[發(fā)明專利]一種融合類別屬性的深度網(wǎng)絡(luò)地下目標(biāo)識(shí)別方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 201510936603.7
• 申請(qǐng)日: 2015-12-15
• 公開（公告）號(hào): CN105512635A
• 公開（公告）日: 2016-04-20
• 發(fā)明（設(shè)計(jì)）人: 鄒海林;柳嬋娟;周樹森;臧睦君
• 申請(qǐng)（專利權(quán)）人: 魯東大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62
• 代理公司: 北京輕創(chuàng)知識(shí)產(chǎn)權(quán)代理有限公司 11212
• 代理人: 王澎

1.一種融合類別屬性的深度網(wǎng)絡(luò)地下目標(biāo)識(shí)別方法，其特征在于，包括以下步驟：

對(duì)接收到的多個(gè)地下目標(biāo)物的探地雷達(dá)回波信號(hào)進(jìn)行預(yù)處理，提取分別表征所述多個(gè) 目標(biāo)物的多個(gè)目標(biāo)信號(hào)；

根據(jù)所述多個(gè)目標(biāo)信號(hào)建立樣本數(shù)據(jù)集，所述樣本數(shù)據(jù)集包括所述多個(gè)目標(biāo)信號(hào)和目 標(biāo)信號(hào)所屬的多個(gè)類別信息；

深度網(wǎng)絡(luò)分類器對(duì)所述樣本數(shù)據(jù)集內(nèi)的數(shù)據(jù)進(jìn)行深度網(wǎng)絡(luò)訓(xùn)練迭代計(jì)算，尋找使得所 述樣本數(shù)據(jù)集的代價(jià)函數(shù)值最小的參數(shù)；

在所述深度網(wǎng)絡(luò)訓(xùn)練迭代計(jì)算過(guò)程中，利用softmax回歸方式進(jìn)行分類識(shí)別以確定所 述多個(gè)目標(biāo)物。

2.根據(jù)權(quán)利要求1所述的融合類別屬性的深度網(wǎng)絡(luò)地下目標(biāo)識(shí)別方法，其特征在于，所 述對(duì)接收到的多個(gè)地下目標(biāo)物返回的探地雷達(dá)回波信號(hào)即GPR回波信號(hào)進(jìn)行預(yù)處理，具體 包括：

對(duì)多個(gè)所述GPR回波信號(hào)分別進(jìn)行背景噪聲去除、濾波處理、道間信號(hào)能量均衡、子波 相干加強(qiáng)和深部弱信號(hào)增強(qiáng)處理。

3.根據(jù)權(quán)利要求2所述的融合類別屬性的深度網(wǎng)絡(luò)地下目標(biāo)識(shí)別方法，其特征在于，設(shè) 接收到的所述探地雷達(dá)回波信號(hào)共有m個(gè)，根據(jù)所述多個(gè)目標(biāo)信號(hào)建立數(shù)據(jù)樣本集，具體 為：

從所述m個(gè)GPR回波信號(hào)中提取目標(biāo)信號(hào)A-scan數(shù)據(jù)，并組合成目標(biāo)信號(hào)矩陣X＝[x ⁽ⁱ⁾]，其中，x⁽ⁱ⁾(i＝1,2,…,m)表示第i個(gè)A-scan樣本數(shù)據(jù)，每個(gè)A-scan數(shù)據(jù)為矩陣X中的一 列，對(duì)應(yīng)的樣本類別矩陣為{y⁽ⁱ⁾},i＝1,2,…,m，y⁽ⁱ⁾是樣本數(shù)據(jù)x⁽ⁱ⁾對(duì)應(yīng)的類別信息標(biāo)簽，m 個(gè)樣本數(shù)據(jù)構(gòu)成的樣本數(shù)據(jù)集為{(x⁽¹⁾,y⁽¹⁾),…,(x^(m),y^(m))}，其分別屬于k個(gè)類別。

4.根據(jù)權(quán)利要求3所述的融合類別屬性的深度網(wǎng)絡(luò)地下目標(biāo)識(shí)別方法，其特征在于，深 度網(wǎng)絡(luò)分類器對(duì)所述樣本數(shù)據(jù)集內(nèi)的數(shù)據(jù)進(jìn)行深度網(wǎng)絡(luò)訓(xùn)練迭代計(jì)算，尋找使得所述樣本 數(shù)據(jù)集的代價(jià)函數(shù)值最小的參數(shù)，具體為：

A、把X＝[x⁽ⁱ⁾](i＝1,2,…,m)作為深層稀疏編碼模型的輸入數(shù)據(jù)，通過(guò)下式計(jì)算所述 深度網(wǎng)絡(luò)的第i隱層的狀態(tài)：

hi=11+exp(-hi-1·WiT+bi)h0=X,∀i∈{1,2,...,l};]]>

其中，W為各隱層之間的連接參數(shù)，即權(quán)值向量，b為偏置項(xiàng)；

B、通過(guò)BP算法計(jì)算得到使所述樣本數(shù)據(jù)集的代價(jià)函數(shù)值最小的全局最優(yōu)權(quán)值向量W和 偏置項(xiàng)b，其中所述樣本數(shù)據(jù)集的代價(jià)函數(shù)J(W,b)為：

J(W,b)=[1mΣi=1mJ(W,b;x(i),y(i))]+λ2Σl=1nl-1Σi=1slΣj=1sl+1(Wij(i))2+βΣj=1s2KL(ρ|ρ‾j)]]>

其中，n_l，s_l分別表示深度網(wǎng)絡(luò)層數(shù)和l層單元數(shù)，為稀疏性約束項(xiàng)；

KL(ρ|ρ‾j)=ρlog2ρρ‾j+(1-ρ)log21-ρ1-ρ‾j;]]>

其中，ρ為稀疏懲罰系數(shù)，是隱藏層j單元平均輸出值；

是代價(jià)函數(shù)J(W,b)的均方差項(xiàng)；

J(W,b;x(i),y(i))=12||hW,b(x(i))-y(i)||2,hW,b(x(i))]]>是深度網(wǎng)絡(luò)的第i隱層的自動(dòng) 編碼器的網(wǎng)絡(luò)輸出向量；

是權(quán)重衰減項(xiàng)，λ為權(quán)重衰減參數(shù)；

其中，在網(wǎng)絡(luò)訓(xùn)練每個(gè)迭代過(guò)程中，用梯度下降法對(duì)目標(biāo)函數(shù)J(W,b)進(jìn)行優(yōu)化。