CN116580272A - 一种基于模型融合推理的雷达目标分类方法及系统 - Google Patents
一种基于模型融合推理的雷达目标分类方法及系统 Download PDFInfo
- Publication number
- CN116580272A CN116580272A CN202210129988.6A CN202210129988A CN116580272A CN 116580272 A CN116580272 A CN 116580272A CN 202210129988 A CN202210129988 A CN 202210129988A CN 116580272 A CN116580272 A CN 116580272A
- Authority
- CN
- China
- Prior art keywords
- prediction
- target classification
- radar
- trees
- radar target
- 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
Classifications
-
- 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
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于模型融合推理的雷达目标分类方法及系统，属于海上目标识别与抗干扰技术领域，解决了现有目标分类方式无法兼顾目标分类算法的数据拟合和泛化能力的问题。该方法包括：对雷达实测回波样本数据进行特征属性提取和类别标签标注，形成训练数据集；基于训练数据集训练集成学习模型，所述集成学习模型由多棵决策树级联形成；将训练完成后的集成学习模型作为雷达目标分类模型；将雷达实测回波数据的特征属性提取结果输入至雷达目标分类模型进行预测，分段抽取若干决策树作为预测树，获取各预测树的概率值；融合各预测树的概率值，输出雷达目标分类预测结果。
Description
技术领域
本发明属于海上目标识别与抗干扰技术领域，具体涉及一种基于模型融合推理的雷达目标分类方法及系统。
背景技术
近年来，传统基于知识的专家系统难以满足高维度、大规模的信息处理要求，智能化目标识别方法在信息处理精细度、信息利用率等方面具备明显的技术优势，能够获得关于目标的更加复杂的特征表达，大幅度提高雷达数据的分析处理能力。然而，受采集数据分布特性的影响，即使在大样本范围内，训练和测试分布之间几乎都会有一些差异，使得目标分类模型在训练过程中容易造成过拟合，形成在训练或验证数据中表现良好、但对测试集表现性能欠佳的情况。目标分类模型越复杂，其目标分类的泛化能力就相对越弱，而简单模型又容易减弱模型的拟合能力，无法充分拟合数据。
发明内容
鉴于上述的分析，本发明实施例旨在提供一种基于模型融合推理的雷达目标分类方法及系统，兼顾目标分类算法的数据拟合和泛化能力，达到两者的平衡和统一，提升不同数据分布下雷达目标的精确识别能力。
本发明公开了一种基于模型融合推理的雷达目标分类方法，包括：
对雷达实测回波样本数据进行特征属性提取和类别标签标注，形成训练数据集；
基于训练数据集训练集成学习模型，所述集成学习模型由多棵决策树级联形成；将训练完成后的集成学习模型作为雷达目标分类模型；
将雷达实测回波数据的特征属性提取结果输入至雷达目标分类模型进行预测，分段抽取若干决策树作为预测树，获取各预测树的概率值；
融合各预测树的概率值，输出雷达目标分类预测结果。
在上述方案的基础上，本发明还做出了如下改进：
进一步，融合各预测树的概率值，输出雷达目标分类预测结果，包括：
融合各预测树的概率值，得到雷达目标分类预测类别标签；
根据雷达目标分类预测类别标签和目标类型之间的映射关系，输出雷达目标分类预测结果。
进一步，根据公式(1)得到雷达目标分类预测类别标签Label：
其中，Pi表示第i类目标的预测值，通过融合各预测树在第i类目标下的概率值得到；K表示目标类别总数。
进一步，第i类目标的预测值Pi根据公式(2)得到：
其中，G表示预测树的总数，ag表示第g棵预测树的权重，表示第g棵预测树在第i类目标下的概率值。
进一步，若集成学习模型中决策树的总棵树为t，预测时，抽取第及第t棵决策树分别作为预测树。
进一步，所述特征属性提取到的特征属性数据包括雷达时域信息、频域信息和极化域信息。
进一步，所述时域信息包括：径向长度，目标检测点数，目标检测点密度；
所述频域信息包括：多普勒带宽，目标速度；
所述极化域信息包括：极化角，极化相似性特征。
进一步，所述类别标签的种类包括：一种或多种雷达目标，目标干扰。
另一方面，本发明还公开了一种基于模型融合推理的雷达目标分类系统，包括：
训练数据集生成模块，用于对雷达实测回波样本数据进行特征属性提取和类别标签标注，形成训练数据集；
模型训练模块，用于基于训练数据集训练集成学习模型，所述集成学习模型由多棵决策树级联形成；将训练完成后的集成学习模型作为雷达目标分类模型；
数据抽取模块，用于将雷达实测回波数据的特征属性提取结果输入至雷达目标分类模型进行预测，分段抽取若干决策树作为预测树，获取各预测树的概率值；
目标预测模块，用于融合各预测树的概率值，输出雷达目标分类预测结果。
在上述方案的基础上，本发明还做出了如下改进：
进一步，在所述目标预测模块中，包括：
类别标签预测模块，用于融合各预测树的概率值，得到雷达目标分类预测类别标签；
在类别标签预测模块中，根据公式(3)得到雷达目标分类预测类别标签Label：
其中，Pi表示第i类目标的预测值，通过融合各预测树在第i类目标下的概率值得到；K表示目标类别总数；
预测结果获取模块，用于根据雷达目标分类预测类别标签和目标类型之间的映射关系，输出雷达目标分类预测结果。
与现有技术相比，本发明至少可实现如下有益效果之一：
本实施例提供的基于模型融合推理的雷达目标分类方法及系统，具备如下优势：
第一，选用级联形成的多棵决策树作为集成学习模型进行训练，得到雷达目标分类模型；在预测过程中，分段抽取若干决策树作为预测树，并获取各预测树的概率值；通过融合各预测树的概率值，形成综合不同算法复杂度的目标分类决策框架，能够完成模糊样本数据的分类与识别。
第二，本实施例中的方法及系统能够同时兼顾目标分类算法的数据拟合和泛化能力，力求达到两者的平衡和统一，有利提升不同数据分布下雷达目标的精确识别能力。
第三，本发明提供的方法及系统简单可行，不占用额外的存储资源。
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1为本发明实施例1中基于模型融合推理的雷达目标分类方法流程图；
图2为本发明实施例1中另一基于模型融合推理的雷达目标分类方法流程图；
图3为本发明实施例2中基于模型融合推理的雷达目标分类系统结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
实施例1
本发明的一个具体实施例，公开了一种基于模型融合推理的雷达目标分类方法，流程图如图1和图2所示，该方法包括以下步骤：
步骤S1：对雷达实测回波样本数据进行特征属性提取和类别标签标注，形成训练数据集；
步骤S2：基于训练数据集训练集成学习模型，所述集成学习模型由多棵决策树级联形成；将训练完成后的集成学习模型作为雷达目标分类模型；
步骤S3：将雷达实测回波数据的特征属性提取结果输入至雷达目标分类模型进行预测，分段抽取若干决策树作为预测树，获取各预测树的概率值；
步骤S4：融合各预测树的概率值，输出雷达目标分类预测结果。
与现有技术相比，本实施例提供的基于模型融合推理的雷达目标分类方法，选用级联形成的多棵决策树作为集成学习模型进行训练，得到雷达目标分类模型；在预测过程中，分段抽取若干决策树作为预测树，并获取各预测树的概率值；通过融合各预测树的概率值，形成综合不同算法复杂度的目标分类决策框架，能够完成模糊样本数据的分类与识别。本实施例中的方法能够同时兼顾目标分类算法的数据拟合和泛化能力，力求达到两者的平衡和统一，有利提升不同数据分布下雷达目标的精确识别能力。此外，本发明提供的方法简单可行，不占用额外的存储资源。
优选地，在步骤S1中，雷达实测回波样本数据为单脉冲雷达回波数据。本实施例中执行特征属性提取时，所提取的特征属性数据包括雷达时域、频域、极化域等多域信息；示例性地，时域信息包括：径向长度，目标检测点数，目标检测点密度等；频域信息包括：多普勒带宽，目标速度等；极化域信息包括：极化角，极化相似性特征等。
同时，在该步骤中，还根据雷达实测回波样本数据对应的目标类型，完成雷达实测回波样本数据的类别标签标注；类别标签的种类包括：一种或多种雷达目标，目标干扰。其中，雷达目标可以是不同型号的舰船，目标干扰可以是箔条。具体地，按照目标的具体类型划分为K类，与类别标签(1,2,……K)相互映射，映射完成后，雷达实测回波样本数据的特征属性提取和类别标签标注结果共同组成训练数据集。在具体实施过程中，可以将每一帧雷达实测回波样本数据对应的特征属性提取和类别标签标注结果映射到预设的数据格式中，形成该帧雷达实测回波样本数据对应的特征样本数据；在预设的数据格式中，按照预定格式组织特征属性数据中的各项信息、以及类别标签；示例性地，若数据特征维度(即特征属性数据中的各项信息的总数)为F，则预设的数据格式中的前F列表示特征属性数据，最后一列表示类别标签。此时，训练数据集可以表示为N*(F+1)的矩阵，N为训练数据集中样本数量的总数。此时，训练数据集中的每一行代表一个数据样本，除最后一列外，每一列代表一维特征属性，每行的最后一个数值则为其对应的类别标签。步骤S1中生成的训练样本集可以表示为：(X,Y)＝{(x1,y1),(x2,y2),…,(xn,yn),…,(xN,yN)}。其中，xn表示训练数据集中第n个样本的特征属性数据，维度为F，yn表示训练数据集中第n个样本的类别标签。
优选地，在步骤S2中，基于训练数据集训练集成学习模型，包括：
创建依次级联的多棵决策树，将该训练数据集作为输入特征，输入第一棵决策树以迭代训练第一棵决策树，得到当前决策树的残差；
除第一棵决策树外，在后续决策树的迭代训练过程中，还利用前一棵决策树去拟合后一棵决策树的残差；
最终，将所有决策树均训练完成后的集成学习模型作为雷达目标分类模型。
更一般地，训练学习过程可以具体描述如下：
步骤S21：设置集成学习模型的结构参数；结构参数包括：集成学习模型中决策树(即图2中的“树形分类器”)的总棵树、单棵决策树的最大深度，以及，决策树的节点中最小数据量。将步骤S1中的训练数据集作为第一棵决策树的训练数据集；
步骤S22：采用基于基尼指数的信息度量准则，计算训练数据集中不同特征属性下的数据不纯度，选取不纯度(即基尼指数)最小时的特征属性作为最优分类特征，同时选取基尼指数最小时的特征数值作为当前最优分类特征下的分裂阈值，该分裂阈值将训练样本集分割为D1和D2两个子集，子集D1的样本数为L，对应特征数值小于分裂阈值的样本，子集D2的样本数为R，对应特征数值大于分裂阈值的样本；
步骤S23：对于每一子集，若该子集下的数据样本均属于同一类，或者，该子集中的数据样本数小于设置的节点中最小数据量，则该子集结束分裂；否则，再次基于基尼指数的信息度量准则进行子集的分割，直至达到单棵决策树的最大深度的要求，完成当前决策树下的训练，输出该当前决策树的残差；
步骤S24：后续决策树迭代训练过程中，以前一棵决策树的残差作为训练样本响应集R，R＝{r1,r2,...,rn,...,rN}；该训练样本响应集R与特征数据集X结合形成下一棵决策树的训练样本集(X,R)，迭代重复步骤S22至S23，以对下一棵决策树进行迭代训练。
不断地迭代重复步骤S22至S24，直至达到决策树的总棵树要求，由此完成集成学习模型的训练，输出雷达目标分类模型。
优选地，在步骤S3的分段抽取过程中，应保证所抽取的决策树位于雷达目标分类模型的不同阶段，以更好地融合不同算法复杂度的目标分类算法结果。示例性地，若集成学习模型中决策树的总棵树为t，预测时，抽取第及第t棵决策树分别作为预测树。如此，通过兼顾目标分类算法的数据拟合和泛化能力，力求达到两者的平衡和统一，有利提升不同数据分布下雷达目标的精确识别能力。
优选地，在步骤S4中，执行：
步骤S41：融合各预测树的概率值，得到雷达目标分类预测类别标签；
在本实施例中，根据公式(1)得到雷达目标分类预测类别标签Label：
其中，Pi表示第i类目标的预测值，通过融合各预测树在第i类目标下的概率值得到；K表示目标类别总数。具体地，第i类目标的预测值Pi根据公式(2)得到：
其中，G表示预测树的总数，ag表示第g棵预测树的权重，a1+...+ag+...+aG＝1；表示第g棵预测树在第i类目标下的概率值。需要说明的是，可以根据雷达目标分类模型中决策树的总数来设置各棵预测树的权重。示例性地，决策树的总数越多，越可能存在过拟合的情况，此时，级联关系中顺序靠后的预测树的权重较低、顺序靠前的预测树的权重相对较高。而决策树的总数较少时，为避免因算法复杂度较低造成的数据泛化能力不足的问题，此时，级联关系中顺序靠前的预测树的权重较低、顺序靠后的预测树的权重相对较高。
步骤S42：根据雷达目标分类预测类别标签和目标类型之间的映射关系，输出雷达目标分类预测结果。
实施例2
本发明的具体实施例2，公开了一种基于模型融合推理的雷达目标分类系统，结构示意图如图3所示，包括：
训练数据集生成模块，用于对雷达实测回波样本数据进行特征属性提取和类别标签标注，形成训练数据集；
模型训练模块，用于基于训练数据集训练集成学习模型，所述集成学习模型由多棵决策树级联形成；将训练完成后的集成学习模型作为雷达目标分类模型；
数据抽取模块，用于将雷达实测回波数据的特征属性提取结果输入至雷达目标分类模型进行预测，分段抽取若干决策树作为预测树，获取各预测树的概率值；
目标预测模块，用于融合各预测树的概率值，输出雷达目标分类预测结果。
优选地，在所述目标预测模块中，包括：
类别标签预测模块，用于融合各预测树的概率值，得到雷达目标分类预测类别标签；
在类别标签预测模块中，根据公式(3)得到雷达目标分类预测类别标签Label：
其中，Pi表示第i类目标的预测值，通过融合各预测树在第i类目标下的概率值得到；K表示目标类别总数；
预测结果获取模块，用于根据雷达目标分类预测类别标签和目标类型之间的映射关系，输出雷达目标分类预测结果。
本发明系统实施例的具体实施过程参见上述方法实施例即可，如训练数据集的生成过程、模型的训练过程等，本实施例在此不再赘述。
由于本系统实施例与上述方法实施例原理相同，所以本系统也具有上述方法实施例相应的技术效果。
本领域技术人员可以理解，实现上述实施例方案的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于模型融合推理的雷达目标分类方法，其特征在于，包括：
对雷达实测回波样本数据进行特征属性提取和类别标签标注，形成训练数据集；
基于训练数据集训练集成学习模型，所述集成学习模型由多棵决策树级联形成；将训练完成后的集成学习模型作为雷达目标分类模型；
将雷达实测回波数据的特征属性提取结果输入至雷达目标分类模型进行预测，分段抽取若干决策树作为预测树，获取各预测树的概率值；
融合各预测树的概率值，输出雷达目标分类预测结果。
2.根据权利要求1所述的基于模型融合推理的雷达目标分类方法，其特征在于，融合各预测树的概率值，输出雷达目标分类预测结果，包括：
融合各预测树的概率值，得到雷达目标分类预测类别标签；
根据雷达目标分类预测类别标签和目标类型之间的映射关系，输出雷达目标分类预测结果。
3.根据权利要求2所述的基于模型融合推理的雷达目标分类方法，其特征在于，根据公式(1)得到雷达目标分类预测类别标签Label：
其中，Pi表示第i类目标的预测值，通过融合各预测树在第i类目标下的概率值得到；K表示目标类别总数。
4.根据权利要求3所述的基于模型融合推理的雷达目标分类方法，其特征在于，第i类目标的预测值Pi根据公式(2)得到：
其中，G表示预测树的总数，ag表示第g棵预测树的权重，表示第g棵预测树在第i类目标下的概率值。
5.根据权利要求1所述的基于模型融合推理的雷达目标分类方法，其特征在于，若集成学习模型中决策树的总棵树为t，预测时，抽取第及第t棵决策树分别作为预测树。
6.根据权利要求1所述的基于模型融合推理的雷达目标分类方法，其特征在于，所述特征属性提取到的特征属性数据包括雷达时域信息、频域信息和极化域信息。
7.根据权利要求6所述的基于模型融合推理的雷达目标分类方法，其特征在于，
所述时域信息包括：径向长度，目标检测点数，目标检测点密度；
所述频域信息包括：多普勒带宽，目标速度；
所述极化域信息包括：极化角，极化相似性特征。
8.根据权利要求1所述的基于模型融合推理的雷达目标分类方法，其特征在于，所述类别标签的种类包括：一种或多种雷达目标，目标干扰。
9.一种基于模型融合推理的雷达目标分类系统，其特征在于，包括：
训练数据集生成模块，用于对雷达实测回波样本数据进行特征属性提取和类别标签标注，形成训练数据集；
模型训练模块，用于基于训练数据集训练集成学习模型，所述集成学习模型由多棵决策树级联形成；将训练完成后的集成学习模型作为雷达目标分类模型；
数据抽取模块，用于将雷达实测回波数据的特征属性提取结果输入至雷达目标分类模型进行预测，分段抽取若干决策树作为预测树，获取各预测树的概率值；
目标预测模块，用于融合各预测树的概率值，输出雷达目标分类预测结果。
10.根据权利要求9所述的基于模型融合推理的雷达目标分类方法，其特征在于，在所述目标预测模块中，包括：
类别标签预测模块，用于融合各预测树的概率值，得到雷达目标分类预测类别标签；
在类别标签预测模块中，根据公式(3)得到雷达目标分类预测类别标签Label：
其中，Pi表示第i类目标的预测值，通过融合各预测树在第i类目标下的概率值得到；K表示目标类别总数；
预测结果获取模块，用于根据雷达目标分类预测类别标签和目标类型之间的映射关系，输出雷达目标分类预测结果。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210110438 | 2022-01-30 | ||
| CN202210110438X | 2022-01-30 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116580272A true CN116580272A (zh) | 2023-08-11 |
Family
ID=87532793
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210129988.6A Pending CN116580272A (zh) | 2022-01-30 | 2022-02-11 | 一种基于模型融合推理的雷达目标分类方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116580272A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117668562A (zh) * | 2024-01-31 | 2024-03-08 | 腾讯科技（深圳）有限公司 | 文本分类模型的训练和使用方法、装置、设备和介质 |
-
2022
- 2022-02-11 CN CN202210129988.6A patent/CN116580272A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117668562A (zh) * | 2024-01-31 | 2024-03-08 | 腾讯科技（深圳）有限公司 | 文本分类模型的训练和使用方法、装置、设备和介质 |
| CN117668562B (zh) * | 2024-01-31 | 2024-04-19 | 腾讯科技（深圳）有限公司 | 文本分类模型的训练和使用方法、装置、设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111191732B (zh) | 一种基于全自动学习的目标检测方法 | |
| CN113190699B (zh) | 一种基于类别级语义哈希的遥感图像检索方法及装置 | |
| He et al. | Learning and incorporating top-down cues in image segmentation | |
| CN114841257B (zh) | 一种基于自监督对比约束下的小样本目标检测方法 | |
| US11494689B2 (en) | Method and device for improved classification | |
| CN109063743B (zh) | 基于半监督多任务学习的医疗数据分类模型的构建方法 | |
| CN114037876A (zh) | 一种模型优化方法和装置 | |
| SG171858A1 (en) | A method for updating a 2 dimensional linear discriminant analysis (2dlda) classifier engine | |
| CN111325264A (zh) | 一种基于熵的多标签数据分类方法 | |
| CN113221065A (zh) | 数据密度估计及回归方法、相应装置、电子设备、介质 | |
| CN112766400A (zh) | 高维数据基于多个数据变换空间的半监督分类集成方法 | |
| CN114357221B (zh) | 一种基于图像分类的自监督主动学习方法 | |
| CN116580272A (zh) | 一种基于模型融合推理的雷达目标分类方法及系统 | |
| CN116910571B (zh) | 一种基于原型对比学习的开集域适应方法及系统 | |
| Rethik et al. | Attention Based Mapping for Plants Leaf to Classify Diseases using Vision Transformer | |
| Gao et al. | An improved XGBoost based on weighted column subsampling for object classification | |
| Kuhn et al. | Brcars: a dataset for fine-grained classification of car images | |
| CN111950646A (zh) | 电磁图像的层次化知识模型构建方法及目标识别方法 | |
| CN115565001A (zh) | 基于最大平均差异对抗的主动学习方法 | |
| CN117216668B (zh) | 一种基于机器学习的数据分类分级处理方法和系统 | |
| CN116932487B (zh) | 一种基于数据段落划分的量化式数据分析方法及系统 | |
| Wang et al. | Interpretable Disentanglement of Neural Networks by Extracting Class-Specific Subnetwork | |
| CN107895167A (zh) | 一种基于稀疏表示的红外光谱数据分类识别方法 | |
| CN117197590B (zh) | 一种基于神经架构搜索与知识蒸馏的图像分类方法及装置 | |
| CN116503674B (zh) | 一种基于语义指导的小样本图像分类方法、装置及介质 |
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 |