[發明專利]基于遺傳算法優化的神經網絡雷達一維距離像目標識別方法

有效

• 申請號: 201710939169.7
• 申請日: 2017-10-11
• 公開（公告）號: CN107657243B
• 公開（公告）日: 2019-07-02
• 發明（設計）人: 廖闊;司進修;何旭東;楊孟文;周毅;周代英;沈曉峰
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;G06N3/12
• 代理公司: 成都點睛專利代理事務所(普通合伙) 51232
• 代理人: 孫一峰

1.基于遺傳算法優化的神經網絡雷達一維像識別方法，其特征在于，包括以下步驟：

S1、獲取數據樣本：

由高分辨率雷達分時段獲取飛行目標的一維距離像數據構成數據集：

其中N表示目標類別總數，K_i代表獲取第i類目標一維距離像的總時間段個數，M_ik表示第i類目標在第k個時間段所獲取目標一維距離像的個數，為數據集合中樣本總數，表示第i類目標在第k個時間段所獲取的第j幅一維距離像，且樣本維數為600；

S2、數據樣本的預處理：

S21、對S1所述數據集D⁽⁰⁾進行樣本篩選：

從數據集D⁽⁰⁾中選擇信噪比大于22db的所有一維距離像，并將篩選后的數據集記為D⁽¹⁾；

S22、對D⁽¹⁾中的一維距離像進行截斷處理，即以最大值為中心，連續選取300個數據點，作為待識別一維距離像樣本，記截斷后的數據集為：其中W_ik表示經篩選后的第i類目標在第k個時間段所獲取目標一維距離像的個數：

S3、劃分數據集：

為提升識別系統的魯棒性，選取每類目標的第一個時間段所獲取的一維距離像作為訓練集，其他時間段所獲取的一維距離像作為測試集合，則分別將訓練集和測試集記為：

考慮訓練樣本數據均衡性問題，然后將訓練集進行拆分，通過隨機二次抽取拆分為兩個不同的訓練子集，且使兩個訓練子集內同類別目標的個數保持相同，以共享相同標簽集，記訓練子集為：

其中表示訓練子集中的樣本總數；

S4、構建標簽集：

根據S3中所建訓練子集X⁽¹⁾(1)和測試集Z⁽¹⁾，采用1-of-K編碼方式得到樣本的標簽矢量為：

y_ikj＝[y_ikj(1)，y_ikj(2)，...，y_ikj(K_i)]，

則標簽矢量集合分別表示訓練數據集X⁽¹⁾和測試集合Z⁽¹⁾所對應的標簽集合；

S5、構建5層BP神經網絡分類器：

根據深度學習理論，基于TensorFlow平臺搭建一個5層神經網絡，網絡包含：輸入層，節點數為300；三層隱含層，節點數為h1、h2、h3；一個softmax輸出層，節點數為N，選擇最小均方誤差和作為網絡的優化目標函數，且將該網絡記為BP_net1；

隨后將S3中所述的訓練子集作為網絡BP_net1的第一層輸入，結合S4中所構建的樣本標簽集利用隨機梯度下降法對BP_net1網絡進行有監督訓練，且對該網絡重復訓練10*p次，使損失函數最??；同時每訓練p次神經網絡可記錄一組網絡參數，記訓練完成后所得參數集合為：其中wb(q)是指BP_net1在訓練10*q次之后所得到的網絡參數集合；

S6、利用遺傳算法對網絡參數進行優化；

利用S5步驟中訓練好的神經網絡參數集合WB，分別初始化10個染色體，染色體長度為L；并將S5中的目標誤差函數的倒數作為染色體進化過程中的適應度函數，計算每個染色體體的適應度值；接著依據個體的適應度值的大小選擇將要進入下一代的個體；隨著，設置交叉概率P_c和變異概率P_e，對被選中的進化個體進行相應的交叉和變異操作；將染色體進化代數設置為50，最后計算進化50代后所有染色體的適應度值，選取適應度值最大的染色體作為網絡參數優化的最優解，記為WB_new；

S7、將S6中所得WB_new用于初始化新的神經網絡BP_net2分類器：

首先創建新的神經網絡BP_net2，其網絡結構同BP_net1；利用S6中已經優化好的參數集WB_new，對BP_net2進行參數初始化；

隨后將S3中所述訓練子集作為網絡BP_net2的第一層輸入；對網絡參數進行無監督的預訓練；隨后結合S4中所構建的樣本標簽集對BP_net2網絡進行有監督微調，利用隨機梯度下降法對該網絡重復訓練K次，使損失函數最小，至此完成分類器的訓練過程；

S8、采用步驟S7中獲得的分類器模型對測試樣本進行目標識別。