[發明專利]基于一維卷積神經網絡的雷達高分辨距離像目標識別方法

有效

• 申請號: 201710838721.3
• 申請日: 2017-09-18
• 公開（公告）號: CN107728143B
• 公開（公告）日: 2021-01-19
• 發明（設計）人: 陳渤;沈夢啟;萬錦偉
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G01S13/89
• 分類號: G01S13/89;G01S7/41;G01S13/04
• 代理公司: 西安睿通知識產權代理事務所(特殊普通合伙) 61218
• 代理人: 惠文軒

1.一種基于一維卷積神經網絡的雷達高分辨距離像目標識別方法，其特征在于，包括以下步驟：

步驟1，確定Q個不同雷達，所述Q個不同雷達的檢測范圍內存在目標，并獲取Q個不同雷達的高分辨雷達回波，然后從Q個不同雷達的高分辨雷達回波中獲取Q類高分辨距離成像數據，并將Q類高分辨距離成像數據分為訓練樣本集和測試樣本集，然后將Q類高分辨距離成像數據記為原始數據x；其中，Q為大于0的正整數；

步驟2，根據原始數據x，計算得到均值歸一化處理后的數據x”'；

步驟2的子步驟為：

(2a)對原始數據x進行歸一化處理，得到歸一化處理后的數據x'，其表達式為：

其中，|| ||₂表示求二范數；

(2b)對歸一化處理后的數據x'進行重心對齊，得到重心對齊后的數據x”，其表達式為：

x”＝IFFT{FFT(x')e^{-j{φ[W]-φ[C]k}}}

其中，W表示歸一化處理后的數據重心，C表示歸一化處理后的數據中心，φ(W)表示歸一化處理后的數據重心對應相位，φ(C)表示歸一化處理后的數據中心對應相位，k表示W與C之間的相對距離，IFFT表示逆快速傅里葉變換操作，FFT表示快速傅里葉變換操作，e表示指數函數，j表示虛數單位；

(2c)對重心對齊后的數據x”進行均值歸一化處理，得到均值歸一化處理后的數據x”'，其表達式為：

x”'＝x”-mean(x”)

其中，mean(x”)表示重心對齊后的數據x”的均值；

所述均值歸一化處理后的數據x”'為P×N₁維矩陣，P表示訓練樣本集中包含的訓練樣本總個數，N₁表示P個訓練樣本中每類高分辨距離成像數據分別包含的距離單元總個數；

步驟3，設定一維卷積神經網絡模型，然后使用訓練樣本集和均值歸一化處理后的數據x”'對該一維卷積神經網絡模型進行構建，得到訓練好的卷積神經網絡；

步驟3的子步驟為：

(3a)構建第一層卷積層，該第一層卷積層用于對均值歸一化處理后的數據x”'進行卷積和下采樣，得到第一層卷積層下采樣處理后的C個特征圖

(3a)的過程為：

(3a.1)設定第一層卷積層中包括C個卷積核，并將第一層卷積層的C個卷積核記為K，用于與均值歸一化處理后的數據x”'進行卷積，且K大小設置為1×w×1，w表示第一層卷積層中每個卷積核窗口，1wN₁；C為大于0的正整數；

(3a.2)將第一層卷積層的卷積步長記為L，使用第一層卷積層的卷積步長L將均值歸一化處理后的數據x”'與第一層卷積層的C個卷積核分別進行卷積，得到第一層卷積層C個卷積后的結果，并記為第一層卷積層的C個特征圖y：

其中，第一層卷積層的卷積步長L滿足：w≤L≤N₁-w，b表示第一層卷積層的全1偏置，K表示第一層卷積層的C個卷積核，且第一層卷積層的卷積步長為L；f()表示激活函數，表示卷積操作；

(3a.3)對第一層卷積層的C個特征圖y進行高斯歸一化處理，得到高斯歸一化處理后第一層卷積層的C個特征圖然后對中的每一個特征圖分別進行下采樣處理，第一層下采樣處理的核窗口大小都為m×m，1mN₁，N₁表示P個訓練樣本中每類高分辨距離成像數據分別包含的距離單元總個數，P表示訓練樣本集中包含的訓練樣本總個數，m為大于0的正整數；第一層下采樣處理的步長都為I，I與m取值相等；進而得到第一層卷積層下采樣處理后的C個特征圖

其中，表示在第一層下采樣處理的核窗口大小m×m內取高斯歸一化處理后第一層卷積層的C個特征圖的最大值，表示高斯歸一化處理后第一層卷積層的C個特征圖；

(3b)構建第二層卷積層：第二層卷積層的卷積核K'包含C個卷積核，并將第二層卷積層包含的C個卷積核定義為K'，K'用于與第一層卷積層下采樣處理后的C個特征圖進行卷積，第二層卷積層用于對第一層卷積層下采樣處理后的C個特征圖進行卷積和下采樣，得到第二層卷積層下采樣處理后的C個特征圖

(3b)的過程為：

(3b.1)將第二層卷積層的卷積步長記為L'，且第二層卷積層的卷積步長L'與第一層卷積層的卷積步長L取值相等；令第二層卷積層的C個卷積核為K'，第二層卷積層的卷積步長為L'；第二層卷積層的卷積核K'大小與第一層卷積層的卷積核K大小取值相同；(3b.2)使用第二層卷積層的卷積步長L'將第一層卷積層下采樣處理后的C個特征圖與第二層卷積層的C個卷積核K'分別進行卷積，得到第二層卷積層C個卷積后的結果，并記為第二層卷積層的C個特征圖

其中，令第二層卷積層的卷積步長為L'，w≤L'≤N₁-w，L'為大于0的正整數；b'表示第二層卷積層的全1偏置，K'表示第二層卷積層的C個卷積核，且第二層卷積層的卷積步長為L'；f()表示激活函數，表示卷積操作；

(3b.3)對第二層卷積層的C個特征圖進行高斯歸一化處理，得到高斯歸一化處理后第二層卷積層的C個特征圖然后對中的每一個特征圖分別進行下采樣處理，第二層下采樣處理的核窗口大小都為m'×m'，1m'N₁，m'為大于0的正整數；第二層下采樣處理的步長都為I'，I'與m'取值相等；進而得到第二層卷積層下采樣處理后的C個特征圖

其中，表示在第二層下采樣處理的核窗口大小m'×m'內取高斯歸一化處理后第二層卷積層的C個特征圖的最大值，表示高斯歸一化處理后第二層卷積層的C個特征圖；

(3c)構建第三層卷積層：第三層卷積層的卷積核K”包含R個卷積核，R＝2C；并將第三層卷積層的卷積核定義為K”，K”用于與第二層卷積層下采樣處理后的R個特征圖進行卷積，第三層卷積層用于對第二層卷積層下采樣處理后的R個特征圖進行卷積和下采樣，得到第三層卷積層下采樣處理后的R個特征圖

(3d)構建第四層全連接層：第四層全連接層用于對第三層卷積層下采樣處理后的R個特征圖進行非線性變換處理，得到第四層全連接層非線性變換處理后的數據結果

(3e)構建第五層全連接層：第五層全連接層用于對第四層全連接層非線性變換處理后的數據結果進行非線性變換處理，得到第五層全連接層非線性變換處理后的數據結果

得到第五層全連接層非線性變換處理后的數據結果后，卷積神經網絡構建結束，并記為訓練好的卷積神經網絡；

步驟4，使用測試樣本集對訓練好的卷積神經網絡進行目標識別，得到基于一維卷積神經網絡的雷達高分辨距離像目標識別結果。