CN113239959A - 基于解耦表征变分自编码机的雷达hrrp目标识别方法 - Google Patents

基于解耦表征变分自编码机的雷达hrrp目标识别方法 Download PDF

Info

Publication number
CN113239959A
CN113239959A CN202110380613.2A CN202110380613A CN113239959A CN 113239959 A CN113239959 A CN 113239959A CN 202110380613 A CN202110380613 A CN 202110380613A CN 113239959 A CN113239959 A CN 113239959A
Authority
CN
China
Prior art keywords
characterization
decoder
radar
representing
decoupling
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
Application number
CN202110380613.2A
Other languages
English (en)
Other versions
CN113239959B (zh
Inventor
陈渤
张晏合
徐铭晟
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.)
Xidian University
Original Assignee
Xidian 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 Xidian University filed Critical Xidian University
Priority to CN202110380613.2A priority Critical patent/CN113239959B/zh
Publication of CN113239959A publication Critical patent/CN113239959A/zh
Application granted granted Critical
Publication of CN113239959B publication Critical patent/CN113239959B/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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Remote Sensing (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于雷达技术领域，公开了一种基于解耦表征变分自编码机的雷达HRRP目标识别方法，包括步骤：获取待训练雷达HRRP数据和待识别雷达HRRP数据，并进行预处理；构建编码器和解码器，共同组成解耦表征变分自编码机；对所述解耦表征变分自编码机进行训练；将预处理后的样本依次输入训练好的解码器中，提取各类特性表征a和各类特性表征b；训练支持向量机SVM；使用训练好的支持向量机分类器对各类特性表征b进行分类，完成目标识别。本发明通过对雷达高分辨距离像的类间共性表征和各类特性表征分别建模，实现了雷达高分辨距离项数据的高可分性表征提取，能够提高目标的识别准确率。

Description

基于解耦表征变分自编码机的雷达HRRP目标识别方法
技术领域
本发明属于雷达技术领域，特别涉及雷达目标识别领域中的一种基于解耦表征变分自编码机的雷达高分辨距离像HRRP(High-Resolution Range Profile)目标识别方法。本发明通过对雷达高分辨距离像的类间共性表征和各类特性表征分开建模，实现了雷达高分辨距离项的数据可分性更高的特性表征提取，适用于对高分辨距离像数据进行目标识别，可用于环境检测和航迹跟踪。
背景技术
雷达的距离分辨率正比于匹配滤波后的接收脉冲宽度，且雷达发射信号的距离单元长度满足：
Figure BDA0003012807450000011
ΔR为雷达发射信号的距离单元长度，c为光速，τ为匹配接收的脉冲宽度，B为雷达发射信号的带宽。雷达距离分辨率的高低是相对于观测目标而言的，当所观测目标沿雷达视线方向的尺寸为L时，如果L＜＜ΔR，则对应的雷达回波信号宽度与雷达发射脉冲宽度近似相同，通常称为“点”目标回波，这类雷达为低分辨雷达；如果L＞＞ΔR，则目标回波成为按目标特性在距离上延伸的“一维距离像”，这类雷达为高分辨雷达，其中，＜＜表示远远小于，＞＞表示远远大于。
高分辨雷达工作频率相对于一般目标位于高频区，发射宽带相干信号，雷达通过对目标发射电磁波，接收到回波数据。通常回波特性采用简化的散射点模型计算得到，即采用忽略多次散射的波恩(Bom)一级近似。
高分辨雷达回波中呈现出的起伏和尖峰，反映着在一定雷达视角时目标上散射体，如机头、机翼、机尾方向舵、发动机等的雷达散射截面积(RCS)沿雷达视线(RLOS)的分布情况，体现了散射点在径向的相对几何关系，常称为高分辨距离像HRRP。因此，该HRRP的样本包含目标在时域的一维姿态特征以及散射点分布等重要结构信息目标重要的结构特征，对目标识别与分类很有价值。
目前，已经发展出许多针对高分辨距离像HRRP数据的目标识别方法，包括有统计识别方法，核方法，基于字典学习、深度学习等方法，但这些方法往往在数据表征建模的过程中，只关注了HRRP数据各类之间的特性表征，而忽视了不同类别之间的联系，导致用于目标识别的数据特征可分性不高，使得目标识别的准确率不高。
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解耦表征变分自编码机的雷达HRRP目标识别方法，通过对雷达高分辨距离像的类间共性表征和各类特性表征分别建模，实现了雷达高分辨距离项数据的高可分性表征提取，能够提高目标的识别准确率。
为了达到上述目的，本发明采用以下技术方案予以实现。
(一)基于解耦表征变分自编码机的雷达HRRP目标识别方法，包括以下步骤：
步骤1，获取待训练雷达HRRP数据和待识别雷达HRRP数据，所述待训练雷达HRRP数据包括N个待训练距离像及每个距离像对应的类别标签；所述待识别雷达HRRP数据包括M个待识别距离像；对所述N个待训练距离像和M个待识别距离像分别进行预处理，得到N个预处理后的待训练样本和预处理后的待识别样本；
其中，N、M分别为正整数；每个距离像对应一个样本；待识别雷达HRRP数据中的目标类别包含于待训练雷达HRRP数据中的目标类别；
步骤2，构建由两个神经网络组成的编码器和解码器，所述编码器和解码器共同组成解耦表征变分自编码机；
步骤3，利用预处理后的训练集样本对所述解耦表征变分自编码机进行训练，学习编码器和解码器的参数，得到训练好的编码器和解码器；
步骤4，将预处理后的训练集样本和预处理后的待识别样本依次输入到训练好的解码器中，分别提取出训练样本对应的各类特性表征a和待识别样本对应的各类特性表征b；
步骤5，将训练样本对应的各类特性表征a输入支持向量机SVM中，对支持向量机SVM进行训练，得到训练好的支持向量机分类器；使用训练好的支持向量机分类器对待识别样本对应的各类特性表征b进行分类，得到待识别样本的分类类别，完成目标识别。
(二)一种解耦表征变分自编码机，包括依次连接的编码器和解码器，所述编码器包含两个卷积神经网络，其中一个卷积神经网络用语求取类间共性表征的近似后验分布统计量，另一个卷积神经网络用于求取各类特性表征的近似后验分布统计量；所述解码器由依次连接的全连接部分和反卷积部分组成；所述全连接部分包含依次连接的由多个隐单元为64的多层全连接层组成；所述反卷积部分由多个多层反卷积神经网络组成，其中，第一层反卷积层输出的特征图维度为32，第二层反卷积层输出的特征维度为1。
进一步地，每个卷积神经网络由依次连接的多个卷积模块及其后的多个并列的全连接模块组成，每个卷积模块包含依次连接的卷积层、最大池化层和批量归一化层；，每个全连接模块由多个依次连接的全连接层组成。
与现有技术相比，本发明的有益效果为：
(1)鲁棒性强：本发明方法由于采用概率建模，将数据的噪声考虑在了模型的分布函数中，可以有效地提升模型的鲁棒性。
(2)目标识别率高：传统针对高分辨距离像HRRP数据的目标识别方法一般只是用传统分类器直接对原始数据进行分类得到识别结果，没有提取数据的高维特征，用于目标识别的数据特征可分性不高，导致识别率不高；而本发明使用的解耦表征变分自编码机通过对原始数据分别进行类间共性表征和各类特性表征建模，实现可分性更高的特性表征提取，因此能够显著提高识别率。
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是本发明实施例提供的一种基于解耦表征变分自编码机的雷达目标识别方法的实现流程示意图。
图2是本发明实施例提供的一种基于解耦表征变分自编码机的网络结构图。
图3为本发明实施例的仿真实验中使用的原始高分辨率距离像的雷达实测数据的示意图，其中，(a)是奖状飞机在地面上的投影图，(b)是安-26飞机在地面上的投影图，(c)是雅克-42飞机在地面上的投影图。
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。
实施例1
参考图1，本发明提供的一种基于解耦表征变分自编码机的雷达HRRP目标识别方法，包括以下步骤：
步骤1，获取待训练雷达HRRP数据和待识别雷达HRRP数据，所述待训练雷达HRRP数据包括N个待训练距离像及每个距离像对应的类别标签，N为正整数；所述待识别雷达HRRP数据包括M个待识别距离像；对所述N个待训练距离像和M个待识别距离像分别进行预处理，得到N个预处理后的训练样本和待识别样本；其中，每个距离像对应一个样本；
本实施例从待训练雷达HRRP数据中随机选取一部分数据作为测试样本集，采用测试样本集验证本发明的有效性，即待识别雷达HRRP数据为测试样本集；对每个样本分别进行预处理，所有训练样本构成训练样本集，所有测试样本构成测试样本集。
所述预处理的具体步骤：
步骤1.1，计算每个训练样本的重心Wn：
Figure BDA0003012807450000051
其中，sn＝[sn1，sn2，...，sni，...，snD]T，sni表示第n个距离像sn在第i个距离单元内所有散射点回波向量，|·|表示取模运算；n＝1，2，…N，i＝1，2，…，D，D表示距离单元总数；Wn表示第n个训练样本的重心；
步骤1.2，将每个训练样本的中心平移至其重心处，得到N个平移后的训练样本，即为N个预处理后的训练样本。
其中，第n个平移后的样本为xn，xn＝[xn1，xn2，…，xni，，xnD]，xni表示第n个平移后的样本在第i个距离单元内的值，
Figure BDA0003012807450000061
FFT表示傅里叶变换，IFFT表示逆傅里叶变换，
Figure BDA0003012807450000062
表示第n个距离像sn的中心，φ[Wn]表示第n个距离像sn的重心所对应的相位，φ[Cn]表示第n个距离像sn中心所对应的相位，a表示中心Cn所在距离单元与重心Wn所在距离单元之间的距离。
若是待识别样本，则同样的进行预处理，得到预处理后的待识别样本。
步骤2，构建分别由两个神经网络组成的编码器和解码器，所述编码器和解码器共同组成解耦表征变分自编码机；
(2a)构建如图2所示的解耦表征自编码机的编码器，该编码器由两部分组成，该两部分分别对应求取类间共性表征、各类特性表征的近似后验分布统计量。每部分均由2个卷积层，2个池化层，2个批量归一化层和2个3层全连接层组成。卷积层的特征图维度为32，卷积核大小为9，stride步长为1，padding参数为0，池化层采用最大池化法。对应每部分的全连接层的隐层输出维度分别为500，250，60；
(2b)构建如图2所示的解耦表征自编码机的解码器，该解码器由全连接部分和反卷积部分两部分组成。全连接部分由2个隐单元为64的2个全连接层组成。反卷积部分由2个2层反卷积神经网络组成，第一层反卷积层输出的特征图维度为32，stride步长参数为2，padding参数为1，卷积核大小为4，第二层反卷积层参数输出特征维度为1，其余与第一层反卷积参数一致。
步骤3，利用预处理后的训练样本对所述解耦表征变分自编码机进行训练，学习编码器和解码器的参数，得到训练好的编码器和解码器；
(3a)针对每个训练样本对(x(i)，y(i))，首先将训练样本x(i)及其相应的标签y(i)输入到解耦表征变分自编码机的编码器中，得到其对应的类间共性表征zg (i)对应近似后验分布的统计量
Figure BDA0003012807450000071
和各类特性表征zd (i)对应近似后验分布的充分统计量
Figure BDA0003012807450000072
和
Figure BDA0003012807450000073
其中，y(i)表示样本x(i)对应的类别标签；
Figure BDA0003012807450000074
表示类间共性表征近似后验分布qφ(zg (i)|x(i))的均值，
Figure BDA0003012807450000075
表示类间共性表征近似后验分布qφ(zg (i)|x(i))的方差，
Figure BDA0003012807450000076
表示各类特性表征近似后验分布qφ(zd (i)|x(i))的均值，
Figure BDA0003012807450000077
表示各类特性表征近似后验分布qφ(zd (i)|x(i))的方差，φ表示解码器中的网络参数。
(3b)所述编码器对类间共性表征近似后验分布qφ(zg (i)|x(i))和各类特性表征近似后验分布qφ(zd (i)|x(i))分别进行高斯建模，输出该两个分布对应的充分统计量分别为：
Figure BDA0003012807450000078
Figure BDA0003012807450000079
(3c)所述解码器采用类似变分自编码机的方式将类间共性表征先验分布设置为标准高斯分布，其先验分布如下所示：
Figure BDA00030128074500000710
对各类特性表征采用特定类的可学习建模，先验分布为：
pθ(zd (i)|y(i))～N(W×y(i)，I)
其中，I表示单位矩阵；θ表示解码器的网络参数，y(i)∈RC表示样本类别，C代表样本类别总数。W∈Rk×C表示一个可学习参数矩阵，k表示类间共性表征zd (i)的维度。
通过这种方式，解码器将类别信息融合到了表征的先验分布中，并且模型中不同类别对应的表征将不再共享同一种先验分布。
解码器中关于类间共性表征zg (i)与各类特性表征zd (i)的条件分布采用高斯建模，该分布对应的充分统计量为：
pθ(x(i)|zg (i)，zd (i))～N(μx(zg (i)，zd (i))，σx(zg (i)，zd (i)))
其中，μx(zg (i)，zd (i))表示pθ(x(i)|zg (i)，zd (i))的均值，σx(zg (i)，zd (i))表示pθ(x(i)|zg (i)，zd (i))的方差，都由解码器的神经网络实现，输入分别为类间共性表征zg (i)与各类特性表征zd (i)。
(3d)采用重参法引入满足标准高斯分布的变量ε来获得对应表征z的随机性，通过该变量构建满足特定均值方差的隐表征。通过引入变量ε，类间共性表征的计算过程为：
Figure BDA0003012807450000081
各类特性表征的计算过程为：
Figure BDA0003012807450000082
(3e)计算x(i)所对应的条件对数似然ln pθ(x(i)，y(i))的变分下界：
Figure BDA0003012807450000083
其中，模型优化的目标函数如下所示：
Figure BDA0003012807450000084
式中，φ表示编码器的网络参数，θ表示解码器的网络参数，pθ表示基于解码器输出确定的条件分布概率，
Figure BDA0003012807450000085
表示变分下界函数符号。
实际上，目标函数由三部分组成，第一部分
Figure BDA0003012807450000091
表示重构误差，E表示数学期望，该项反映了最终解耦表征变分自编码机中解码器样本的生成点的似然函数；第二部分DKL(qφ(zd (i)|x(i))||pθ(zd (i)|y(i)))为分类间共性表征误差，该项表示了模型拟合的类间共性表征的后验分布与其对应的先验分布的KL散度距离；第三部分DKL(qφ(zg (i)|x(i))||pθ(zg (i))为各类特性表征误差，该项表示了模型拟合的各性特性表征的后验分布与其对应的先验分布的KL散度距离。
(3f)根据步骤(3e)计算对应训练样本的损失函数，并利用批量随机梯度下降优化方法最大化目标函数，将解耦表征变分自编码机的编码器的参数φ和解码器的参数θ迭代进行迭代更新，直至损失函数连续指定次数都收敛，得到训练好的编码器和解码器。
步骤4，将预处理后的训练样本和预处理后的待识别样本依次输入到训练好的编码器中，分别提取出每个训练样本对应的各类特性表征a和待识别样本对应的各类特性表征b；
步骤5，将训练样本对应的各类特性表征a输入支持向量机SVM中，对支持向量机SVM进行训练，得到训练好的支持向量机分类器；使用训练好的支持向量机分类器对预处理后的待识别样本对应的各类特性表征b进行分类，得到待识别样本的预测类别，完成目标识别。
将训练样本集对应的各类特性表征a以及标签输入支持向量机SVM中，迭代训练100次，得到训练好的支持向量机分类器，使用训练好的支持向量机分类器对测试集对应的各类特性表征b进行识别分类，输出测试样本的分类类别。本发明根据测试样本的分类类别及类别标识，判断测试样本是否被正确识别，进而能够测试本发明方法的识别准确率。
实施例2
一种解耦表征变分自编码机，分别由两个神经网络组成的编码器和解码器，所述编码器和解码器共同组成解耦表征变分自编码机；
构建如图2所示的解耦表征自编码机的编码器，该编码器由两部分组成，该两部分分别对应求取类间共性表征、各类特性表征的近似后验分布统计量。每部分均由2个卷积层，2个池化层，2个批量归一化层和2个3层全连接层组成。卷积层的特征图维度为32，卷积核大小为9，stride步长为1，padding参数为0，池化层采用最大池化法。对应每部分的全连接层的隐层输出维度分别为500，250，60；
构建如图2所示的解耦表征自编码机的解码器，该解码器由全连接部分和反卷积部分两部分组成。全连接部分由2个隐单元为64的2个全连接层组成。反卷积部分由2个2层反卷积神经网络组成，第一层反卷积层输出的特征图维度为32，stride步长参数为2，padding参数为1，卷积核大小为4，第二层反卷积层参数输出特征维度为1，其余与第一层反卷积参数一致。
该解耦表征变分自编码机的训练过程为：
(a)针对每个训练样本对(x(i)，y(i))，首先将训练样本x(i)及其相应的标签y(i)输入到解耦表征变分自编码机的编码器中，得到其对应的类间共性表征zg (i)对应近似后验分布的统计量
Figure BDA0003012807450000101
和各类特性表征zd (i)对应近似后验分布的充分统计量
Figure BDA0003012807450000102
和
Figure BDA0003012807450000103
其中，y(i)表示样本x(i)对应的类别标签；
Figure BDA0003012807450000104
表示类间共性表征近似后验分布qφ(zg (i)|x(i))的均值，
Figure BDA0003012807450000105
表示类间共性表征近似后验分布qφ(zg (i)|x(i))的方差，
Figure BDA0003012807450000106
表示各类特性表征近似后验分布qφ(zd (i)|x(i))的均值，
Figure BDA0003012807450000107
表示各类特性表征近似后验分布qφ(zd (i)|x(i))的方差，φ表示解码器中的网络参数。
(b)所述编码器对类间共性表征近似后验分布qφ(zg (i)|x(i))和各类特性表征近似后验分布qφ(zd (i)|x(i))分别进行高斯建模，输出该两个分布对应的充分统计量分别为：
Figure BDA0003012807450000111
Figure BDA0003012807450000112
(c)所述解码器采用类似变分自编码机的方式将类间共性表征先验分布设置为标准高斯分布，其先验分布如下所示：
pθ(zg (i)|y(i))～N(0，I)
对各类特性表征采用特定类的可学习建模，先验分布为：
pθ(zd (i)|y(i))～N(W×y(i)，I)
其中，I表示单位矩阵；θ表示解码器的网络参数，y(i)∈RC表示样本类别，C代表样本类别总数。W∈Rk×C表示一个可学习参数矩阵，k表示类间共性表征zd (i)的维度。
通过这种方式，解码器将类别信息融合到了表征的先验分布中，并且模型中不同类别对应的表征将不再共享同一种先验分布。
解码器中关于类间共性表征zg (i)与各类特性表征zd (i)的条件分布采用高斯建模，该分布对应的充分统计量为：
pθ(x(i)|zg (i)，zd (i))～N(μx(zg (i)，zd (i))，σx(zg (i)，zd (i)))
其中，μx(zg (i)，zd (i))表示pθ(x(i)|zg (i)，zd (i))的均值，σx(zg (i)，zd (i))表示pθ(x(i)|zg (i)，zd (i))的方差，都由解码器的神经网络实现，输入分别为类间共性表征zg (i)与各类特性表征zd (i)。
(d)采用重参法引入满足标准高斯分布的变量ε来获得对应表征z的随机性，通过该变量构建满足特定均值方差的隐表征。通过引入变量ε，类间共性表征的计算过程为：
Figure BDA0003012807450000121
各类特性表征的计算过程为：
Figure BDA0003012807450000122
(e)计算x(i)所对应的条件对数似然ln pθ(x(i)，y(i))的变分下界：
Figure BDA0003012807450000123
其中，模型优化的目标函数如下所示：
Figure BDA0003012807450000124
式中，φ表示编码器的网络参数，θ表示解码器的网络参数，pθ表示基于解码器输出确定的条件分布概率，
Figure BDA0003012807450000125
表示变分下界函数符号。
实际上，目标函数由三部分组成，第一部分
Figure BDA0003012807450000126
表示重构误差，E表示数学期望，该项反映了最终解耦表征变分自编码机中解码器样本的生成点的似然函数；第二部分DKL(qφ(zd (i)|x(i))||pθ(zd (i)|y(i)))为分类间共性表征误差，该项表示了模型拟合的类间共性表征的后验分布与其对应的先验分布的KL散度距离；第三部分DKL(qφ(zg (i)|x(i))||pθ(zg (i)))为各类特性表征误差，该项表示了模型拟合的各性特性表征的后验分布与其对应的先验分布的KL散度距离。
(f)根据步骤(e)计算对应训练样本的损失函数，并利用批量随机梯度下降优化方法最大化目标函数，将解耦表征变分自编码机的编码器的参数φ和解码器的参数θ迭代进行迭代更新，直至损失函数连续指定次数都收敛，得到训练好的编码器和解码器。
基于本发明实施例提供的方法和模型，通过对雷达高分辨距离像的类间共性表征和各类特性表征分别建模，能够有效提取HRRP数据中的高可分性特征，进而提高了原始雷达高距离像的识别率。
仿真实验
以下通过仿真实验验证本发明的有效性，仿真参数如表所示：
(一)仿真数据
获取原始高分辨率距离像的雷达实测数据如图3所示，其中，图3(a)是奖状飞机在地面上的投影图，图3(b)是安-26飞机在地面上的投影图，图3(c)是雅克-42飞机在地面上的投影。具体参数如表1所示：
表1仿真参数
Figure BDA0003012807450000131
(二)仿真内容
1、选择雅克-42飞机的第2、5段，奖状飞机的第6，7段以及安-26的第5，6段获取的雷达高分辨距离像作为训练样本集，训练样本集基本上包含所有方位角的数据，保证训练数据的完备性；其余段的成像数据作为测试样本集，训练样本集与测试样本集选择不同的飞行段，用于验证模型的普适性。
2、为训练样本集和测试样本集中的所有高分辨距离成像数据分别加上相应的类别标签；训练样本集中包含140000个训练样本，测试样本集中包含5200个测试样本，其中训练样本中含有第1类高分辨成像数据52000个，第2类高分辨成像数据52000个，第3类高分辨成像数据36000个，测试样本中含有第1类高分辨成像数据2000个，第2类高分辨成像数据2000个，第3类高分辨成像数据1200个，其中第一类、第二类、第三类分别对应雅克-42、奖状、安-26飞机。
3、仿真实验的软件环境：操作系统为Windows 10版本，处理器为Intel(R)Core(TM)i5-9300H，处理器的主频率为2.40GHz；软件平台为：python 3.7MatlabR2016b、pytorch 1.4。
4、仿真使用的方法：本发明和现有方法，其中现有的方法包括以下9种：
基于最大相关分类器的目标识别方法(MCC)，基于自适应高斯分类器的目标识别方法(AGC)，基于线性支持向量机的目标识别方法(LSVM)，基于线性判别分析结合支持向量机的目标识别方法(LDA)，基于主成分分析结合支持向量机的目标识别方法(PCA)，基于深度置信网络的目标识别方法(DBN)，基于栈式降噪自编码器的目标识别方法(SDAE)，基于栈式相关自编码器结合支持向量机的目标识别方法(SCAE)，基于时域卷积神经网络的目标识别方法(TCNN)
(三)实验内容与结果：
实验1：采用本发明和上述九种现有技术分别对仿真条件中所述的3类飞机的高分辨距离像HRRP测试样本进行目标识别，分别计算每种方法中目标识别结果的类别与其样本类别相一致的测试样本个数与测试样本总数的比值，得到每种方法的目标识别准确率，结果如表2所示，并在表3中列出了本发明方法的混淆矩阵。
表2十种方法的目标识别准确率一览表
Figure BDA0003012807450000151
由表2可见，在仿真实验1的十种方法中，本发明方法的识别准确率最高，为95.26％，显然本发明方法的目标识别性能显著优于其他九种方法。
表3本发明方法的混淆矩阵
Figure BDA0003012807450000161
表3中列出了本发明方法的混淆矩阵，从结果中可以看出本发明方法正确区分不同类别目标的能力比较强。仿真实验验证了本发明的正确性，有效性和可靠性。
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 (7)

1.基于解耦表征变分自编码机的雷达HRRP目标识别方法，其特征在于，包括以下步骤：
步骤1，获取待训练雷达HRRP数据和待识别雷达HRRP数据，所述待训练雷达HRRP数据包括N个待训练距离像及每个距离像对应的类别标签，；所述待识别雷达HRRP数据包括M个待识别距离像；对所述N个待训练距离像和M个待识别距离像分别进行预处理，得到N个预处理后的待训练样本和预处理后的待识别样本；
其中，N、M分别为正整数；每个距离像对应一个样本；待识别雷达HRRP数据中的目标类别包含于待训练雷达HRRP数据中的目标类别；
步骤2，构建分别由两个神经网络组成的编码器和解码器，所述编码器和解码器共同组成解耦表征变分自编码机；
步骤3，利用预处理后的训练集样本对所述解耦表征变分自编码机进行训练，学习编码器和解码器的参数，得到训练好的编码器和解码器；
步骤4，将预处理后的训练集样本和预处理后的待识别样本依次输入到训练好的解码器中，分别提取出训练样本对应的各类特性表征a和待识别样本对应的各类特性表征b；
步骤5，将训练样本对应的各类特性表征a输入支持向量机SVM中，对支持向量机SVM进行训练，得到训练好的支持向量机分类器；使用训练好的支持向量机分类器对待识别样本对应的各类特性表征b进行分类，得到待识别样本的分类类别，完成目标识别。
2.根据权利要求1所述的基于解耦表征变分自编码机的雷达HRRP目标识别方法，其特征在于，所述预处理的具体步骤：
步骤1.1，计算每个样本的重心Wn：
Figure FDA0003012807440000021
其中，sn＝[sn1，sn2，...，sni，...，snD]T，sni表示第n个距离像sn在第i个距离单元内所有散射点回波向量，|·|表示取模运算；n＝1，2，…N，i＝1，2，…，D，D表示距离单元总数；Wn表示第n个训练样本的重心；
步骤1.2，将每个样本的中心平移至其重心处，得到平移后的样本xn，即为预处理后的样本；
其中，xn为第n个平移后的样本，xn＝[xn1，xn2，…，xni，…，xnD]，xni表示第n个平移后的样本在第i个距离单元内的值，
Figure FDA0003012807440000022
FFT表示傅里叶变换，IFFT表示逆傅里叶变换，
Figure FDA0003012807440000023
表示第n个距离像sn的中心，φ[Wn]表示第n个距离像sn的重心所对应的相位，φ[Cn]表示第n个距离像sn中心所对应的相位，a表示中心Cn所在距离单元与重心Wn所在距离单元之间的距离。
3.根据权利要求1所述的基于解耦表征变分自编码机的雷达HRRP目标识别方法，其特征在于，所述编码器包含两个卷积神经网络，其中一个卷积神经网络用于求取类间共性表征的近似后验分布统计量，另一个卷积神经网络用于求取各类特性表征的近似后验分布统计量；每个卷积神经网络由依次连接的多个卷积模块及其后的多个并列的全连接模块组成，每个卷积模块包含依次连接的卷积层、最大池化层和批量归一化层；，每个全连接模块由多个依次连接的全连接层组成。
4.根据权利要求3所述的基于解耦表征变分自编码机的雷达HRRP目标识别方法，其特征在于，所述解码器由依次连接的全连接部分和反卷积部分组成；所述全连接部分包含依次连接的由多个隐单元为64的多层全连接层组成；所述反卷积部分由多个多层反卷积神经网络组成，其中，第一层反卷积层输出的特征图维度为32，第二层反卷积层输出的特征维度为1。
5.根据权利要求1所述的基于解耦表征变分自编码机的雷达HRRP目标识别方法，其特征在于，所述利用预处理后的训练集样本对所述解耦表征变分自编码机进行训练，学习编码器和解码器的参数，具体步骤为：
(3a)针对每个训练样本对(x(i)，y(i))，首先将训练样本x(i)及其相应的标签y(i)输入到解耦表征变分自编码机的编码器中，得到其对应的类间共性表征zg (i)对应近似后验分布的统计量
Figure FDA0003012807440000031
和各类特性表征zd (i)对应近似后验分布的充分统计量
Figure FDA0003012807440000032
和
Figure FDA0003012807440000033
其中，y(i)表示样本x(i)对应的类别标签；
Figure FDA0003012807440000034
表示类间共性表征近似后验分布qφ(zg (i)|x(i))的均值，
Figure FDA0003012807440000035
表示类间共性表征近似后验分布qφ(zg (i)|x(i))的方差，
Figure FDA0003012807440000036
表示各类特性表征近似后验分布qφ(zd (i)|x(i))的均值，
Figure FDA0003012807440000037
表示各类特性表征近似后验分布qφ(zd (i)|x(i))的方差，φ表示解码器中的网络参数；
(3b)所述编码器对类间共性表征近似后验分布qφ(zg (i)|x(i))和各类特性表征近似后验分布qφ(zd (i)|x(i))分别进行高斯建模，输出该两个分布对应的充分统计量分别为：
Figure FDA0003012807440000038
Figure FDA0003012807440000039
(3c)所述解码器采用类似变分自编码机的方式将类间共性表征先验分布设置为标准高斯分布，其先验分布如下所示：
pθ(zg (i)|y(i))～N(0，I)
对各类特性表征采用特定类的可学习建模，先验分布为：
pθ(zd (i)|y(i))～N(W×y(i)，I)
其中，I表示单位矩阵；θ表示解码器的网络参数，y(i)∈RC表示样本类别，C代表样本类别总数。W∈Rk×C表示一个可学习参数矩阵，k表示类间共性表征zd (i)的维度；
解码器中关于类间共性表征zg (i)与各类特性表征zd (i)的条件分布采用高斯建模，该分布对应的充分统计量为：
pθ(x(i)|zg (i)，zd (i))～N(μx(zg (i)，zd (i))，σx(zg (i)，zd (i)))
其中，μx(zg (i)，zd (i))表示pθ(x(i)|zg (i)，zd (i))的均值，σx(zg (i)，zd (i))表示pθ(x(i)|zg (i)，zd (i))的方差，都由解码器的神经网络实现，输入分别为类间共性表征zg (i)与各类特性表征zd (i)；
(3d)采用重参法引入满足标准高斯分布的变量ε来获得对应表征z的随机性，通过引入变量ε，类间共性表征的计算过程为：
Figure FDA0003012807440000041
各类特性表征的计算过程为：
Figure FDA0003012807440000042
(3e)计算x(i)所对应的条件对数似然lnpθ(x(i)，y(i))的变分下界：
Figure FDA0003012807440000043
其中，模型优化的目标函数如下所示：
Figure FDA0003012807440000051
式中，φ表示编码器的网络参数，θ表示解码器的网络参数，pθ表示基于解码器输出确定的条件分布概率，
Figure FDA0003012807440000052
表示变分下界函数符号；
Figure FDA0003012807440000053
表示重构误差，反映最终解耦表征变分自编码机中解码器样本的生成点的似然函数；E表示数学期望；DKL(qφ(zd (i)|x(i))||pθ(zd (i)|y(i)))为分类间共性表征误差，该项表示模型拟合的类间共性表征的后验分布与其对应的先验分布的KL散度距离；DKL(qφ(zg (i)|x(i))||pθ(zg (i)))为各类特性表征误差，该项表示模型拟合的各性特性表征的后验分布与其对应的先验分布的KL散度距离；
(3f)根据步骤(3e)计算对应训练样本的损失函数，并利用批量随机梯度下降优化方法最大化目标函数，将解耦表征变分自编码机的编码器的参数φ和解码器的参数θ进行迭代更新，直至损失函数连续指定次数都收敛，得到训练好的编码器和解码器。
6.一种解耦表征变分自编码机，其特征在于，包括依次连接的编码器和解码器，所述编码器包含两个卷积神经网络，其中一个卷积神经网络用语求取类间共性表征的近似后验分布统计量，另一个卷积神经网络用于求取各类特性表征的近似后验分布统计量；所述解码器由依次连接的全连接部分和反卷积部分组成；所述全连接部分包含依次连接的由多个隐单元为64的多层全连接层组成；所述反卷积部分由多个多层反卷积神经网络组成，其中，第一层反卷积层输出的特征图维度为32，第二层反卷积层输出的特征维度为1。
7.根据权利要求6所述的解耦表征变分自编码机，其特征在于，每个卷积神经网络由依次连接的多个卷积模块及其后的多个并列的全连接模块组成，每个卷积模块包含依次连接的卷积层、最大池化层和批量归一化层；每个全连接模块由多个依次连接的全连接层组成。
CN202110380613.2A 2021-04-09 2021-04-09 基于解耦表征变分自编码机的雷达hrrp目标识别方法 Active CN113239959B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110380613.2A CN113239959B (zh) 2021-04-09 2021-04-09 基于解耦表征变分自编码机的雷达hrrp目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110380613.2A CN113239959B (zh) 2021-04-09 2021-04-09 基于解耦表征变分自编码机的雷达hrrp目标识别方法

Publications (2)

Publication Number Publication Date
CN113239959A true CN113239959A (zh) 2021-08-10
CN113239959B CN113239959B (zh) 2024-02-20

Family

ID=77131228

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110380613.2A Active CN113239959B (zh) 2021-04-09 2021-04-09 基于解耦表征变分自编码机的雷达hrrp目标识别方法

Country Status (1)

Country Link
CN (1) CN113239959B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113836311A (zh) * 2021-08-12 2021-12-24 中国科学技术大学 解耦的试题表征及应用方法
CN114298183A (zh) * 2021-12-20 2022-04-08 江西洪都航空工业集团有限责任公司 飞行动作智能识别方法
CN116840835A (zh) * 2022-05-05 2023-10-03 南方科技大学 一种基于毫米波雷达的跌倒检测方法、系统及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140035775A1 (en) * 2012-08-01 2014-02-06 GM Global Technology Operations LLC Fusion of obstacle detection using radar and camera
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
CN110109110A (zh) * 2019-04-26 2019-08-09 西安电子科技大学 基于先验最优变分自编码机的hrrp目标识别方法
CN112001270A (zh) * 2020-08-03 2020-11-27 南京理工大学 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
AU2020104006A4 (en) * 2020-12-10 2021-02-18 Naval Aviation University Radar target recognition method based on feature pyramid lightweight convolutional neural network

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140035775A1 (en) * 2012-08-01 2014-02-06 GM Global Technology Operations LLC Fusion of obstacle detection using radar and camera
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
CN110109110A (zh) * 2019-04-26 2019-08-09 西安电子科技大学 基于先验最优变分自编码机的hrrp目标识别方法
CN112001270A (zh) * 2020-08-03 2020-11-27 南京理工大学 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
AU2020104006A4 (en) * 2020-12-10 2021-02-18 Naval Aviation University Radar target recognition method based on feature pyramid lightweight convolutional neural network

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王航;张广宇;李艳;: "基于协同编码分类器的SAR目标识别方法", 中国电子科学研究院学报, no. 03 *
翟颖;陈渤;: "基于稳健变分自编码模型的雷达高分辨距离像目标识别算法", 电子学报, no. 06 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113836311A (zh) * 2021-08-12 2021-12-24 中国科学技术大学 解耦的试题表征及应用方法
CN114298183A (zh) * 2021-12-20 2022-04-08 江西洪都航空工业集团有限责任公司 飞行动作智能识别方法
CN114298183B (zh) * 2021-12-20 2024-04-05 江西洪都航空工业集团有限责任公司 飞行动作智能识别方法
CN116840835A (zh) * 2022-05-05 2023-10-03 南方科技大学 一种基于毫米波雷达的跌倒检测方法、系统及设备
CN116840835B (zh) * 2022-05-05 2024-05-10 南方科技大学 一种基于毫米波雷达的跌倒检测方法、系统及设备

Also Published As

Publication number Publication date
CN113239959B (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
CN113239959B (zh) 基于解耦表征变分自编码机的雷达hrrp目标识别方法
CN107728142B (zh) 基于二维卷积网络的雷达高分辨距离像目标识别方法
CN109376574B (zh) 基于cnn的可拒判雷达hrrp目标识别方法
Pei et al. SAR automatic target recognition based on multiview deep learning framework
CN107728143B (zh) 基于一维卷积神经网络的雷达高分辨距离像目标识别方法
CN109766835B (zh) 基于多参数优化生成对抗网络的sar目标识别方法
CN110109110B (zh) 基于先验最优变分自编码机的hrrp目标识别方法
Wan et al. Recognizing the HRRP by combining CNN and BiRNN with attention mechanism
CN112882009B (zh) 基于幅度相位双通道网络的雷达微多普勒目标识别方法
CN112784930B (zh) 基于cacgan的hrrp识别数据库样本扩充方法
CN109932717B (zh) 基于环境统计建模的isar高分辨成像方法
CN111458688B (zh) 一种基于三维卷积网络的雷达高分辨距离像目标识别方法
CN115034257B (zh) 一种基于特征融合的跨模态信息目标识别方法及装置
Lee et al. Target identification using bistatic high‐resolution range profiles
CN113486917B (zh) 一种基于度量学习的雷达hrrp小样本目标识别方法
CN114943889A (zh) 一种基于小样本增量学习的sar图像目标识别方法
CN112835008B (zh) 基于姿态自适应卷积网络的高分辨距离像目标识别方法
CN112946600A (zh) 基于wgan-gp的雷达hrrp数据库构建方法
Wang et al. SAR image synthesis based on conditional generative adversarial networks
CN109766899B (zh) 物理特征提取和svm的sar图像车辆目标识别方法
CN114428235B (zh) 基于决策级融合的空间微动目标识别方法
CN105373809B (zh) 基于非负最小二乘稀疏表示的sar目标识别方法
CN109946667B (zh) 基于卷积神经网络的识别变体飞机高分辨距离像方法
Lu et al. A SAR target recognition method based on decision fusion of multiple features and classifiers
Kaufman et al. Score-based SAR ATR performance model with operating condition dependencies

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Chen Bo

Inventor after: Zhang Yanhe

Inventor after: Xu Mingcheng

Inventor after: Wang Penghui

Inventor after: Rectify Bo

Inventor after: Liu Hongwei

Inventor before: Chen Bo

Inventor before: Zhang Yanhe

Inventor before: Xu Mingcheng

GR01 Patent grant
GR01 Patent grant