural Network，CNN)等深度学习算法能自主学习更高层次的结构信息，完成不同目标的分类与识别。不同文献研究均表明，基于深度学习的HRRP目标识别准确率均高于传统识别方法。如图1所示，经典的CNN一般由输入层、卷积层、池化层、全连接层及输出层组成，在输出层之后设置有softmax分类器，以对目标进行分类识别。
雷达HRRP数据具有小样本、分布不均匀、受噪声影响大的特点，而在数据量不足或者数据质量较差时，经典CNN非线性方程的学医容易陷入局部最优状态，因此经典CNN模型在对HRRP目标进行识别时，易出现功能单一而导致识别准确率不足的问题。
发明内容
为解决以上技术问题，本发明提供了一种基于改进CNN的雷达HRRP多目标识别方法及系统。
本发明的第一方面提供一种基于改进CNN的雷达HRRP多目标识别方法，包括训练阶段和识别阶段，所述训练阶段包括步骤：
S11：构建CNN模型，并对其进行训练，保存训练好的CNN模型；
S12：提取CNN模型中分类器层的前一层的输出数据作为LGBM分类器的输入，对所述LGBM分类器进行训练直至训练完成；
所述识别阶段包括步骤：
S21：将待识别样本输入训练好的CNN模型，提取CNN模型中分类器层的前一层的输出数据；
S22：将步骤S21中的输出数据输入训练好的LGBM分类器，得到识别结果。
优选的是，所述训练阶段还包括步骤S10：对HRRP训练样本数据进行预处理并提取低层特征数据，得到原始训练样本集。
上述任一方案优选的是，步骤S10中，对HRRP训练样本数据进行预处理包括进行最大值归一化处理，即对第p个训练样本数据
Ap＝[ap1,ap2,…,apq,…,apn]
进行最大值归一化处理为：
Figure BDA0003062179530000021
其中
Figure BDA0003062179530000022
p＝1,2,…,m；q＝1,2,…,n；m为HRRP训练样本数据的个数，n为每个HRRP样本数据中的距离单元的个数。
上述任一方案优选的是，步骤S10中，从经过预处理后的HRRP训练样本中提取能够反映目标本质的多个特征，得到原始训练样本集：
D＝{(Xi,Yj)|1≤i≤m,1≤j≤C}
其中，m为训练样本的数量，C为目标类别数目，Xi为目标特征集合，表示为：Xi＝{xi1,xi2,…,xid}，d为目标特征集合的维度，Yj为目标类别标签。
上述任一方案优选的是，步骤S11中构建的所述CNN模型包含四个卷积层、二个池化层和一个全连接层，每个卷积层后引入一个BN(批归一化，Batch Normalization)层，每两个卷积层后接一个池化层，所述池化层采用最大池化(max pooling)形式。
上述任一方案优选的是，步骤S11中构建的所述CNN模型还包括softmax分类器层，所述softmax分类器层设置于所述全连接层之后。
上述任一方案优选的是，将步骤S10中提取的低层特征数据输入步骤S11中构建的CNN模型，对所述CNN模型进行训练，即，使用原始训练样本集D对步骤S11中构建的CNN模型进行训练。
上述任一方案优选的是，步骤S11中对所述CNN模型进行训练包括步骤：
S111：将步骤S10中得到的HRRP目标特征集合Xi输入CNN模型进行训练，依次经过卷积层、池化层、全连接层进行前向传播得到神经网络输出值；
S112：计算神经网络输出值与目标真实值之间的误差；
S113：若所述误差大于期望值，则将求得的误差传回神经网络中，依次计算卷积神经网络各层次的误差，并根据误差调整网络各层次的权值，然后返回执行步骤S111；若误差小于等于期望值，则保存CNN模型，继续执行步骤S12。
上述任一方案优选的是，步骤S12中，去掉CNN模型的softmax分类器层，提取softmax分类器层的前一层的神经网络输出值形成深层特征集合，并将所述深层特征集合作为LGBM分类器的输入数据对所述LGBM分类器进行训练，所述深层特征集合为表示为X′i＝{x′i1,x′i2,…,x′id′}，其中1≤i≤m,1≤d′≤γ，d′为提取的深层特征集合的维度，γ为全连接层设置的神经元的个数。
上述任一方案优选的是，步骤S12中，对所述LGBM分类器进行训练包括步骤：
S121：初始化s颗LGBM基分类决策树，给每个样本X′i赋予权重1/s；
S122：训练弱分类器hr(x′)并计算训练误差，依次对样本的权重进行调整，确定当前弱分类器hr(x′)的权重αr；
S123：更新完样本权重后进行下一次迭代，然后采用梯度下降的方式，通过向损失函数的负梯度方向移动来使得损失函数越来越小；
S124：重复步骤S122和步骤S123，直至达到最大迭代次数s，执行步骤S125；
S125：得到s个不同弱分类器的预测结构及其权重，将弱分类器合并为强分类器H(x′)＝α1h1(x′)+α2h2(x′)+…+αrhr(x′)+…+αshs(x′)，并以此作为预测模型，其中r表示第r次迭代，1≤r≤s，hr(x′)为第r次迭代产生的弱分类器。
上述任一方案优选的是，所述识别阶段还包括步骤S20：参照步骤S10中的方法对HRRP待识别样本数据进行最大值归一化预处理并提取低层特征数据，得到HRRP待识别样本的低层特征集合。
上述任一方案优选的是，步骤S21中，将HRRP待识别样本的低层特征集合输入训练好的CNN模型，提取CNN模型中softmax分类器层的前一层，即，神经网络输出层的输出数据，得到HRRP待识别样本的深层特征集合。
上述任一方案优选的是，步骤S22中，将步骤S21中得到的HRRP待识别样本的深层特征集合输入训练好的LGBM分类器H(x′)，得到待识别样本的识别结果。
本发明的第二方面提供一种基于改进CNN的雷达HRRP多目标识别系统，所述系统包括处理器、存储器以及存储在存储器中并可在所述处理器中运行的计算机程序，用于执行所述的基于改进CNN的雷达HRRP多目标识别方法。
本发明设计的改进的卷积神经网络，在调整卷积神经网络结构的基础上，引入BN算法，并且将卷积神经网络中的softmax分类器层改进为LGBM分类器，来对CNN提取的深层特征进行训练识别，本发明的技术方案具有以下有益效果：
1、在处理多目标分类问题时具有更优的识别性能，能够使CNN模型的特征获取与分类预测功能很好地分离，提高模型的识别性能和泛化能力；
2、在只有少量训练样本可用时，本申请的识别方法和系统仍然能保持很高的识别精度；
3、用训练好的卷积神经网络提取待识别目标的深层特征，送入训练好的LGBM分类器进行目标识别，大幅减少内存消耗，且在保证识别精度的同时明显提升训练和识别速度。
附图说明
图1为CNN的典型结构。
图2为按照本发明的基于改进CNN的雷达HRRP多目标识别方法的一优选实施例的技术路线示意图。
图3为按照本发明的基于改进CNN的雷达HRRP多目标识别方法的如图2所示实施例的流程示意图。
图4为按照本发明的基于改进CNN的雷达HRRP多目标识别方法的如图2所示实施例的CNN模型结构示意图。
图5为按照本发明的基于改进CNN的雷达HRRP多目标识别方法的如图2所示实施例的CNN模型训练过程示意图。
图6为LGBM分类器的按叶子生长的决策树示意图。
图7为按照本发明的基于改进CNN的雷达HRRP多目标识别方法的如图2所示实施例的LGBM分类器建模过程示意图。
图8为按照本发明的基于改进CNN的雷达HRRP多目标识别方法的如图2所示实施例的LGBM分类器训练过程示意图。
图9为按照本发明的基于改进CNN的雷达HRRP多目标识别方法的另一实施例随样本量测试时间对比图。
具体实施方式
为了更好地理解本发明，下面结合具体实施例对本发明作详细说明。
实施例1
如图2和图3所示，基于改进CNN的雷达HRRP多目标识别方法，包括训练阶段和识别阶段，所述训练阶段包括步骤：
S10：对HRRP训练样本数据进行预处理并提取低层特征数据，得到原始训练样本集；
S11：构建CNN模型，并对其进行训练，保存训练好的CNN模型；
S12：提取CNN模型中分类器层的前一层的输出数据作为LGBM分类器的输入，对所述LGBM分类器进行训练直至训练完成；
所述识别阶段包括步骤：
S20：对HRRP待识别样本数据进行最大值归一化预处理并提取低层特征数据，得到HRRP待识别样本的低层特征集合；
S21：将待识别样本输入训练好的CNN模型，提取CNN模型中分类器层的前一层的输出数据；
S22：将步骤S21中的输出数据输入训练好的LGBM分类器，得到识别结果。
步骤S10中，对HRRP训练样本数据进行预处理包括进行最大值归一化处理，即对第p个训练样本数据
Ap＝[ap1,ap2,…,apq,…,apn]
进行最大值归一化处理为：
Figure BDA0003062179530000051
其中
Figure BDA0003062179530000052
p＝1,2,…,m；q＝1,2,…,n；m为HRRP训练样本数据的个数，n为每个HRRP样本数据中的距离单元的个数。然后，从经过预处理后的HRRP训练样本中提取能够反映目标本质的多个特征，得到原始训练样本集：
D＝{(Xi,Yj)|1≤i≤m,1≤j≤C}
其中，m为训练样本的数量，C为目标类别数目，Xi为目标特征集合，表示为：Xi＝{xi1,xi2,…,xid}，d为目标特征集合的维度，Yj为目标类别标签。
如图4所示，步骤S11中构建的所述CNN模型包含四个卷积层、二个池化层和一个全连接层，每个卷积层后引入一个BN层，每两个卷积层后接一个池化层，所述池化层采用最大池化(max pooling)形式，数据经过所述全连接层之后得到神经网络输出，神经网络输出进入softmax分类器层即可得到预测结果。建立好卷积神经网络模型后，初始化网络参数。
将步骤S10中提取的低层特征数据输入步骤S11中构建的CNN模型，对所述CNN模型进行训练，即，使用原始训练样本集D对步骤S11中构建的CNN模型进行训练。
如图5所示，步骤S11中对所述CNN模型进行训练包括步骤：
S111：将步骤S10中得到的HRRP目标特征集合Xi输入CNN模型进行训练，依次经过卷积层、池化层、全连接层进行前向传播得到神经网络输出值；
S112：计算神经网络输出值与目标真实值之间的误差；
S113：若所述误差大于期望值，则将求得的误差传回神经网络中，依次计算卷积神经网络各层次的误差，并根据误差调整网络各层次的权值，然后返回执行步骤S111；若误差小于等于期望值，则保存CNN模型，继续执行步骤S12。
步骤S111中，所述卷积层主要是对输入数据进行深层特征提取，各通道的卷积核对输入数据进行卷积计算，并加入偏置项，然后通过修正线性单元(Rectified LinearUnit,ReLU)激活函数，最终得到输出特征向量。第l个卷积层的第g个输出特征图映射可以表示为：
Figure BDA0003062179530000061
其中
Figure BDA0003062179530000062
表示卷积运算，x表示特征项，I表示第l层的特征图数，l表示网络结构的层序号，
Figure BDA0003062179530000063
是第l个卷积层第g个特征图与第i个输入向量的卷积核，
Figure BDA0003062179530000064
为偏置项，f(·)表示激活函数。
卷积神经网络在处理小数据集时，往往由于网络模型复杂，数据源所提供的特征有限等因素，会导致训练过程损失函数收敛过慢问题，因此在每个卷积层之后引入批归一化(Batch Normalization，BN)层以解决该问题，它使得CNN训练过程中每一层网络输入都保持相同分布，尽量在保证归一化的同时减少计算量，保留模型的表达能力。
池化层主要进行特征选择和过滤，通过下采样处理，将一个区域内的最大值作为池化输出，可以实现数据降维，减少冗余信息从而减少计算量。
全连接层主要作用是将上一层得到的特征按顺序进行排列得到一维向量。全连接层的输出z作为softmax分类器层的输入，通过分类器层的处理后得到CNN的最终输出。在Softmax的分类过程中，将输入数据归为第t类目标的概率为：
Figure BDA0003062179530000071
其中t＝1,2,…,C，zt表示全连接层输出向量z的第t个分量，C为目标类别数目，Pt(z)代表了当前样本属于第t类目标的概率。
步骤S112中，CNN通过反向传播算法对网络进行训练，定义输出层的损失函数来描述网络预测值与目标真实值之间的误差，所述损失函数的定义为：
Figure BDA0003062179530000072
其中，θ表示神经网络所有的权值和偏置，C为目标类别数目，m为训练样本数量，xi表示输入的第i个目标HRRP数据，yi表示第i个目标的输出层标签向量，yi,t指第i个目标的输出层中第t个神经元的输出值，即yi中的一个分量，Ut(xi；θ)为网络的第t个输出。
步骤S12中，去掉CNN模型的softmax分类器层，提取softmax分类器层的前一层的神经网络输出值形成深层特征集合，并将所述深层特征集合作为LGBM分类器的输入数据对LGBM分类器进行训练，所述深层特征集合为表示为X′i＝{x′i1,x′i2,…,x′id′}，其中1≤i≤m,1≤d′≤γ，d′为提取的深层特征集合的维度，γ为全连接层设置的神经元的个数。
LGBM是一种梯度提升树算法，主要思想是利用决策树的迭代训练来不断提高学习器的性能，以得到最优模型。LGBM使用带有深度限制的按叶子生长(Leaf-wise)策略，如图6所示，图中
Figure BDA0003062179530000073
表示分裂增益最大的叶子，○代表分裂增益非最大的叶子。每次找到当前分裂增益最大的一个叶子进行分裂，如此循环。利用直方图(Histogram)优化算法，将原本连续的浮点数据离散化成k个整数，然后在k个区间中寻找最优分割点，能够大幅减少内存消耗，且在保证准确率的同时明显提升训练速度。
如图7和图8所示，对所述LGBM分类器进行训练包括步骤：
S121：初始化s颗LGBM基分类决策树，给每个样本X′i赋予权重1/s；
S122：训练弱分类器hr(x′)并计算训练误差，依次对样本的权重进行调整，确定当前弱分类器hr(x′)的权重αr；
S123：更新完样本权重后进行下一次迭代，然后采用梯度下降的方式，通过向损失函数的负梯度方向移动来使得损失函数越来越小；
S124：重复步骤S122和步骤S123，直至达到最大迭代次数s，执行步骤S125；
S125：得到s个不同弱分类器的预测结构及其权重，将弱分类器合并为强分类器H(x′)＝α1h1(x′)+α2h2(x′)+…+αrhr(x′)+…+αshs(x′)，并以此作为预测模型，其中r表示第r次迭代，1≤r≤s，hr(x′)为第r次迭代产生的弱分类器。
将所述CNN模型和LGBM分类器训练好之后，所述训练阶段完成。
步骤S20中，参照步骤S10中的方法对HRRP待识别样本数据进行最大值归一化预处理并提取低层特征数据，得到HRRP待识别样本的低层特征集合。然后步骤S21中，将HRRP待识别样本的低层特征集合输入训练好的CNN模型，提取CNN模型中softmax分类器层的前一层，即，神经网络输出层的输出数据，得到HRRP待识别样本的深层特征集合。最后步骤S22中，将步骤S21中得到的HRRP待识别样本的深层特征集合输入训练好的LGBM分类器H(x′)，得到待识别样本的识别结果。
实施例2
一种基于改进CNN的雷达HRRP多目标识别系统，所述系统包括处理器、存储器以及存储在存储器中并可在所述处理器中运行的计算机程序，用于执行所述的基于改进CNN的雷达HRRP多目标识别方法。
实施例3
为验证所述方法和系统的有效性，进行了目标识别测试。
在测试中，利用仿真数据针对三种不同的识别方法进行HRRP目标识别，三种识别方法分别为SVM、基于softmax的CNN和本申请的改进CNN。基于目标散射中心模型，对立方体、长方体、六棱柱和不规则柱体四类目标进行了回波的仿真，探测器选用线性调频连续波雷达，探测距离为60m，探测角度0～360°被平均分为72个角域，利用雷达依次采集每个角域内四类目标的1～10个雷达回波信号，将其转换为HRRP，并对每一个HRRP依次提取13个特征分量，该13个数字特征分量作为训练数据集的一个样本。同样的方法，再对每类目标另取7200个识别样本，用于检验目标识别效果。
表1是在相同的实验条件下，在4类目标上不同方法的平均正确识别率对比，可以看出，无论训练样本量多少，改进CNN方法的识别性能明显优于SVM和基于Softmax的CNN，且在样本量少时，也能保持较好的识别精度。如图9所示，与基于Softmax的CNN相比，改进CNN在提高识别率的同时，也明显提升了识别速度。
表1不同方法的识别效果对比
Figure BDA0003062179530000091
需要说明的是，以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管前述实施例对本发明进行了详细的说明，本领域的技术人员应该理解：其可以对前述实施例记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换，而这些替换，并不使相应技术方案的本质脱离本发明技术方案的范围。

Claims (10)

1.一种基于改进CNN的雷达HRRP多目标识别方法，包括训练阶段和识别阶段，其特征在于：所述训练阶段包括步骤：
S11：构建CNN模型，并对其进行训练，保存训练好的CNN模型；
S12：提取CNN模型中分类器层的前一层的输出数据作为LGBM分类器的输入，对所述LGBM分类器进行训练直至训练完成；
所述识别阶段包括步骤：
S21：将待识别样本输入训练好的CNN模型，提取CNN模型中分类器层的前一层的输出数据；
S22：将步骤S21中的输出数据输入训练好的LGBM分类器，得到识别结果。
2.如权利要求1所述的基于改进CNN的雷达HRRP多目标识别方法，其特征在于：所述训练阶段还包括步骤S10：对HRRP训练样本数据进行预处理并提取低层特征数据，得到原始训练样本集。
3.如权利要求2所述的基于改进CNN的雷达HRRP多目标识别方法，其特征在于：步骤S10中，对HRRP训练样本数据进行预处理包括进行最大值归一化处理，即对第p个训练样本数据
Ap＝[ap1,ap2,…,apq,…,apn]
进行最大值归一化处理为：
Figure FDA0003062179520000011
其中
Figure FDA0003062179520000012
p＝1,2,…,m；q＝1,2,…,n；m为HRRP训练样本数据的个数，n为每个HRRP样本数据中的距离单元的个数；从经过预处理后的HRRP训练样本中提取能够反映目标本质的多个特征，得到原始训练样本集：
D＝{(Xi,Yj)|1≤i≤m,1≤j≤C}
其中，m为训练样本的数量，C为目标类别数目，Xi为目标特征集合，表示为：Xi＝{xi1,xi2,…,xid}，d为目标特征集合的维度，Yj为目标类别标签。
4.如权利要求3所述的基于改进CNN的雷达HRRP多目标识别方法，其特征在于：步骤S11中构建的所述CNN模型包含四个卷积层、二个池化层和一个全连接层，每个卷积层后引入一个BN层，每两个卷积层后接一个池化层，所述池化层采用最大池化形式，所述CNN模型还包括softmax分类器层，所述softmax分类器层设置于所述全连接层之后。
5.如权利要求4所述的基于改进CNN的雷达HRRP多目标识别方法，其特征在于：将步骤S10中提取的低层特征数据输入步骤S11中构建的CNN模型，对所述CNN模型进行训练，即，使用原始训练样本集D对步骤S11中构建的CNN模型进行训练，对所述CNN模型进行训练包括步骤：
S111：将步骤S10中得到的HRRP目标特征集合Xi输入CNN模型进行训练，依次经过卷积层、池化层、全连接层进行前向传播得到神经网络输出值；
S112：计算神经网络输出值与目标真实值之间的误差；
S113：若所述误差大于期望值，则将求得的误差传回神经网络中，依次计算卷积神经网络各层次的误差，并根据误差调整网络各层次的权值，然后返回执行步骤S111；若误差小于等于期望值，则保存CNN模型，继续执行步骤S12。
6.如权利要求5所述的基于改进CNN的雷达HRRP多目标识别方法，其特征在于：步骤S12中，去掉CNN模型的softmax分类器层，提取softmax分类器层的前一层的神经网络输出值形成深层特征集合，并将所述深层特征集合作为LGBM分类器的输入数据对所述LGBM分类器进行训练，所述深层特征集合为表示为X′i＝{x′i1，x′i2，…，x′id′}，其中1≤i≤m，1≤d′≤γ，d′为提取的深层特征集合的维度，γ为全连接层设置的神经元的个数。
7.如权利要求6所述的基于改进CNN的雷达HRRP多目标识别方法，其特征在于：步骤S12中，对所述LGBM分类器进行训练包括步骤：
S121：初始化s颗LGBM基分类决策树，给每个样本X′i赋予权重1/s；
S122：训练弱分类器hr(x′)并计算训练误差，依次对样本的权重进行调整，确定当前弱分类器hr(x′)的权重αr；
S123：更新完样本权重后进行下一次迭代，然后采用梯度下降的方式，通过向损失函数的负梯度方向移动来使得损失函数越来越小；
S124：重复步骤S122和步骤S123，直至达到最大迭代次数s，执行步骤S125；
S125：得到s个弱分类器的预测结构及其权重，将弱分类器合并为强分类器H(x′)＝α1h1(x′)+α2h2(x′)+…+αrhr(x′)+…+αshs(x′)，并以此作为预测模型，其中r表示第r次迭代，1≤r≤s，hr(x′)为第r次迭代产生的弱分类器。
8.如权利要求7所述的基于改进CNN的雷达HRRP多目标识别方法，其特征在于：所述识别阶段还包括步骤S20：参照步骤S10中的方法对HRRP待识别样本数据进行最大值归一化预处理并提取低层特征数据，得到HRRP待识别样本的低层特征集合。
9.如权利要求8所述的基于改进CNN的雷达HRRP多目标识别方法，其特征在于：步骤S21中，将HRRP待识别样本的低层特征集合输入训练好的CNN模型，提取CNN模型中softmax分类器层的前一层，即，神经网络全连接层的输出数据，得到HRRP待识别样本的深层特征集合；步骤S22中，将步骤S21中得到的HRRP待识别样本的深层特征集合输入训练好的LGBM分类器H(x′)，得到待识别样本的识别结果。
10.一种基于改进CNN的雷达HRRP多目标识别系统，所述系统包括处理器、存储器以及存储在存储器中并可在所述处理器中运行的计算机程序，其特征在于：用于执行如权利要求1-9任一项所述的基于改进CNN的雷达HRRP多目标识别方法。
CN202110517434.9A 2021-05-12 2021-05-12 一种基于改进cnn的雷达hrrp多目标识别方法及系统 Pending CN113159218A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110517434.9A CN113159218A (zh) 2021-05-12 2021-05-12 一种基于改进cnn的雷达hrrp多目标识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110517434.9A CN113159218A (zh) 2021-05-12 2021-05-12 一种基于改进cnn的雷达hrrp多目标识别方法及系统

Publications (1)

Publication Number Publication Date
CN113159218A true CN113159218A (zh) 2021-07-23

Family

ID=76874889

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110517434.9A Pending CN113159218A (zh) 2021-05-12 2021-05-12 一种基于改进cnn的雷达hrrp多目标识别方法及系统

Country Status (1)

Country Link
CN (1) CN113159218A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113834656A (zh) * 2021-08-27 2021-12-24 西安电子科技大学 一种轴承故障诊断方法、系统、设备及终端

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110929697A (zh) * 2019-12-17 2020-03-27 中国人民解放军海军航空大学 一种基于残差结构的神经网络目标识别方法及系统
CN111160176A (zh) * 2019-12-19 2020-05-15 南京理工大学 基于融合特征的一维卷积神经网络地面雷达目标分类方法
CN111157894A (zh) * 2020-01-14 2020-05-15 许昌中科森尼瑞技术有限公司 基于卷积神经网络的电动机故障诊断方法、装置和介质
CN111711608A (zh) * 2020-05-20 2020-09-25 南方电网调峰调频发电有限公司信息通信分公司 一种电力数据网流量异常检测方法、系统及电子设备
CN112541552A (zh) * 2020-12-16 2021-03-23 中国计量大学上虞高等研究院有限公司 双通道卷积神经网络和光梯度提升机相结合的空气处理机组故障检测与诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110929697A (zh) * 2019-12-17 2020-03-27 中国人民解放军海军航空大学 一种基于残差结构的神经网络目标识别方法及系统
CN111160176A (zh) * 2019-12-19 2020-05-15 南京理工大学 基于融合特征的一维卷积神经网络地面雷达目标分类方法
CN111157894A (zh) * 2020-01-14 2020-05-15 许昌中科森尼瑞技术有限公司 基于卷积神经网络的电动机故障诊断方法、装置和介质
CN111711608A (zh) * 2020-05-20 2020-09-25 南方电网调峰调频发电有限公司信息通信分公司 一种电力数据网流量异常检测方法、系统及电子设备
CN112541552A (zh) * 2020-12-16 2021-03-23 中国计量大学上虞高等研究院有限公司 双通道卷积神经网络和光梯度提升机相结合的空气处理机组故障检测与诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
K. LIAO等: "Radar HRRP Target Recognition Based on Concatenated Deep Neural Networks", 《IEEE ACCESS》, vol. 6, pages 29211 - 29218, XP011685636, DOI: 10.1109/ACCESS.2018.2842687 *
李月琴: "基于改进CNN的HRRP目标识别方法", 《兵器装备工程学报》, vol. 43, no. 8, pages 265 - 274 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113834656A (zh) * 2021-08-27 2021-12-24 西安电子科技大学 一种轴承故障诊断方法、系统、设备及终端
CN113834656B (zh) * 2021-08-27 2024-04-30 西安电子科技大学 一种轴承故障诊断方法、系统、设备及终端

Similar Documents

Publication Publication Date Title
CN109492556B (zh) 面向小样本残差学习的合成孔径雷达目标识别方法
Ai et al. SAR target classification using the multikernel-size feature fusion-based convolutional neural network
CN112001270B (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
CN111178260B (zh) 一种基于生成对抗网络的调制信号时频图分类系统及其运行方法
CN112184752A (zh) 一种基于金字塔卷积的视频目标跟踪方法
CN111914728B (zh) 高光谱遥感影像半监督分类方法、装置及存储介质
CN110751121B (zh) 基于聚类与sofm的无监督雷达信号分选方法
CN111160176A (zh) 基于融合特征的一维卷积神经网络地面雷达目标分类方法
Binguitcha-Fare et al. Crops and weeds classification using convolutional neural networks via optimization of transfer learning parameters
CN111767860A (zh) 一种通过卷积神经网络实现图像识别的方法及终端
CN110705600A (zh) 一种基于互相关熵的多深度学习模型融合方法、终端设备及可读存储介质
Xiao et al. Specific emitter identification of radar based on one dimensional convolution neural network
CN111178439A (zh) 基于卷积神经网络及微调的sar图像分类方法
CN115597869A (zh) 基于MTF-SDAE-LightGBM的轴承故障诊断方法
Yang et al. Multiple heterogeneous P-DCNNs ensemble with stacking algorithm: A novel recognition method of space target ISAR images under the condition of small sample set
CN110647977B (zh) 一种用于星上对舰船目标检测的Tiny-YOLO网络的优化方法
CN113159218A (zh) 一种基于改进cnn的雷达hrrp多目标识别方法及系统
CN116911377A (zh) 基于迁移学习的辐射源个体识别方法、设备及介质
Zhang et al. Multi-domain clustering pruning: Exploring space and frequency similarity based on GAN
CN112381108A (zh) 一种基于图卷积神经网络深度学习的枪弹痕迹相似度识别方法和系统
CN116415144A (zh) 一种基于循环神经网络的模型压缩和加速方法
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
CN114296067A (zh) 基于lstm模型的脉冲多普勒雷达低慢小目标识别方法
Munjal et al. Convolution Neural Network based efficient Segmentation and Classification Model for Disease Classification in Plant Images
Yang et al. Optimization Algorithm of Moving Object Detection Using Multiscale Pyramid Convolutional Neural Networks

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