CN113191446B - 一种基于深度归一化网络的多旋翼无人机目标识别方法 - Google Patents

一种基于深度归一化网络的多旋翼无人机目标识别方法 Download PDF

Info

Publication number
CN113191446B
CN113191446B CN202110532915.7A CN202110532915A CN113191446B CN 113191446 B CN113191446 B CN 113191446B CN 202110532915 A CN202110532915 A CN 202110532915A CN 113191446 B CN113191446 B CN 113191446B
Authority
CN
China
Prior art keywords
normalization
layer
network
input
output
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
Application number
CN202110532915.7A
Other languages
English (en)
Other versions
CN113191446A (zh
Inventor
周代英
宋苏杭
钱凯
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110532915.7A priority Critical patent/CN113191446B/zh
Publication of CN113191446A publication Critical patent/CN113191446A/zh
Application granted granted Critical
Publication of CN113191446B publication Critical patent/CN113191446B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G01S7/415—Identification of targets based on measurements of movement associated with the target
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明属于目标识别和神经网络技术领域，具体的说是涉及一种基于深度归一化网络的多旋翼无人机目标识别方法。本发明通过对多旋翼无人机的回波数据进行预处理，作为深度归一化网络的输入，深度归一化网络由多个归一化子网络堆集而成，后面再串接一个softmax分类层，本发明中每个归一化子网络的输入是由前一个归一化子网络的输出与输入拼接而成，使学习到的网络参数同时依赖于本子网络与前置子网络的特征信息，从而更好地描述原始雷达回波数据中的特征信息，而且，通过对子网络的输入引入归一化处理，优化数据分布，使得新的分布更切合数据的真实分布，进一步保证了网络模型的非线性表达能力。

Description

一种基于深度归一化网络的多旋翼无人机目标识别方法
技术领域
本发明属于目标识别和神经网络技术领域，具体的说是涉及一种基于深度归一化网络的多旋翼无人机目标识别方法。
背景技术
随着无人机技术的快速发展，无人机在军事、民用等领域得到了广泛运用，但是也带来了非法入侵私人区域、碰撞飞机、恐怖袭击等引发的安全问题，给低空领域的管理、飞行安全等带来了极大麻烦。因此，准确识别出无人机的类型具有非常重要的应用意义。
目前，识别无人机的方法主要利用多旋翼无人机的旋转部件形成具有明显差异的微多普勒谱，然后通过常规的机器学习方法进行分类识别，但是，常规机器学习方法必须人为设定识别特征，而对于多旋翼无人机目标，其识别特征不容易通过人工方式确定。近年来，基于深度学习的识别方法在图像、语音识别等领域取得好的效果，采用深度学习模型可从多旋翼的雷达回波数据中自动学习到有利于识别的目标高阶非线性特征，因此，研究基于深度网络模型的多旋翼无人机识别方法有望进一步提高目标识别率。
发明内容
针对上述问题，本发明提出了一种基于深度归一化网络的多旋翼无人机目标识别方法，通过将归一化子网络的输出与输入进行拼接，提取的深度学习特征能够更好地描述雷达回波数据中的特征信息，同时，对子网络的输入引入归一化处理，优化数据分布，使得新的分布更切合数据的真实分布，从而进一步保证了网络模型的非线性表达能力，最终改善了对目标的识别率。
本发明的技术方案是：
一种基于深度归一化网络的多旋翼无人机目标识别方法，其特征在于，包括以下步骤：
S1、设多旋旋翼无人机的雷达回波数据序列为x＝[x1 x2…xn]，其中，n表示序列的长度，xi(i＝1,2,…n)表示第i个数据点，对数据序列x进行如下处理获得样本数据：
Figure BDA0003068580040000021
其中，||·||表示矢量的模；
S2、构建深度归一化网络模型，深度归一化网络由数据输入层、预处理层、5个归一化子网络、分类层依次连接而成，数据输入层输入多旋翼无人机的雷达回波数据序列，分类处理由softmax分类层完成，最终输出类别标签，其网络结构模型如图1所示；
每个归一化子网络由3个隐含层、归一化层、链接层依次连接组成，归一化层对第三个隐含层的输出进行正态归一化，链接层对归一化层的输出与当前归一化子网络的输入进行拼接，作为下一个归一化子网的输入，其结构如图2所示；具体数据处理方式为：
将3个隐含层分别定义为第一隐含层、第二隐含层、第三隐含层，设
Figure BDA0003068580040000022
是第一隐含层的输入，
Figure BDA0003068580040000023
是第一隐含层的输出，也是第二隐含层的输入，
Figure BDA0003068580040000024
是第二隐含层的输出，也是第三隐含层的输入，
Figure BDA0003068580040000025
是第三隐含层的输出，也是归一化层的输入，
Figure BDA0003068580040000026
是归一化层的输出，也是链接层的输入，
Figure BDA0003068580040000027
是链接层的输出，其中隐含层的激活函数为ReLU；归一化层对输入进行如下处理：
Figure BDA0003068580040000028
Figure BDA0003068580040000029
Figure BDA00030685800400000210
其中，N是所有目标的训练样本数，
Figure BDA00030685800400000211
表示归一化子网络的第i个输入训练样本，
Figure BDA00030685800400000212
是由归一化层进行规范化后的输出，α、ε、β是预设的常数；实际操作中，α、ε由实验确定，β为一个预设很小的常数；
链接层对归一化子网络的输入
Figure BDA00030685800400000213
和归一化层的输出
Figure BDA00030685800400000214
进行拼接：
Figure BDA0003068580040000031
S3、将多旋翼无人机的训练样本集作为输入，使用BP方法对整个深度学习网络的模型参数进行训练，其中，损失函数为最小均方差函数，优化方法是最速梯度下降方法，得到训练好的深度归一化网络模型；最佳的迭代次数和学习率由实验确定；
S4、将多旋翼无人机的目标样本输入到已经训练好的深度归一化网络模型中，以softmax分类层的输出矢量中最大分量对应的标签作为目标识别类别。
本发明的有益效果是：本发明的每个归一化子网络的输入是由前一个归一化子网络的输出与输入拼接而成，使学习到的网络参数同时依赖于本子网络与前置子网络的特征信息，从而更好地描述原始雷达回波数据中的特征信息，而且，通过对子网络的输入引入归一化处理，优化数据分布，使得新的分布更切合数据的真实分布，进一步保证了网络模型的非线性表达能力，最终改善了对目标的识别率。
附图说明
图1为深度归一化网络的结构框图；
图2为归一化子网络的结构框图。
具体实施方式
下面结合仿真实验说明本发明的实用性。
仿真实验设计了4种类型的无人机，包括三旋翼无人机、四旋翼无人机、六旋翼无人机、八旋翼无人机，叶片长度为0.3m，轴心到原心距离为0.8m，旋翼转速1200r/m。仿真雷达参数包括：雷达载频为24GHz；脉冲重复频率为100KHz；目标与雷达间的距离200m；无人机相对于雷达的俯仰角为10°、方位角为30°
每类目标记录10s的雷达回波信号，并将其分为固定长度0.05s的段(至少包含一个旋转周期)，段之间的重叠为50％，每段包含0.05×100000＝5000个雷达回波采样数据点，每类共400段。在400段中随机选取200段作为训练数据集，其余200段作为测试数据集，则4类目标的训练数据集总共包括800个段，测试数据集包括800个段，为了降低网络的输入节点数，对训练和测试样本首先使用PCA方法进行降维到200。对选取的训练数据集，训练本文的深度归一化网络模型，然后，利用训练好的深度网络识别测试数据集，对4类多旋翼无人机的平均正确识别率为97％。其中，归一化子网的三层隐含节点数分别为300、450和150，迭代次数为1000次，学习率为0.1，信噪比为20dB。结果表明本发明方法是有效的。

Claims (1)

1.一种基于深度归一化网络的多旋翼无人机目标识别方法，其特征在于，包括以下步骤：
S1、设多旋翼无人机的雷达回波数据序列为x＝[x1 x2 … xn]，其中，n表示序列的长度，xi(i＝1,2,…n)表示第i个数据点，对数据序列x进行如下处理获得样本数据：
Figure FDA0003068580030000011
其中，||·||表示矢量的模；
S2、构建深度归一化网络模型，深度归一化网络由数据输入层、预处理层、5个归一化子网络、分类层依次连接而成，数据输入层输入多旋翼无人机的雷达回波数据序列，分类处理由softmax分类层完成，最终输出类别标签；
每个归一化子网络由3个隐含层、归一化层、链接层依次连接组成，归一化层对第三个隐含层的输出进行正态归一化，链接层对归一化层的输出与当前归一化子网络的输入进行拼接，作为下一个归一化子网的输入；具体数据处理方式为：
将3个隐含层分别定义为第一隐含层、第二隐含层、第三隐含层，设
Figure FDA0003068580030000012
是第一隐含层的输入，
Figure FDA0003068580030000013
是第一隐含层的输出，也是第二隐含层的输入，
Figure FDA0003068580030000014
是第二隐含层的输出，也是第三隐含层的输入，
Figure FDA0003068580030000015
是第三隐含层的输出，也是归一化层的输入，
Figure FDA0003068580030000016
是归一化层的输出，也是链接层的输入，
Figure FDA0003068580030000017
是链接层的输出，其中隐含层的激活函数为ReLU；归一化层对输入进行如下处理：
Figure FDA0003068580030000018
Figure FDA0003068580030000019
Figure FDA00030685800300000110
其中，N是所有目标的训练样本数，
Figure FDA00030685800300000111
表示归一化子网络的第i个输入训练样本，
Figure FDA00030685800300000112
是由归一化层进行规范化后的输出，α、ε、β是预设的常数；
链接层对归一化子网络的输入
Figure FDA0003068580030000021
和归一化层的输出
Figure FDA0003068580030000022
进行拼接：
Figure FDA0003068580030000023
S3、将多旋翼无人机的训练样本集作为输入，使用BP方法对整个深度学习网络的模型参数进行训练，其中，损失函数为最小均方差函数，优化方法是最速梯度下降方法，得到训练好的深度归一化网络模型；
S4、将多旋翼无人机的目标样本输入到已经训练好的深度归一化网络模型中，以softmax分类层的输出矢量中最大分量对应的标签作为目标识别类别。
CN202110532915.7A 2021-05-17 2021-05-17 一种基于深度归一化网络的多旋翼无人机目标识别方法 Active CN113191446B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110532915.7A CN113191446B (zh) 2021-05-17 2021-05-17 一种基于深度归一化网络的多旋翼无人机目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110532915.7A CN113191446B (zh) 2021-05-17 2021-05-17 一种基于深度归一化网络的多旋翼无人机目标识别方法

Publications (2)

Publication Number Publication Date
CN113191446A CN113191446A (zh) 2021-07-30
CN113191446B true CN113191446B (zh) 2022-04-08

Family

ID=76982068

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110532915.7A Active CN113191446B (zh) 2021-05-17 2021-05-17 一种基于深度归一化网络的多旋翼无人机目标识别方法

Country Status (1)

Country Link
CN (1) CN113191446B (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331707A (zh) * 2014-11-02 2015-02-04 西安电子科技大学 基于深度pca网络和svm的极化sar图像分类方法
CN104408481B (zh) * 2014-12-05 2017-07-28 西安电子科技大学 基于深度小波神经网络的极化sar图像分类方法
CN106599808B (zh) * 2016-12-01 2020-12-15 中国科学院光电研究院 一种基于全波形激光雷达数据的隐蔽目标提取方法
CN108734171A (zh) * 2017-04-14 2018-11-02 国家海洋环境监测中心 一种深度协同稀疏编码网络的合成孔径雷达遥感图像海洋浮筏识别方法
CN108229404B (zh) * 2018-01-09 2022-03-08 东南大学 一种基于深度学习的雷达回波信号目标识别方法
CN108921283A (zh) * 2018-06-13 2018-11-30 深圳市商汤科技有限公司 深度神经网络的归一化方法和装置、设备、存储介质
CN109214416A (zh) * 2018-07-23 2019-01-15 华南理工大学 一种基于深度学习的多维信息融合变压器故障诊断方法

Also Published As

Publication number Publication date
CN113191446A (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
CN110082738B (zh) 基于高斯混合和张量循环神经网络的雷达目标识别方法
CN113569465B (zh) 一种基于深度学习的航迹矢量和目标类型联合估计系统及估计方法
CN113191185A (zh) 一种利用Dense2Net的雷达探测无人机目标分类方法
CN112036239A (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
CN113191446B (zh) 一种基于深度归一化网络的多旋翼无人机目标识别方法
CN117153016A (zh) 一种虚实结合的无人机探测及反制的模拟训练系统及方法
Han et al. Short-term 4D trajectory prediction based on LSTM neural network
CN112946600B (zh) 基于wgan-gp的雷达hrrp数据库构建方法
CN111796247B (zh) 一种基于微多普勒效应的群组无人机回波仿真方法
CN111832358A (zh) 一种点云语义解析方法和装置
CN114021458A (zh) 基于并行原型网络的小样本雷达辐射源信号识别方法
CN117440404A (zh) 数据与知识双驱动的频谱地图智能精确构建方法
CN113269203A (zh) 一种用于多旋翼无人机识别的子空间特征提取方法
CN115902804A (zh) 一种无人机集群类型识别方法和系统
Point et al. Modelling the radar signature of rotorcraft
CN113325380B (zh) 基于蒙德里安森林的空中微动目标分类在线建库方法
Inani et al. Machine Learning based framework for Drone Detection and Identification using RF signals
RU2742394C1 (ru) Способ построения интеллектуальной системы определения областей маршрутов полета беспилотного летательного аппарата в моделирующих комплексах
CN115980687A (zh) 一种基于深度卷积与归一化的无人机目标识别方法
Chen et al. Application and existing problems of computer network technology in the field of artificial intelligence
Liu et al. Recognition and classification of rotorcraft by micro-Doppler signatures using deep learning
CN116451120A (zh) 一种基于模糊局部保留投影的无人机目标特征提取方法
CN113344033B (zh) 一种旋翼无人机与飞鸟目标分类中的判别特征提取方法
CN115856821A (zh) 一种基于深度链接卷积网络的雷达真假目标识别方法
CN113591895B (zh) 一种用于多旋翼无人机识别的二维主分量特征提取方法

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