CN116466312A - 一种基于对抗性元迁移学习的跨域hrrp小样本目标识别方法 - Google Patents
一种基于对抗性元迁移学习的跨域hrrp小样本目标识别方法 Download PDFInfo
- Publication number
- CN116466312A CN116466312A CN202310225850.0A CN202310225850A CN116466312A CN 116466312 A CN116466312 A CN 116466312A CN 202310225850 A CN202310225850 A CN 202310225850A CN 116466312 A CN116466312 A CN 116466312A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural network
- convolutional neural
- convolution
- domain
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013508 migration Methods 0.000 title claims abstract description 15
- 230000005012 migration Effects 0.000 title claims abstract description 15
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 104
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000013526 transfer learning Methods 0.000 claims abstract description 6
- 238000011176 pooling Methods 0.000 claims description 54
- 230000004913 activation Effects 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 22
- 238000012512 characterization method Methods 0.000 claims description 21
- 210000002569 neuron Anatomy 0.000 claims description 13
- 230000003213 activating effect Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction 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
- 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
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于对抗性元迁移学习的跨域HRRP小样本目标识别方法,包括以下步骤:获取源域数据集和目标域微调数据集;分别构建第一卷积神经网络、虚拟元任务生成网络和第二卷积神经网络;对第一卷积神经网络进行训练;将训练后的第一卷积神经网络的卷积层的参数迁移到第二卷积神经网络上;对识别卷积神经网络进行训练;将待识别的每个目标域回波信号输入到训练后的识别卷积神经网络中,输出识别结果。本发明采用一种对抗性元迁移学习的思想,通过生成对网络更具挑战的虚拟元任务,将源域大样本数据集上学习到的知识有效迁移到目标域中,利用少量的目标域微调数据集对模型进行实时更新,提高了跨域小样本场景下目标识别的准确率。
Description
技术领域
本发明属于雷达技术领域,具体涉及一种基于对抗性元迁移学习的跨域HRRP小样本目标识别方法。
背景技术
雷达目标识别是指利用目标的雷达回波信号实现对目标类型的判定。相对于传统的目标探测任务,目标识别任务需要测量更多深层次的目标细节特征,将占用更多的时间、频谱等雷达资源。雷达高分辨距离像(HRRP)包含目标几何尺寸等丰富的结构信息,对于目标识别任务很有价值。现阶段,基于雷达HRRP开展的识别方法研究是实现雷达目标识别的重要方式之一。现有的雷达HRRP目标识别方法大多基于完备数据集假设,在分类器训练阶段要求有足够数量的训练样本支撑,从而实现对目标本质特征的提取并获得较强的泛化能力。
在实际场景中,由于雷达探测的目标、环境极其复杂,且受到雷达系统性能的限制导致通常难以获取足够多的目标HRRP样本,因此往往无法构建复杂且完备的数据集。在小样本场景下,分类器将过多关注库内的有限训练样本,极易出现过拟合现象,导致识别方法性能下降甚至失效,与小样本目标识别问题严重失配。针对此问题,研究人员通常采用迁移学习、元学习等基于知识迁移思想的小样本学习算法,将已有的大样本数据集作为源域数据集开展预训练,利用从源域学习到的领域知识降低在目标域小样本数据集上开展识别任务的难度。
上述知识迁移方法的适用条件是源域与目标域具备相似的数据分布空间,但在HRRP识别领域,由于探测环境复杂、非合作目标种类繁杂,源域与目标域的类别空间与数据分布空间一般存在较大差异。现有HRRP小样本识别方法大多忽略了这种域间分布差异,因此在跨域小样本场景下现有方法的识别性能不稳定。
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对抗性元迁移学习的跨域HRRP小样本目标识别方法。本发明要解决的技术问题通过以下技术方案实现:
一种基于对抗性元迁移学习的跨域HRRP小样本目标识别方法,包括以下步骤:
步骤一,获取源域数据集和目标域微调数据集;其中,所述源域数据集包括N个类别目标的雷达HRRP回波信号,N≥5;所述目标域微调数据集包括M个类别目标的雷达HRRP回波信号,3≤M<N,N个类别和M个类别不同;
步骤二,分别构建第一卷积神经网络、虚拟元任务生成网络和第二卷积神经网络;
所述虚拟元任务生成网络包括:随机尺度卷积层、全连接层和Softmax层,随机尺度卷积层的卷积核个数为1,随机尺度卷积核大小为1*H,卷积核移动步长为1,全连接层的神经元个数为Q,Q=M;
其中,H∈Set={3,5,7,9,11,13},在每次调用所述虚拟元任务生成网络时,从尺度集Set中均匀抽取H的取值并设置随机尺度卷积核的大小;
步骤三,基于源域数据集和所述虚拟元任务生成网络对所述第一卷积神经网络进行训练,得到训练后的第一卷积神经网络;
步骤四,将所述训练后的第一卷积神经网络的卷积层的参数迁移到所述第二卷积神经网络上,得到识别卷积神经网络;
步骤五,基于目标域微调数据集对所述识别卷积神经网络进行训练,得到训练后的识别卷积神经网络;
步骤六,将待识别的每个目标域回波信号输入到训练后的识别卷积神经网络中,输出识别结果。
在本发明的一个实施例中,所述从尺度集Set中均匀抽取H的取值并设置随机尺度卷积核大小,包括:
根据概率分布P进行一次采样,得到选中的元素序号id,则随机尺度卷积核大小H=Set{id};
其中,Z表示尺度集Set中的元素总数,id表示尺度集Set中元素的序号,1≤id≤Z,Set{id}表示尺度集Set中的第id个元素。
在本发明的一个实施例中,所述第一卷积神经网络和所述第二卷积神经网络的结构相同,均包括依次设置的输入层、第一卷积层、第一池化层、第一激活层、第二卷积层、第二池化层、第二激活层、第三卷积层、第三池化层、第三激活层、第一全连接层、第二全连接层和Softmax层。
在本发明的一个实施例中,所述第一卷积神经网络的第一卷积层、第二卷积层和第三卷积层的卷积核个数分别为8、16和32,卷积核大小均为1×3,卷积核移动步长均设置为1;
所述第一卷积神经网络的第一池化层、第二池化层和第三池化层的池化策略均采用最大池化方法,池化核大小均为1×2,池化核移动步长均为2;
所述第一卷积神经网络的第一激活层、第二激活层和第三激活层均采用ReLu激活函数;
所述第一卷积神经网络的第一全连接层和第二全连接层的神经元个数分别为256和P,其中,P=M;
所述第一卷积神经网络的Softmax层采用Softmax函数用于计算输入样本被识别为每一类的概率。
在本发明的一个实施例中,所述第二卷积神经网络的第一卷积层、第二卷积层和第三卷积层的卷积核个数分别为8、16和32,卷积核大小均为1×3,卷积核移动步长均设置为1;
所述第二卷积神经网络的第一池化层、第二池化层和第三池化层的池化策略均采用最大池化方法,池化核大小均为1×2,池化核移动步长均为2;
所述第二卷积神经网络的第一激活层、第二激活层和第三激活层均采用ReLu激活函数;
所述第二卷积神经网络的第一全连接层和第二全连接层的神经元个数分别为128和R,其中,R=M;
所述第二卷积神经网络的Softmax层采用Softmax函数用于计算输入样本被识别为每一类的概率。
在本发明的一个实施例中,所述步骤三包括以下步骤:
随机从所述源域数据集中抽取S类、每类取2*L个回波信号组成一个元任务,将元任务按样本数等分为两组,每组包含S类、每类包含L个回波信号,将其中一组作为元任务的支撑集,另一组作为元任务的查询集。
从源域数据集中抽取T次回波信号得到T组支撑集与T组查询集,所述T组支撑集与所述T组查询集组成T组元任务,其中,1≤T<5。
将所述T组支撑集依次输入所述虚拟元任务生成网络中,通过随机尺度卷积层后生成T组数据表征向量X,并将所述T组数据表征向量X作为T组虚拟支撑集进行保存;
将T组数据表征向量X通过所述虚拟元任务生成网络的全连接层与Softmax层后生成相应的预测标签,并利用交叉熵损失函数计算数据表征向量X的预测标签及其真实标签的损失值;
根据所述数据表征向量X的预测标签及其真实标签的损失值更新所述第一卷积神经网络的参数使得数据表征向量X的预测标签及其真实标签的损失值最大化,并得到更新后的第一卷积神经网络,其中,所述数据表征向量X的数据维度与原始回波信号数据的维度相同;
将所述T组虚拟支撑集与所述T组查询集组合为T组虚拟元任务;
将所述T组元任务与所述T组虚拟元任务输入所述更新后的第一卷积神经网络中,通过所述元任务的支撑集和所述虚拟支撑集对第一卷积神经网络进行训练,根据所述查询集得到其预测标签与真实标签的损失值,利用反向传播算法,迭代更新网络参数;
判断第一卷积神经网络在查询集上的损失值是否收敛;
若是,则得到训练后的第一卷积神经网络。
在本发明的一个实施例中,所述步骤四的具体步骤为:
将训练后的第一卷积神经网络的第一卷积层、第二卷积层和第三卷积层的权重参数分别赋值给第二卷积神经网络的第一卷积层、第二卷积层和第三卷积层的权重参数;
固定第二卷积神经网络中第一卷积层、第二卷积层和第三卷积层的权重参数保持不变,得到识别卷积神经网络。
在本发明的一个实施例中,所述步骤五包括以下步骤:
随机选择所述目标域微调数据集中的W个回波信号输入到所述识别卷积神经网络中,由所述识别卷积神经网络的Softmax层输出每个回波信号的预测标签,利用交叉熵损失函数,计算当前输入到识别卷积神经网络中的每个回波信号的预测标签与真实类别标签间的损失值,其中,W≥8。
利用反向传播算法迭代更新识别卷积神经网络的第一全连接层和第二全连接层的权重参数;
判断当前迭代的交叉熵损失函数是否收敛,若是,得到训练后的识别卷积神经网络。
在本发明的一个实施例中,所述步骤六的具体步骤为:
将待识别的每个目标域回波信号输入到训练后的识别卷积神经网络中,通过识别卷积神经网络的Softmax层计算出待识别目标被划分为各类的概率,选择最高概率对应的类别作为识别结果输出。
本发明的有益效果:
本发明通过虚拟元任务生成网络自适应地生成对模型更具挑战性的虚拟元任务,促使模型学习到更宽泛的数据分布表征,缩减了源域与目标域之间的数据分布差异性,降低了实际工程中对源域数据与目标域数据之间较高相似性的要求。相比现有技术,在跨域小样本场景下,本发明方法具备较好的推广性、稳定性、可实施性。
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为本发明实施例提供的一种基于对抗性元迁移学习的跨域HRRP小样本目标识别方法的流程图。
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
如图1所示,一种基于对抗性元迁移学习的跨域HRRP小样本目标识别方法,包括以下步骤:
步骤一,获取源域数据集和目标域微调数据集;其中,源域数据集包括N个类别目标的雷达HRRP回波信号,N≥5;目标域微调数据集包括M个类别目标的雷达HRRP回波信号,3≤M<N,N个类别和M个类别不同;
步骤二,分别构建第一卷积神经网络、虚拟元任务生成网络和第二卷积神经网络;
虚拟元任务生成网络包括:随机尺度卷积层、全连接层和Softmax层,随机尺度卷积层的卷积核个数为1,随机尺度卷积核大小为1*H,卷积核移动步长为1,全连接层的神经元个数为Q,Q=M;其中,H∈Set={3,5,7,9,11,13},在每次调用虚拟元任务生成网络时,从尺度集Set中均匀抽取H的取值并设置随机尺度卷积核大小;
步骤三,基于源域数据集和虚拟元任务生成网络对第一卷积神经网络进行训练,得到训练后的第一卷积神经网络;
步骤四,将训练后的第一卷积神经网络的卷积层的参数迁移到第二卷积神经网络上,得到识别卷积神经网络;
步骤五,基于目标域微调数据集对识别卷积神经网络进行训练,得到训练后的识别卷积神经网络;
步骤六,将待识别的每个目标域回波信号输入到训练后的识别卷积神经网络中,输出识别结果。
相比传统的全类别、批次样本学习,本实施例对源域的雷达回波信号从数据类别、样本子集两个角度开展了双层采样的任务抽取,增强了类别空间与数据空间映射的多样性,降低了模型的过拟合风险。本实施例通过构建虚拟元任务,扩大了源域的数据分布范围,一定程度上缩减了源域与目标域之间的数据分布差异,降低了实际工程中对源域数据与目标域数据之间较高相似性的要求。
实施例二
一种基于对抗性元迁移学习的跨域HRRP小样本目标识别方法,包括以下步骤:
步骤10,生成源域数据集:
提取包含N个类别目标的雷达HRRP回波信号作为源域数据集,每个类别至少包含800个雷达回波信号,其中,N≥5。
步骤20,生成目标域微调数据集:
提取包含M个类别目标的雷达HRRP回波信号作为目标域微调数据集,每个类别至少包含30个雷达回波信号,其中,3≤M<N,目标域数据集与源域数据集不具有相同类别目标。
步骤30,构建第一卷积神经网络:
搭建第一卷积神经网络,其结构包括依次设置的输入层、第一卷积层、第一池化层、第一激活层、第二卷积层、第二池化层、第二激活层、第三卷积层、第三池化层、第三激活层、第一全连接层、第二全连接层和Softmax层。
各层参数设置如下:
第一卷积神经网络的第一卷积层、第二卷积层和第三卷积层的卷积核个数分别为8、16和32,卷积核大小均为1×3,卷积核移动步长均设置为1;
第一卷积神经网络的第一池化层、第二池化层和第三池化层的池化策略均采用最大池化方法,池化核大小均为1×2,池化核移动步长均为2;
第一卷积神经网络的第一激活层、第二激活层和第三激活层均采用ReLu激活函数;
第一卷积神经网络的第一全连接层和第二全连接层的神经元个数分别为256和P,其中,第二全连接层的神经元个数P与目标域类别总数M相等,也即是P=M;
第一卷积神经网络的Softmax层采用Softmax函数用于计算输入样本被识别为每一类的概率。
步骤40,构建虚拟元任务生成网络:
搭建虚拟元任务生成网络,其结构包括:随机尺度卷积层、全连接层和Softmax层。
设置各层参数如下:将随机尺度卷积层的卷积核个数设置为1,随机尺度卷积核大小设置为1*H,卷积核移动步长设置为1;将全连接层的神经元个数设置为Q,全连接层的神经元个数Q与目标域类别总数M相等;Softmax层采用Softmax激活函数用于计算输入回波信号被分类为每一类的概率。
其中,H∈Set={3,5,7,9,11,13},在每次调用虚拟元任务生成网络时,从尺度集Set中均匀抽取H的取值并设置随机尺度卷积核的大小;
从尺度集Set中均匀抽取H的取值并设置卷积核大小的具体操作如下:
按照下式的概率分布P进行一次采样,得到选中的元素序号id,则此时随机尺度卷积核大小H=Set{id}。
其中,Z表示尺度集Set中的元素总数,id表示尺度集Set中元素的序号,1≤id≤Z,Set{id}表示尺度集Set中的第id个元素。
步骤50,构建第二卷积神经网络:第二卷积神经网络的结构和第一卷积神经网络的结构相同,参数不同。
搭建第二卷积神经网络,其结构包括依次设置的输入层、第一卷积层、第一池化层、第一激活层、第二卷积层、第二池化层、第二激活层、第三卷积层、第三池化层、第三激活层、第一全连接层、第二全连接层和Softmax层。
第二卷积神经网络的第一卷积层、第二卷积层和第三卷积层的卷积核个数分别为8、16和32,卷积核大小均为1×3,卷积核移动步长均设置为1;
第二卷积神经网络的第一池化层、第二池化层和第三池化层的池化策略均采用最大池化方法,池化核大小均为1×2,池化核移动步长均为2;
第二卷积神经网络的第一激活层、第二激活层和第三激活层均采用ReLu激活函数;
第二卷积神经网络的第一全连接层和第二全连接层的神经元个数分别为128和R,其中,第二全连接层的神经元个数R与目标域类别总数M相等,也即是R=M;
第二卷积神经网络的Softmax层采用Softmax函数用于计算输入样本被识别为每一类的概率。
步骤60,基于源域数据集和虚拟元任务生成网络对第一卷积神经网络进行训练,得到训练后的第一卷积神经网络,步骤60的具体步骤包括:
步骤61:随机从源域数据集中抽取S类、每类取2*L个回波信号组成一个元任务,将元任务按样本数等分为两组,每组包含S类、每类包含L个回波信号,将其中一组作为元任务的支撑集,另一组作为元任务的查询集。
步骤62:重复步骤61抽取T次,获得T组支撑集与T组查询集,T组支撑集与T组查询集组成T组元任务,其中,1≤T<5。
步骤63:将T组支撑集依次输入虚拟元任务生成网络中,通过随机尺度卷积层后生成新的数据表征向量X,并将T组数据表征向量X作为T组虚拟支撑集进行保存;
步骤64:将T组数据表征向量X通过全连接层与Softmax层后生成相应的预测标签,利用交叉熵损失函数计算数据表征向量X的预测标签及其真实标签的损失值,并更新第一卷积神经网络的参数使得数据表征向量X的预测标签及其真实标签的损失值最大化,其中X的数据维度与原始回波信号数据维度相同;
步骤65:将T组虚拟支撑集与T组查询集组合为T组虚拟元任务;
步骤66:将步骤62中得到的T组元任务与步骤65中得到的T组虚拟元任务输入更新后的第一卷积神经网络中,通过元任务的支撑集与虚拟元任务的虚拟支撑集开展训练,由查询集得到其预测标签与真实标签的损失值,利用反向传播算法,迭代更新网络参数。
步骤67:判断第一卷积神经网络在查询集上的损失值是否收敛,若是,得到训练后的第一卷积神经网络后执行步骤70,否则,继续执行步骤62。
步骤70,将训练后的第一卷积神经网络的卷积层的参数迁移到第二卷积神经网络上,得到识别卷积神经网络。
具体地,将训练后的第一卷积神经网络的第一卷积层、第二卷积层和第三卷积层的权重参数赋值给第二卷积神经网络的第一卷积层、第二卷积层和第三卷积层的权重参数。
固定第二卷积神经网络中第一卷积层、第二卷积层和第三卷积层的权重参数保持不变,得到识别卷积神经网络。
步骤80,基于目标域微调数据集对识别卷积神经网络进行训练,得到训练后的识别卷积神经网络,步骤80的具体步骤包括:
步骤81:随机抽取目标域微调数据集中的W个回波信号输入到识别卷积神经网络中,由识别卷积神经网络的Softmax层输出每个回波信号的预测标签,利用交叉熵损失函数,计算当前输入到识别卷积神经网络中的每个回波信号的预测标签与真实类别标签间的损失值,其中,W≥8。
步骤82:利用反向传播算法迭代更新步骤81中第一全连接层至第二全连接层的权重参数。
步骤83:判断当前迭代的交叉熵损失函数是否收敛,若是,得到训练后的识别卷积神经网络,后执行步骤90,否则,继续执行步骤81。
步骤90,将待识别的每个目标域回波信号输入到训练后的识别卷积神经网络中,通过Softmax层计算出待识别目标被划分为各类的概率,并选择最高概率对应的类别作为识别结果。
本发明采用元学习的思想开展模型预训练工作,相比传统的全类别、批次样本学习,本发明对源域的雷达回波信号从数据类别、样本两个角度开展了双层采样的任务抽取,增强了类别空间与数据空间映射的多样性,降低了模型的过拟合风险,能够生成更具潜力、泛化性能更好的预训练模型,因此本发明方法具备更好的稳定性。
本发明引入了虚拟元任务,通过虚拟元任务生成网络对抗性地生成对模型更具挑战的虚拟元任务,扩大了训练阶段任务的数据分布范围,从而缩减了源域与目标域之间的数据分布差异性,降低了实际工程中对源域数据与目标域数据之间较高相似性的要求,因此本发明方法具备更好的推广性。
本发明的实施过程中虚拟元任务由网络根据相应的源任务分布自适应地生成,方法的实施效果并不依赖于某个关键的参数权重,省去了预训练参数寻优过程,因此本发明方法具备更好的可实施性。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外,本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
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 (9)
1.一种基于对抗性元迁移学习的跨域HRRP小样本目标识别方法,其特征在于,包括以下步骤:
步骤一,获取源域数据集和目标域微调数据集;其中,所述源域数据集包括N个类别目标的雷达HRRP回波信号,N≥5;所述目标域微调数据集包括M个类别目标的雷达HRRP回波信号,3≤M<N,N个类别和M个类别不同;
步骤二,分别构建第一卷积神经网络、虚拟元任务生成网络和第二卷积神经网络;
所述虚拟元任务生成网络包括:随机尺度卷积层、全连接层和Softmax层,随机尺度卷积层的卷积核个数为1,随机尺度卷积核大小为1*H,卷积核移动步长为1,全连接层的神经元个数为Q,Q=M;
其中,H∈Set={3,5,7,9,11,13},在每次调用所述虚拟元任务生成网络时,从尺度集Set中均匀抽取H的取值并设置随机尺度卷积核的大小;
步骤三,基于源域数据集和所述虚拟元任务生成网络对所述第一卷积神经网络进行训练,得到训练后的第一卷积神经网络;
步骤四,将所述训练后的第一卷积神经网络的卷积层的参数迁移到所述第二卷积神经网络上,得到识别卷积神经网络;
步骤五,基于目标域微调数据集对所述识别卷积神经网络进行训练,得到训练后的识别卷积神经网络;
步骤六,将待识别的每个目标域回波信号输入到训练后的识别卷积神经网络中,输出识别结果。
2.根据权利要求1所述的一种基于对抗性元迁移学习的跨域HRRP小样本目标识别方法,其特征在于,所述从尺度集Set中均匀抽取H的取值并设置随机尺度卷积核大小,包括:
根据概率分布P进行一次采样,得到选中的元素序号id,则随机尺度卷积核大小H=Set{id};
其中,Z表示尺度集Set中的元素总数,id表示尺度集Set中元素的序号,1≤id≤Z,Set{id}表示尺度集Set中的第id个元素。
3.根据权利要求1所述的一种基于对抗性元迁移学习的跨域HRRP小样本目标识别方法,其特征在于,所述第一卷积神经网络和所述第二卷积神经网络的结构相同,均包括依次设置的输入层、第一卷积层、第一池化层、第一激活层、第二卷积层、第二池化层、第二激活层、第三卷积层、第三池化层、第三激活层、第一全连接层、第二全连接层和Softmax层。
4.根据权利要求1所述的一种基于对抗性元迁移学习的跨域HRRP小样本目标识别方法,其特征在于,所述第一卷积神经网络的第一卷积层、第二卷积层和第三卷积层的卷积核个数分别为8、16和32,卷积核大小均为1×3,卷积核移动步长均设置为1;
所述第一卷积神经网络的第一池化层、第二池化层和第三池化层的池化策略均采用最大池化方法,池化核大小均为1×2,池化核移动步长均为2;
所述第一卷积神经网络的第一激活层、第二激活层和第三激活层均采用ReLu激活函数;
所述第一卷积神经网络的第一全连接层和第二全连接层的神经元个数分别为256和P,其中,P=M;
所述第一卷积神经网络的Softmax层采用Softmax函数用于计算输入样本被识别为每一类的概率。
5.根据权利要求1所述的一种基于对抗性元迁移学习的跨域HRRP小样本目标识别方法,其特征在于,所述第二卷积神经网络的第一卷积层、第二卷积层和第三卷积层的卷积核个数分别为8、16和32,卷积核大小均为1×3,卷积核移动步长均设置为1;
所述第二卷积神经网络的第一池化层、第二池化层和第三池化层的池化策略均采用最大池化方法,池化核大小均为1×2,池化核移动步长均为2;
所述第二卷积神经网络的第一激活层、第二激活层和第三激活层均采用ReLu激活函数;
所述第二卷积神经网络的第一全连接层和第二全连接层的神经元个数分别为128和R,其中,R=M;
所述第二卷积神经网络的Softmax层采用Softmax函数用于计算输入样本被识别为每一类的概率。
6.根据权利要求1所述的一种基于对抗性元迁移学习的跨域HRRP小样本目标识别方法,其特征在于,所述步骤三包括以下步骤:
随机从所述源域数据集中抽取S类、每类取2*L个回波信号组成一个元任务,将元任务按样本数等分为两组,每组包含S类、每类包含L个回波信号,将其中一组作为元任务的支撑集,另一组作为元任务的查询集。
从源域数据集中抽取T次回波信号得到T组支撑集与T组查询集,所述T组支撑集与所述T组查询集组成T组元任务,其中,1≤T<5。
将所述T组支撑集依次输入所述虚拟元任务生成网络中,通过随机尺度卷积层后生成T组数据表征向量X,并将所述T组数据表征向量X作为T组虚拟支撑集进行保存;
将T组数据表征向量X通过所述虚拟元任务生成网络的全连接层与Softmax层后生成相应的预测标签,并利用交叉熵损失函数计算数据表征向量X的预测标签及其真实标签的损失值;
根据所述数据表征向量X的预测标签及其真实标签的损失值更新所述第一卷积神经网络的参数使得数据表征向量X的预测标签及其真实标签的损失值最大化,并得到更新后的第一卷积神经网络,其中,所述数据表征向量X的数据维度与原始回波信号数据的维度相同;
将所述T组虚拟支撑集与所述T组查询集组合为T组虚拟元任务;
将所述T组元任务与所述T组虚拟元任务输入所述更新后的第一卷积神经网络中,通过所述元任务的支撑集和所述虚拟支撑集对第一卷积神经网络进行训练,根据所述查询集得到其预测标签与真实标签的损失值,利用反向传播算法,迭代更新网络参数;
判断第一卷积神经网络在查询集上的损失值是否收敛;
若是,则得到训练后的第一卷积神经网络。
7.根据权利要求1所述的一种基于对抗性元迁移学习的跨域HRRP小样本目标识别方法,其特征在于,所述步骤四的具体步骤为:
将训练后的第一卷积神经网络的第一卷积层、第二卷积层和第三卷积层的权重参数分别赋值给第二卷积神经网络的第一卷积层、第二卷积层和第三卷积层的权重参数;
固定第二卷积神经网络中第一卷积层、第二卷积层和第三卷积层的权重参数保持不变,得到识别卷积神经网络。
8.根据权利要求1所述的一种基于对抗性元迁移学习的跨域HRRP小样本目标识别方法,其特征在于,所述步骤五包括以下步骤:
随机选择所述目标域微调数据集中的W个回波信号输入到所述识别卷积神经网络中,由所述识别卷积神经网络的Softmax层输出每个回波信号的预测标签,利用交叉熵损失函数,计算当前输入到识别卷积神经网络中的每个回波信号的预测标签与真实类别标签间的损失值,其中,W≥8。
利用反向传播算法迭代更新识别卷积神经网络的第一全连接层和第二全连接层的权重参数;
判断当前迭代的交叉熵损失函数是否收敛,若是,得到训练后的识别卷积神经网络。
9.根据权利要求1所述的一种基于对抗性元迁移学习的跨域HRRP小样本目标识别方法,其特征在于,所述步骤六的具体步骤为:
将待识别的每个目标域回波信号输入到训练后的识别卷积神经网络中,通过识别卷积神经网络的Softmax层计算出待识别目标被划分为各类的概率,选择最高概率对应的类别作为识别结果输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310225850.0A CN116466312A (zh) | 2023-03-09 | 2023-03-09 | 一种基于对抗性元迁移学习的跨域hrrp小样本目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310225850.0A CN116466312A (zh) | 2023-03-09 | 2023-03-09 | 一种基于对抗性元迁移学习的跨域hrrp小样本目标识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116466312A true CN116466312A (zh) | 2023-07-21 |
Family
ID=87176102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310225850.0A Pending CN116466312A (zh) | 2023-03-09 | 2023-03-09 | 一种基于对抗性元迁移学习的跨域hrrp小样本目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116466312A (zh) |
-
2023
- 2023-03-09 CN CN202310225850.0A patent/CN116466312A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Hybrid inference network for few-shot SAR automatic target recognition | |
Kan et al. | Simple reservoir computing capitalizing on the nonlinear response of materials: theory and physical implementations | |
CN113537031B (zh) | 基于多鉴别器条件生成对抗网络的雷达图像目标识别方法 | |
CN114595732B (zh) | 基于深度聚类的雷达辐射源分选方法 | |
CN111832580B (zh) | 结合少样本学习与目标属性特征的sar目标识别方法 | |
Goyal et al. | Rapid identification of strongly lensed gravitational-wave events with machine learning | |
CN115659254A (zh) | 一种双模态特征融合的配电网电能质量扰动分析方法 | |
CN113420593B (zh) | 基于混合推理网络的小样本sar自动目标识别方法 | |
Kamani et al. | Targeted data-driven regularization for out-of-distribution generalization | |
CN114912489A (zh) | 一种信号调制识别方法 | |
CN112711032B (zh) | 一种基于图数据和gcn的雷达目标检测方法及系统 | |
Yuksel et al. | Context‐based classification via mixture of hidden Markov model experts with applications in landmine detection | |
Zhao et al. | A novel binary bat algorithm with chaos and Doppler effect in echoes for analog fault diagnosis | |
CN116958809A (zh) | 一种特征库迁移的遥感小样本目标检测方法 | |
CN116466312A (zh) | 一种基于对抗性元迁移学习的跨域hrrp小样本目标识别方法 | |
CN113066537B (zh) | 基于图神经网络的化合物分类方法 | |
CN115664970A (zh) | 基于双曲空间的网络异常点检测方法 | |
CN109934292B (zh) | 基于代价敏感性辅助学习的不平衡极化sar地物分类方法 | |
CN112215272A (zh) | 一种基于贝塞尔曲线的图像分类神经网络攻击方法 | |
Sharma et al. | Improving generalization for few-shot remote sensing classification with meta-learning | |
Wu et al. | SPP-CNN: An efficient framework for network robustness prediction | |
JP6993250B2 (ja) | コンテンツ特徴量抽出装置、方法、及びプログラム | |
Gu et al. | Active sample selection through sparse neighborhood for imbalanced datasets | |
Xu et al. | Scale‐Adaptive Kernel Correlation Filter with Maximum Posterior Probability Estimation and Combined Features for Visual Target Tracking | |
Masood et al. | Adaptive differential evolution based feature selection and parameter optimization for advised SVM classifier |
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 |